该研究提出了一种新的方法,通过利用交叉口的拓扑结构来实现摄像头的准确自动校准,进而提高交通监控数据的利用效率,并在合成数据集和实际摄像头上展示了优异的性能表现。
Nov, 2023
通过利用街景图像重建度量的三维模型并精确校准 100 多个全球交通摄像头,本研究展示了一个可扩展的框架,以解决基于野外摄像头的精确校准挑战,并通过提取信息进行交通分析,从而开发出利用室外摄像头进行自动分析的潜力。
我们提出了一个鲁棒的外参标定方法,用于自动地进行地理参考相机标定,不需要人与信息交互,同时也不限制其他道路用户通行,我们通过在合成数据集和实际交叉口以及实现对真实基础设施的标定,演示了方法的可行性和准确性。
Apr, 2023
无需训练数据、人工设计特征或离线优化的无目标外参校准算法,能够准确、精确且极其鲁棒地融合多个传感器的数据到共同的空间参考框架中,利用几何特征提供了稳健的用于相机 - 激光雷达外参校准的信息度量。
本文提出了一种实时的无标定板双目相机标定方法,该方法通过基于流形上的新型非线性优化将几何误差最小化,不需要时间特征对应性,对于动态场景的不变性和灯光变化具有鲁棒性和较快的运行速度,并通过在线实验展示了与离线基于标记的标定方法相当的精度。
Mar, 2019
通过使用合成数据,我们提出了一种高度自动化的方法来通过单个图像校准运动相机,使用新颖的相机姿态引擎,以及采用两个 GAN 模型来检测场地标记,并在合成和真实数据中取得了鲁棒性和最新技术表现。
Oct, 2018
该研究实施了一个三阶段的视频分析框架,用于从道路上的摄像头提取高分辨率的交通数据,关键组成部分包括目标识别、透视转换和车辆轨迹重建,可以用于改善交通管理、识别危险驾驶行为以及减少事故和伤亡风险。
Jan, 2024
本文提出一种基于基础设施的方法,通过分别对单个摄像机进行内部校准和用 3D 地图预建立的外部校准,从零开始完全校准多摄像机系统,并且在多种室内外场景中进行了广泛实验,结果表明我们的校准方法具有高准确性和鲁棒性。
Jul, 2020
本研究提供了两种新方法来估计相机和全局姿态传感器之间的准确可靠的时空校准参数。第一种是高精度和一致性的离线基于目标的方法,通过同时优化时空参数、摄像机内参和轨迹。第二种是无需标定目标的在线方法,实现了估计时空参数的时变性,并进行了详细的可观测性分析,从而为校准提供了可解释的指导原则。最后,通过手持实际数据集的评估,验证了两种方法的准确性和一致性,这些数据集在传统手眼校准方法中无法工作。
Mar, 2024
提出了一个深度学习框架来实时学习相机的内部和外部校准,该框架自我监督,无需标注或监督学习校准参数,并且无需物理目标或在特殊平面表面上驾驶车辆。
Aug, 2023