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
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
我们提出了一种基于字典的自动化摄像机校准方法,利用定制的空间变换网络(STN)和新颖的拓扑损失函数,改善了 IoU 指标,相对于最先进模型提高了 12%。
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
所提出的算法通过使用常用的单目深度估计网络和激光雷达点云的几何距离之间的互信息作为外在校准的优化度量来不断自动更新车辆寿命周期内相机 - 激光雷达校准值,而无需校准目标、地面真实训练数据和昂贵的离线优化。
Jun, 2023
基于神经网络和深度学习技术,本文提出了一种自动检测相机与激光雷达之间外参校准情况的算法,并针对该任务生成了一个新的数据集分支 (KITTI dataset) 用于性能测试。该方法可以广泛地应用于智能汽车等领域,这是第一篇关注校准外参重要性的研究工作。
Oct, 2022
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。
Nov, 2023
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
使用基于神经网络的图像重建,提出通用的事件相机标定框架,实现内在和外在标定,从而可以进行基于时间和基于帧的传感器之间的内外标定,并证明该方法在不同畸变模型和畸变参数下都非常准确。
May, 2021
本文提出了一种名为 CaLiCa 的深度自校正网络,并针对针孔相机和 Lidar 自动进行校准。利用 KITTI 数据集的实验结果表明,通过单次推论可以实现 0.154 度和 0.059 米的精度,重投影误差为 0.028 像素。