本發(fā)明涉及計算機視覺領域，具體涉及一種雙目標定參數(shù)有效性在線檢驗方法、系統(tǒng)、設備及介質(zhì)。

背景技術(shù)：

1、現(xiàn)有的雙目標定方法種類繁多，但在實際應用中，往往會因標定板圖像質(zhì)量不佳、標定算法選擇不適或相機設備發(fā)生松動等因素，導致標定參數(shù)失效，進而降低立體視覺系統(tǒng)的整體精度。例如，在手動標定過程中，若標定板圖像質(zhì)量不理想，容易引入角點提取誤差；不同標定算法由于各自的特性差異，可能產(chǎn)生不一致的標定結(jié)果；在實際使用中，如在無人導航系統(tǒng)中，視覺系統(tǒng)因長時間運行可能受到顛簸或碰撞的影響，導致參數(shù)失效。同時，環(huán)境溫度變化也會引起標定參數(shù)的漂移，影響系統(tǒng)的精度。此外，僅水平平移造成的主點偏差也會引入標定誤差，但這種偏差在現(xiàn)有方法中難以識別。

2、目前常用的參數(shù)監(jiān)控方法主要通過統(tǒng)計顯著特征點的極線誤差來評估標定參數(shù)的有效性。然而，此類方法在特征點數(shù)量和匹配準確度上表現(xiàn)較弱，尤其在處理弱紋理或無紋理的對象時，效果更為有限，從而影響雙目標定參數(shù)在線驗證的精度。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)中由于標定板圖像質(zhì)量不佳、標定算法選擇不當或相機設備松動而導致的雙目標定參數(shù)失效問題，提供一種雙目標定參數(shù)有效性在線檢驗方法、系統(tǒng)、設備及介質(zhì)，一方面通過使用深度學習匹配算法提升弱紋理和無紋理對象的特征點匹配準確度和稠密度，另一方面針對雙目的情況，簡化極線估計步驟引入的誤差，并使用一種新的指標來衡量極線校正準確度，從而提高雙目標定參數(shù)有效性的在線驗證精度，并降低算法的運算復雜度。

2、為了實現(xiàn)上述目的，本發(fā)明有如下的技術(shù)方案：

3、第一方面，提供一種雙目標定參數(shù)有效性在線檢驗方法，包括：

4、獲取極線校正后的左右圖像；

5、在極線校正后的左右圖像上使用光流估計算法計算匹配點在y方向的像素差異；

6、剔除異常匹配點，篩選出符合精度要求的正常匹配點；

7、對篩選出的正常匹配點在y方向的像素差異進行統(tǒng)計分析，計算參數(shù)有效性系數(shù)，通過所述參數(shù)有效性系數(shù)評價雙目標定參數(shù)在當前狀態(tài)下的有效性。

8、作為一種優(yōu)選的方案，所述的雙目標定參數(shù)有效性在線檢驗方法還包括：

9、對于僅水平平移導致的主點偏差，通過對世界坐標系中固定標志物進行周期性重復測量，并監(jiān)測固定標志物的測量坐標轉(zhuǎn)換至世界坐標系的點波動性，評估主點偏差。

10、作為一種優(yōu)選的方案，所述固定標志物的測量坐標按照如下表達式轉(zhuǎn)換至世界坐標系：

11、

12、式中，表示固定標志物的測量坐標，表示固定標志物的圖像像素點坐標，表示主點像素坐標，表示雙目相機的基線距離，表示固定標志物的圖像像素點視差，表示雙目相機的內(nèi)參焦距；

13、設定某個固定標志物在多次周期性重復測量中的世界坐標為，式中，表示第次測量，波動性度量通過按下式計算對應測量值的總體波動性表示：

14、

15、式中，為三個坐標軸的多次測量波動標準差；

16、通過波動性度量，判斷由于主點偏差引起的誤差；如果波動性度量超出設定范圍，則判定固定標志物的位置發(fā)生異常變化，出現(xiàn)主點偏差。

17、作為一種優(yōu)選的方案，所述在極線校正后的左右圖像上使用光流估計算法計算匹配點在y方向的像素差異時，采用基于深度學習的兩階段光流估計算法對于每一對匹配點，計算匹配點在y方向上的偏差。

18、作為一種優(yōu)選的方案，所述在極線校正后的左右圖像上使用光流估計算法計算匹配點在y方向的像素差異包括如下步驟：

19、基于亮度一致性假設，構(gòu)建如下光流約束方程表達式：

20、

21、式中，表示時刻圖像在處的像素強度，是光流矢量，表示像素的運動；

22、對光流約束方程表達式進行泰勒展開并忽略高階項，得到如下表達式：

23、

24、采用稀疏光流法在局部窗口內(nèi)對光流約束方程進行最小二乘求解；

25、所述基于深度學習的兩階段光流估計算法采用raft算法，通過卷積神經(jīng)網(wǎng)絡cnn提取特征，按下式構(gòu)建密集的全像素對相關(guān)性張量：

26、

27、式中，和分別表示源圖像和目標圖像中像素和像素的特征向量，是特征向量之間的相關(guān)性分數(shù)；隨后，raft算法通過遞歸神經(jīng)網(wǎng)絡迭代更新光流場，每次按照如下表達式更新光流矢量：

28、

29、由更新后的光流矢量得到左視圖像素點對應的右視圖像素點。

30、作為一種優(yōu)選的方案，通過閾值篩選和一致性檢測兩種方法對異常點進行剔除；

31、通過閾值篩選對異常點進行剔除的方法包括：基于極線校正后左右匹配點的共線幾何特性，設置一個閾值剔除y方向差異超過閾值的匹配點，以控制誤差在合理范圍內(nèi)；

32、通過一致性檢測對異常點進行剔除的方法包括：使用左右一致性檢測算法，驗證正向匹配和反向匹配的結(jié)果是否一致，對于不一致的匹配點進行剔除。

33、作為一種優(yōu)選的方案，所述對篩選出的正常匹配點在y方向的像素差異進行統(tǒng)計分析，計算參數(shù)有效性系數(shù)，通過參數(shù)有效性系數(shù)評價雙目標定參數(shù)在當前狀態(tài)下的有效性包括：

34、計算所有正常匹配點在y方向的像素差異均值：

35、

36、式中，表示第次測量，表示第對匹配點在右視圖中的縱坐標，表示第對匹配點在左視圖中的縱坐標；

37、所述參數(shù)有效性系數(shù)為根據(jù)匹配點在y方向的像素差異理想均值，計算得到的所有正常匹配點在y方向的像素差異均值變化率，計算表達式如下：

38、

39、越小，表示實際測量結(jié)果與理想標定越接近，標定精度和穩(wěn)定性越高。

40、第二方面，提供一種雙目標定參數(shù)有效性在線檢驗系統(tǒng)，包括：

41、校正圖像獲取模塊，用于獲取極線校正后的左右圖像；

42、光流估計模塊，用于在極線校正后的左右圖像上使用光流估計算法計算匹配點在y方向的像素差異；

43、匹配點篩選模塊，用于剔除異常匹配點，篩選出符合精度要求的正常匹配點；

44、參數(shù)有效性評價模塊，用于對篩選出的正常匹配點在y方向的像素差異進行統(tǒng)計分析，計算參數(shù)有效性系數(shù)，通過所述參數(shù)有效性系數(shù)評價雙目標定參數(shù)在當前狀態(tài)下的有效性。

45、第三方面，提供一種電子設備，包括：

46、存儲器，存儲至少一個指令；及處理器，執(zhí)行所述存儲器中存儲的指令以實現(xiàn)所述的雙目標定參數(shù)有效性在線檢驗方法。

47、第四方面，提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有至少一個指令，所述至少一個指令被電子設備中的處理器執(zhí)行以實現(xiàn)所述的雙目標定參數(shù)有效性在線檢驗方法。

48、相較于現(xiàn)有技術(shù)，本發(fā)明至少具有如下的有益效果：

49、通過在極線校正后的左右圖像上使用光流估計算法計算匹配點在y方向的像素差異，提升了雙目標定參數(shù)有效性檢驗方法在復雜場景（弱紋理、無紋理）的驗證精度。傳統(tǒng)方法通常依賴局部顯著特征（如角點或邊緣）進行匹配，但在弱紋理或無紋理區(qū)域（如光滑表面或重復紋理）中，這些特征難以提取或區(qū)分。在雙目視覺系統(tǒng)中，極線的計算可以簡化。理想狀態(tài)下，右圖的極線與左圖的像素點應該同處一行，匹配的同名點也應同處一行。通過計算右圖匹配點到其所屬極線的距離，可以簡化為統(tǒng)計同名點在y方向的像素差異。本發(fā)明使用光流估計算法計算匹配點在y方向的像素差異，深度學習方法通過卷積神經(jīng)網(wǎng)絡（cnn）提取多尺度特征，能夠獲取全局上下文信息，在弱特征區(qū)域生成更加區(qū)分性強的特征表示。并在迭代優(yōu)化過程中動態(tài)調(diào)整匹配關(guān)系，有效提高了匹配點對的數(shù)量和準確性。因此，本發(fā)明能夠獲得更準確更豐富的特征匹配結(jié)果，間接提升了參數(shù)有效性的在線驗證精度。此外，本發(fā)明對篩選出的正常匹配點在y方向的像素差異進行統(tǒng)計分析，計算參數(shù)有效性系數(shù)，通過參數(shù)有效性系數(shù)評價雙目標定參數(shù)在當前狀態(tài)下的有效性，極大簡化了運算復雜度。

50、進一步的，本發(fā)明方法還包括對于僅水平平移導致的主點偏差，通過對世界坐標系中固定標志物進行周期性重復測量，并監(jiān)測固定標志物的測量坐標轉(zhuǎn)換至世界坐標系的點波動性，評估主點偏差，擴展了參數(shù)有效性驗證的領域。本發(fā)明針對僅由水平平移引起的主點偏差問題，提出了相應的驗證方法，能夠有效計算并修正因平移誤差引起的主點偏差，擴展了雙目標定參數(shù)有效性驗證的應用場景，能夠更全面地保障立體視覺系統(tǒng)的精度和穩(wěn)定性。