道路场景下基于地平线检测的相机自标定优化

doi:10.3969/j.issn.1006-2475.2025.02.011

摘要/Abstract

摘要： 当前交通场景下的相机标定，主要是基于道路场景的关键信息，并依赖道路虚线、平行线等冗余信息对相机标定参数进行优化。但是由于场景信息有限，消失点范围无法固定，同时由于相机自旋角的存在，使得相机标定结果存在一定的误差。本文从地平线检测入手，提出一种基于深度学习关键点检测的地平线检测算法，并将精度提升至82.46%；随后，在地平线检测基础上矫正相机自旋角，并利用地平线提供更严格的约束，从而实现相机自标定的参数优化。实验结果表明，在矫正相机自旋角及利用地平线提供更强的约束后，相机自标定参数获得了更快的收敛速度及最低1.79%的误差。

关键词: 单目相机, 相机标定, 深度学习, 地平线检测, 相机自旋角

Abstract: The current camera calibration in traffic scenes relies mainly on the key information of the road scene and relies on redundant information such as road dashed lines， parallel lines， etc. to optimize the camera calibration parameters. However， due to the limited information of the scene， the range of vanishing points cannot be fixed， and at the same time， due to the existence of the camera spin angle， the results of the camera calibration have a certain degree of error. Starting from the horizon detection， a deep learning key point detection-based horizon detection algorithm improves the accuracy to 82.46%. Subsequently， the camera self-calibration parameters are optimized by correcting the camera spin angle based on horizon detection and providing stricter constraints by using the horizon. The experimental results show that after correcting the camera spin angle and providing stronger constraints by using the horizon， the camera self-calibration parameters obtain faster convergence and a minimum of 1.79% error.

Key words: , monocular camera； camera calibration； deep learning； horizon line detection； camera spin angle

中图分类号:

TP399

何国涛1, 赵春辉2, 刘振宇1, 王龙1. 道路场景下基于地平线检测的相机自标定优化[J]. 计算机与现代化, 2025, 0(02): 77-85.

HE Guotao1, ZHAO Chunhui2, LIU Zhenyu1, WANG Long1. Optimization for Camera Self-calibration Based on Horizon Detection in Road Scenes[J]. Computer and Modernization, 2025, 0(02): 77-85.

参考文献

［1］ GANBOLD U， SATO J， AKASHI T. Coarse-to-fine evolutionary method for fast horizon detection in maritime images［J］. IEICE Transactions on Information and Systems， 2021，E104.D（12）:2226-2236.
［2］ ZARDOUA Y， ASTITO A， BOULAALA M. A survey on horizon detection algorithms for maritime video surveillance: Advances and future techniques［J］. The Visual Computer， 2023，39（1）:197-217.
［3］ JEONG C， YANG H S， MOON K. A novel approach for detecting the horizon using a convolutional neural network and multi-scale edge detection［J］. Multidimensional Systems and Signal Processing， 2019，30（3）:1187-1204.
［4］ JEONG C Y， YANG H S， MOON K D. Horizon detection in maritime images using scene parsing network［J］. Electronics Letters， 2018，54（12）:760-762.
［5］ FU J， LI F， ZHAO J H. Real-time infrared horizon detection in maritime and land environments based on hyper-Laplace filter and convolutional neural network［J］. IEEE Transactions on Instrumentation and Measurement， 2023，72. DOI: 10.1109/TIM.2023.3282656.
［6］ SANDRU A， KUJALA P， VISALA A. Horizon detection and tracking in sea-ice conditions using machine vision［J］. IFAC-PapersOnLine， 2023，56（2）:6724-6730.
［7］ HOU J L， LI B K. An improved algorithm for horizon detection based on OSTU［C］// 2015 7th International Conference on Intelligent Human-Machine Systems and Cybernetics. IEEE， 2015:414-417.
［8］ AHMAD T， BEBIS G， NICOLESCU M， et al. Horizon line detection using supervised learning and edge cues［J］. Computer Vision and Image Understanding， 2020，191. DOI: 10.1016/j.cviu.2019.102879.
［9］ LUO Y L， ZHANG G L， LI L， et al. Attention-based two-stage U-Net horizon tracking［J］. IEEE Geoscience and Remote Sensing Letters， 2022，19. DOI: 10.1109/LGRS.2022.3217376.
［10］ XU Y， YAN H T， MA Y， et al. Graph-based horizon line detection for UAV navigation［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2021，14:11683-11698.
［11］叶继华，时淑霞，李汉曦，等. 一种结合深度学习和随机森林的地平线检测方法［J］. 系统仿真学报， 2018，30（7）:2507-2514.
［12］ ZHANG Y G， SU Y N， YANG J， et al. When Dijkstra meets vanishing point: A stereo vision approach for road detection［J］. IEEE Transactions on Image Processing， 2018，27（5）:2176-2188.
［13］ KLUGER F， ACKERMANN H， YANG M Y， et al. Temporally consistent horizon lines［C］//2020 IEEE International Conference on Robotics and Automation （ICRA）. IEEE， 2020:3161-3167.
［14］吴建平，陈珂，刘业. 融合随机抽样一致性和Hough变换的实时消失点检测［J］. 计算机辅助设计与图形学学报， 2022，34（8）:1238-1251.
［15］ KANHERE N K， BIRCHFIELD S T. A taxonomy and analysis of camera calibration methods for traffic monitoring applications［J］. IEEE Transactions on Intelligent Transportation Systems， 2010，11（2）:441-452.
［16］宋洪军，陈阳舟，郜园园. 非结构化道路中基于均质雾天的摄像机动态标定算法［J］. 计算机辅助设计与图形学学报， 2013，25（7）:1060-1073.
［17］ BHARDWAJ R， TUMMALA G K， RAMALINGAM G， et al. Autocalib: Automatic traffic camera calibration at scale［J］. ACM Transactions on Sensor Networks （TOSN）， 2018，14（3-4）. DOI: 10.1145/3199667.
［18］ LEPETIT V， MORENO-NOGUER F， FUA P. EPnP: An accurate O（n） solution to the PnP problem［J］. International Journal of Computer Vision， 2009，81（2）:155–166.
［19］ LIU D F， CHEN L F. SECPNet—Secondary encoding network for estimating camera parameters［J］. The Visual Computer， 2022，38（5）:1689–1702.
［20］ ZHENG Y， PENG S L. A practical roadside camera calibration method based on least squares optimization［J］. IEEE Transactions on Intelligent Transportation Systems， 2014，15（2）:831-843.
［21］ SOCHOR J， JURÁNEK R， HEROUT A. Traffic surveillance camera calibration by 3D model bounding box alignment for accurate vehicle speed measurement［J］. Computer Vision and Image Understanding， 2017，161:87-98.
［22］ ZUNAIR H， HAMZA A B. Sharp U-Net: Depthwise convolutional network for biomedical image segmentation［J］. Computers in Biology and Medicine， 2021，136. DOI:10.1016/j.compbiomed.2021.104699.
［23］ DUBSKÁ M， HEROUT A. Real projective plane mapping for detection of orthogonal vanishing points［C］// Proceedings of the 24th British Machine Vision Conference. BMVA， 2013. DOI:10.5244/C.27.90.
［24］ DUBSKÁ M， HEROUT A， HAVEL J. PClines—line detection using parallel coordinates［C］// Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2011:1489-1494.
［25］ LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. IEEE， 2017:2999-3007.
［26］王伟，张朝阳，唐心瑶，等. 道路场景下相机自动标定及优化算法［J］. 计算机辅助设计与图形学学报， 2019，31（11）:1955-1962.
［27］ SOCHOR J， JURÁNEK R， ŠPAŇHEL J， et al. Comprehensive data set for automatic single camera visual speed measurement［J］. IEEE Transactions on Intelligent Transportation Systems， 2019，20（5）:1633-1643.
［28］ TANG X Y， WANG W， SONG H S， et al. Novel optimization approach for camera calibration in traffic scenes［J］. Transportation Research Record， 2023，2677（3）:1048-1066.

[1]	刘重宜, 李华, 任德均, 柳尧凯, 王玉龙. 基于双向多尺度知识蒸馏的异常检测算法[J]. 计算机与现代化, 2025, 0(02): 58-63.
[2]	赵印, 尹四清, 章永来. 改进YOLOv7的交通标志检测算法[J]. 计算机与现代化, 2025, 0(02): 94-99.
[3]	闫晓奇, 彭逸清, 任小玲. 位置自适应卷积PointNet++的点云数据分类方法[J]. 计算机与现代化, 2025, 0(01): 44-49.
[4]	肖军弼, 傅天奇. 基于高维特征降维聚类的实时流量分类方法[J]. 计算机与现代化, 2025, 0(01): 80-85.
[5]	李希, 潘誉. 基于改进YOLOv8的探地雷达管线目标检测方法[J]. 计算机与现代化, 2025, 0(01): 94-99.
[6]	祁贤, 刘大铭, 常佳鑫. 基于改进自注意力机制的多视图三维重建[J]. 计算机与现代化, 2024, 0(11): 106-112.
[7]	陈凯1, 李宜汀1, 2, 全华凤1 . 基于改进YOLOv8的河道废弃瓶检测方法[J]. 计算机与现代化, 2024, 0(11): 113-120.
[8]	杨骏1, 胡为1, 朱文福2. 基于改进MobileNetV3的视觉SLAM回环检测算法[J]. 计算机与现代化, 2024, 0(10): 21-26.
[9]	王莹莹, 郝潇. 基于Res2Net和递归门控卷积的细粒度图像分类[J]. 计算机与现代化, 2024, 0(10): 74-79.
[10]	史星宇1, 李强2, 庄莉3, 梁懿3, 王秋琳3, 陈锴3, 伍臣周3, 常胜1. 一种面向工业部署的目标检测模型蒸馏技术[J]. 计算机与现代化, 2024, 0(10): 93-99.
[11]	张泽1, 张建权2, 3, 周国鹏2, 3. 基于改进YOLOv8s的摄像头模组缺陷检测[J]. 计算机与现代化, 2024, 0(09): 107-113.
[12]	程亚子1, 雷亮1, 2, 陈瀚1, 赵毅然1. 基于转置注意力的多尺度深度融合单目深度估计[J]. 计算机与现代化, 2024, 0(09): 121-126.
[13]	程萌, 李浩. 改进YOLOv5s的落叶树鸟巢检测方法[J]. 计算机与现代化, 2024, 0(08): 24-29.
[14]	王梦溪, 李峻. 老年人跌倒检测技术研究综述[J]. 计算机与现代化, 2024, 0(08): 30-36.
[15]	时现伟1, 范鑫2. 基于轻量化的视频帧场景语义分割方法[J]. 计算机与现代化, 2024, 0(08): 49-53.