基准数据集和深度模型用于从单一高速公路图像中单眼相机校准
Wentao Zhang1, Wei Jia1, Wei Li1
1School of Mathematics and Computer Science, Shaanxi University of Technology, Hanzhong 723001, China.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
本研究介绍了DeepCalib,这是一个新的深度学习网络,用于在交通监控中高效的单图像摄像机自动校准. 它克服了数据稀缺性,提高了多视图适应性,达到89.6%的精度.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 交通监控系统 交通监控系统
背景情况:
- 单图像相机自动校准对于交通感知效率至关重要.
- 现有的方法在有限的现实世界数据和多视图场景适应性方面扎.
研究的目的:
- 为单图像相机自动校准提供系统的解决方案框架.
- 为应对数据稀缺和多视图交通监控适应能力差的挑战.
主要方法:
- 使用CARLA 0.9.15与各种高速公路场景构建了一个大规模的合成数据集 (336,000).
- 开发了DeepCalib,这是一个深度校准网络,利用三重注意力来定位失踪点和估计相机姿势.
- 实施了一种渐进式学习模式:对合成数据进行预训练,然后对现实数据进行微调.
主要成果:
- DeepCalib 实现了 89.6% 的平均校准精度.
- 该方法证明了每秒10的处理速度.
- 在各种监控视图中展示了对动态校准任务的强大适应能力.
结论:
- 拟议的框架有效地提高了交通监控中的摄像头自动校准.
- 在速度和适应性方面,DeepCalib在传统的多阶段算法上提供了显著的改进.
- 合成数据集和渐进式学习方法有助于提高现实世界的表现.
