本发明属于相机标定，具体涉及一种交通场景监控相机的标定方法、系统、装置及介质。
背景技术：
1、在交通场景中，为了准确测量和理解监控场景中车辆的位置和运动，必须将监控相机捕获的图像与世界坐标系相互对应。因此，在交通管理中，迅速而精确地估算相机的参数显得尤为重要。
2、传统的交通场景监控相机的标定方法，主要是一种基于几何学原理的可靠技术，适用于各种监控场景。如：使用标定板标定相机。主要原理是通过检测标定板上的特征点以得到对应的像素坐标，在已知这些特征点世界坐标系的前提下，利用像素坐标和世界坐标的对应关系，运用相机标定算法来估算相机焦距。
3、另外一种交通场景下相机标定方法是基于深度学习的方法，该方法通常结合深度神经网络和计算机视觉技术估计出相机的参数。如端到端的相机标定，通过训练端到端的深度神经网络，直接从原始图像中预测相机的机焦距。
4、然而利用深度学习的方法计算相机焦距需要大量的训练数据和繁杂的标定，方法执行复杂。
技术实现思路
1、为了克服上述现有技术存在的不足，本发明提供了一种交通场景监控相机的标定方法。
2、为了实现上述目的，本发明提供如下技术方案：
3、一种交通场景监控相机的标定方法，包括：
4、利用监控相机获取车辆的监控图像；其中，所述监控相机的视线与车辆行进方向存在角度；
5、使用持久独立粒子模型对监控图像中的车辆进行粒子追踪，得到车辆的粒子轨迹，所述粒子轨迹形成多条具有同一交点的轨迹直线；将多条轨迹直线的交点作为沿车辆行驶方向上的第一消失点；
6、连续检测车辆的两个前大灯，并不断在两个前大灯之间构建连接线；将多条连接线的交点作为车辆前进方向上的第二消失点；
7、根据第一消失点和监控相机的光心连线，及第二消失点和监控相机的光心连线的垂直关系，确定交通场景监控相机的焦距；并根据交通场景监控相机的焦距对交通场景监控相机进行标定。
8、进一步，还包括：所述得到车辆的粒子轨迹后，使用ransac算法过滤去除异常值和不稳定的轨迹，得到稳定的粒子轨迹。
9、进一步，连续检测车辆的两个前大灯，包括：
10、使用用于图像中目标检测的训练好的yolov5s模型对车辆的前大灯进行检测。
11、进一步，所述yolov5s模型的训练包括：
12、获取车大灯图像，将车大灯图像进行标注后作为训练集；
13、利用训练集对yolov5s模型进行训练，当yolov5s模型能够正确识别车辆大灯时，保存模型权重得到训练好的yolov5s模型。
14、进一步，还包括：利用多个车灯的坐标构建垂直于车道方向的线段后，对于检测到的线段，使用ransac算法过滤去除异常线段。
15、进一步，所述确定交通场景监控相机的焦距，包括：
16、
17、其中，（ x1， y1）为第一消失点，（ x2， y2）为第二消失点；（ ux， uy）为光心， focal为焦距。
18、一种交通场景监控相机的标定系统，包括：
19、图像采集模块，用于利用监控相机获取车辆的监控图像；其中，所述监控相机的视线与车辆行进方向存在角度；
20、轨迹追踪模块，用于使用持久独立粒子模型对监控图像中的车辆进行粒子追踪，得到车辆的粒子轨迹，所述粒子轨迹形成多条具有同一交点的轨迹直线；将多条轨迹直线的交点作为沿车辆行驶方向上的第一消失点；
21、消失点构建模块，用于连续检测车辆的两个前大灯，并不断在两个前大灯之间构建连接线；将多条连接线的交点作为车辆前进方向上的第二消失点；
22、计算模块，用于根据第一消失点和监控相机的光心连线，及第二消失点和监控相机的光心连线的垂直关系，确定交通场景监控相机的焦距；并根据交通场景监控相机的焦距对交通场景监控相机进行标定。
23、一种交通场景监控相机的标定装置，包括：
24、至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，
25、所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述交通场景监控相机的标定方法。
26、一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述交通场景监控相机的标定方法。
27、本发明提供的一种交通场景监控相机的标定方法具有以下有益效果：
28、本发明不同于现有的利用特征点的像素坐标和世界坐标之间的对应关系进行相机标定和基于深度学习进行相机标定的方法；既不需要进行人工标定，也不需要大量的训练数据；而是将监控相机的视线方向与车辆行进方向形成一定角度，使得车辆本身能够形成两点透视效果；由于消失点到光心的连线，与形成该消失点的平行线平行，而车辆的行进方向又与其大灯连线的方向垂直，因此可以利用两个消失点与光心连线的垂直关系构建数学表达式，通过求解数学表达式即可得到相机的焦距，方法简便且精度高。
1.一种交通场景监控相机的标定方法，其特征在于，包括：
2.根据权利要求1所述的一种交通场景监控相机的标定方法，其特征在于，还包括：所述得到车辆的粒子轨迹后，使用ransac算法过滤去除异常值和不稳定的轨迹，得到稳定的粒子轨迹。
3.根据权利要求1所述的一种交通场景监控相机的标定方法，其特征在于，所述连续检测车辆的两个前大灯，包括：
4.根据权利要求3所述的一种交通场景监控相机的标定方法，其特征在于，所述yolov5s模型的训练包括：
5.根据权利要求1所述的一种交通场景监控相机的标定方法，其特征在于，还包括：利用多个车灯的坐标构建垂直于车道方向的线段后，对于检测到的线段，使用ransac算法过滤去除异常线段。
6.根据权利要求1所述的一种交通场景监控相机的标定方法，其特征在于，所述确定交通场景监控相机的焦距，包括：
7.一种交通场景监控相机的标定系统，其特征在于，包括：
8.一种交通场景监控相机的标定装置，其特征在于，包括：
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1至6中任一所述的交通场景监控相机的标定方法。
