本发明涉及摄像机标定方法，更具体地说是指鱼眼摄像机自动标定方法、装置、计算机设备及存储介质。
背景技术：
1、随着自动驾驶单车向车辆/车路协同的多智体的智能过渡，多模式、多场景的物联网感知的多源数据融合技术日益重要，在此过程中，一般会采用摄像头进行拍摄，以得到多源数据，但是由于摄像头存在盲区，无法完全覆盖感知区域，因此广泛采用俯视角度安装的大广角鱼眼相机来补充盲区，然而，鱼眼相机的标定精度直接影响着融合数据的质量，成为数据融合的关键问题。
2、在车路协同的实际应用中，大广角鱼眼相机的标定面临诸多挑战，比如必须采用鱼眼摄像头内参标定方法来标定相机内参，然而，相机内参的标定过程繁琐，且标定物的大小、形状不规则都会导致横向位置不准确，进而降低标定精度。而且标定点的选取受到人为因素干扰，需要人为选取多个图像特征点，以实现像素坐标系与世界坐标系的对应，选取位置点的质量也会直接影响标定的精度。
3、因此，有必要设计一种新的方法，实现操作简单，不需要特殊标定物，无人为因素干扰，标定精度高，提高标定效率，能够满足大规模部署，为数据融合的准确性提供了保障。
4、
技术实现思路
1、本发明的目的在于克服现有技术的缺陷，提供鱼眼摄像机自动标定方法、装置、计算机设备及存储介质。
2、为实现上述目的，本发明采用以下技术方案：鱼眼摄像机自动标定方法，包括：
3、利用v2x技术获取目标车辆信息；
4、获取鱼眼摄像机拍摄所得的目标车辆视频，并进行目标检测和目标跟踪，以得到检测信息；
5、将所述检测信息与所述目标车辆信息进行特征匹配，以得到匹配结果；
6、判断所述匹配结果是否是特征匹配成功；
7、若所述匹配结果是特征匹配成功，则根据鱼眼摄像头拍摄的图像坐标系下关联车辆的像素坐标和v2x技术获取的世界坐标下的关联车辆坐标，确定关联标定点集和关联测试点集；
8、根据所述关联标定点集以及所述关联测试点集对鱼眼摄像机进行标定和验证，以确定标定的坐标变换矩阵。
9、其进一步技术方案为：所述目标车辆信息包括世界坐标下的关联车辆坐标、车牌信息、车身颜色信息、车辆类型信息。
10、其进一步技术方案为：所述获取鱼眼摄像机拍摄所得的目标车辆视频，并进行目标检测和目标跟踪，以得到检测信息，包括：
11、获取鱼眼摄像机拍摄所得的目标车辆视频，并采用深度学习方法进行目标车辆的目标检测和目标跟踪，以得到检测信息；
12、其中，检测信息包括目标车辆的车牌信息、颜色、类型中至少一种。
13、其进一步技术方案为：所述将所述检测信息与所述目标车辆信息进行特征匹配，以得到匹配结果，包括：
14、判断所述检测信息中是否有目标车辆的车牌信息；
15、若所述检测信息中有目标车辆的车牌信息，则判断所述检测信息中的车牌信息与所述目标车辆信息中的车牌信息是否一致；
16、若所述检测信息中的车牌信息与所述目标车辆信息中的车牌信息一致，则确定所述匹配结果为匹配成功；
17、若所述检测信息中的车牌信息与所述目标车辆信息中的车牌信息不一致，则确定所述匹配结果为匹配不成功；
18、若所述检测信息中没有目标车辆的车牌信息，则判断所述检测信息中的颜色、类型是否分别与车身颜色信息、车辆类型信息对应一致；
19、若所述检测信息中的颜色、类型分别与车身颜色信息、车辆类型信息对应一致，则确定所述匹配结果为匹配成功；
20、若所述检测信息中的颜色、类型分别与车身颜色信息、车辆类型信息对应不一致，则确定所述匹配结果为匹配不成功。
21、其进一步技术方案为：所述根据所述关联标定点集以及所述关联测试点集对鱼眼摄像机进行标定和验证，以确定标定的坐标变换矩阵，包括：
22、根据所述关联标定点集进行鱼眼摄像机的标定，以得到标定的坐标变换矩阵；
23、根据所述关联测试点集对标定的坐标变换矩阵进行验证。
24、其进一步技术方案为：所述根据关联标定点集进行鱼眼摄像机的标定，以得到标定的坐标变换矩阵，包括：
25、根据所述关联标定点集采用单应性矩阵或线性变换模型进行鱼眼摄像机的标定，以得到标定的坐标变换矩阵。
26、本发明还提供了鱼眼摄像机自动标定装置，包括：
27、信息获取单元，用于利用v2x技术获取目标车辆信息；
28、检测跟踪单元，用于获取鱼眼摄像机拍摄所得的目标车辆视频，并进行目标检测和目标跟踪，以得到检测信息；
29、匹配单元，用于将所述检测信息与所述目标车辆信息进行特征匹配，以得到匹配结果；
30、判断单元，用于判断所述匹配结果是否是特征匹配成功；
31、点集确定单元，用于若所述匹配结果是特征匹配成功，则根据鱼眼摄像头拍摄的图像坐标系下关联车辆的像素坐标和v2x技术获取的世界坐标下的关联车辆坐标，确定关联标定点集和关联测试点集；
32、标定单元，用于根据所述关联标定点集以及所述关联测试点集对鱼眼摄像机进行标定和验证，以确定标定的坐标变换矩阵。
33、其进一步技术方案为：所述检测跟踪单元，用于获取鱼眼摄像机拍摄所得的目标车辆视频，并采用深度学习方法进行目标车辆的目标检测和目标跟踪，以得到检测信息。
34、本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
35、本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
36、本发明与现有技术相比的有益效果是：本发明通过v2x技术获取的目标车辆信息，鱼眼摄像机拍摄所得的目标车辆视频，采用深度学习进行目标检测和跟踪，并与目标车辆信息进行匹配，当匹配成功之后，就根据这两个信息的坐标确定关联标定点集和关联测试点集，利用这些点集进行鱼眼摄像机的标定和验证，实现操作简单，不需要特殊标定物，无人为因素干扰，标定精度高，提高标定效率，能够满足大规模部署，为数据融合的准确性提供了保障。
37、下面结合附图和具体实施例对本发明作进一步描述。
38、
1.鱼眼摄像机自动标定方法，其特征在于，包括：
2.根据权利要求1所述的鱼眼摄像机自动标定方法，其特征在于，所述目标车辆信息包括世界坐标下的关联车辆坐标、车牌信息、车身颜色信息、车辆类型信息。
3.根据权利要求2所述的鱼眼摄像机自动标定方法，其特征在于，所述获取鱼眼摄像机拍摄所得的目标车辆视频，并进行目标检测和目标跟踪，以得到检测信息，包括：
4.根据权利要求3所述的鱼眼摄像机自动标定方法，其特征在于，所述将所述检测信息与所述目标车辆信息进行特征匹配，以得到匹配结果，包括：
5.根据权利要求1所述的鱼眼摄像机自动标定方法，其特征在于，所述根据所述关联标定点集以及所述关联测试点集对鱼眼摄像机进行标定和验证，以确定标定的坐标变换矩阵，包括：
6.根据权利要求5所述的鱼眼摄像机自动标定方法，其特征在于，所述根据关联标定点集进行鱼眼摄像机的标定，以得到标定的坐标变换矩阵，包括：
7.鱼眼摄像机自动标定装置，其特征在于，包括：
8.根据权利要求7所述的鱼眼摄像机自动标定装置，其特征在于，所述检测跟踪单元，用于获取鱼眼摄像机拍摄所得的目标车辆视频，并采用深度学习方法进行目标车辆的目标检测和目标跟踪，以得到检测信息。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
