(12)發(fā)明專利63/014,8842020.04.24US(85)PCT國際申請進入國家階段日PCT/KR2021/0034042021WO2021/215672EN2021.10.28(72)發(fā)明人金镕重柳宇宙康鳳男權成顏有限公司11205專利代理師延美花黃健GO6VGO6VWO2019035458A1,審查員宋銀芳權利要求書4頁說明書13頁附圖10頁一種校準車輛的攝像頭間距的方法和裝置(57)摘要準裝置(a)將從攝像頭的多個行駛圖像輸入到對象檢測網(wǎng)絡以檢測多個對象并生成多個對象檢個車道并生成車道檢測信息，(b)通過對多個對象檢測信息進行剖析來生成多個對象剖析信息，并通過對多個車道檢測信息進行剖析來生成多于對象的間距估計模塊以選擇第1目標對象和第2目標對象并生成第1間距和第2間距，通過將消失點檢測信息和多個車道剖析信息輸入到基于車道的間距估計模塊來生成第3間距和第4間距，(c)**e2(a)車輛行駛過程中從攝像頭獲取行駛圖像時，校準裝置將所述行駛圖像分別輸入到對象檢測網(wǎng)絡和車道檢測網(wǎng)絡，使所述對象檢測網(wǎng)絡檢測所述行駛圖像上的多個對象以輸出多個對象檢測信息，使所述車道檢測網(wǎng)絡檢測所述行駛圖像上的多個車道以輸出多個車道檢測信息；(b)所述校準裝置進行如下處理：通過對多個所述對象檢測信息進行剖析來生成與每個對象對應的多個對象剖析信息，并通過對多個所述車道檢測信息進行剖析來生成與每個車道對應的多個車道剖析信息，將多個所述對象剖析信息輸入到基于對象的間距估計模塊以使所述基于對象的間距估計模塊(i)參考多個所述對象剖析信息從多個所述對象中選擇第1目標對象，通過使用所述第1目標對象的第1高度的第1間距估計來生成第1間距，(ii)參考多個所述對象剖析信息從多個所述對象中選擇第2目標對象，通過使用所述第2目標對象的寬度的第2間距估計來生成第2間距；將通過分析所述行駛圖像來檢測消失點的消失點估計網(wǎng)絡的消失點檢測信息和多個所述車道剖析信息輸入到基于車道的間距估計模塊以使所述基于車道的間距估計模塊(i)通過使用多個所述車道剖析信息的第3間距估計來生成第3間距，(ii)通過使用所述消失點檢測信息的第4間距估計來生成第4間距；以及(c)所述校準裝置通過將所述第1間距至所述第4間距輸入到間距確定模塊來使所述間距確定模塊綜合所述第1間距至所述第4間距以輸出對應于所述行駛圖像的確定間距；所述校準裝置使所述間距確定模塊參考多個所述對象剖析信息從多個所述對象中選擇第3目標對象，并使用所述第3間距計算所述第3目標對象的第2高度，然后通過確認所述第2高度是否在高度閾值以內(nèi)來驗證所述第3間距，(i)所述第3間距有效時，輸出所述第3間距作為所述確定間距，(ii)所述第3間距無效時，比較對應于所述第1間距的第1目標對象與對應于所述第2間距的第2目標對象，所述第1目標對象與所述第2目標對象相同的情況下，輸出所述第1間距和所述第2間距中任一個作為所述確定間距，所述第1目標對象與所述第2目標對象不同的情況下，輸出所述第1目標對象和所述第2目標對象中與所述車輛的橫向距離小的特定目標對象所對應的特定間距作為所述確定間距，(iii)沒有從所述行駛圖像中檢測到的對象和車道時，輸出所述第4間距作為所述確定間距。2.根據(jù)權利要求1所述的方法，其中：所述校準裝置使所述間距確定模塊選擇多個第1候選對象中與所述車輛的橫向距離最小的第1特定對象作為所述第3目標對象，多個所述第1候選對象的所述橫向距離小于等于3.根據(jù)權利要求1所述的方法，其中，在所述(c)步驟中：所述校準裝置使所述間距確定模塊對所述確定間距應用前一幀中的前一間距值和平滑以對所述確定間距進行間距平滑，并且進行容差處理，所述容差處理使用間距變化閾值限制幀之間的最大間距變化。(d)所述校準裝置參考所述確定間距和所述第4間距獲得間距損失，并使用所述間距損失對所述消失點估計網(wǎng)絡進行車載持續(xù)學習。5.根據(jù)權利要求4所述的方法，其中：3所述校準裝置(i)在所述車輛運行期間，使用所述間距損失對所述消失點估計網(wǎng)絡進行實例級增量學習以實現(xiàn)快速適應，(ii)在所述車輛行駛完后，利用行駛過程中采樣的數(shù)據(jù)對所述消失點估計網(wǎng)絡進行平衡持續(xù)學習以恢復由于所述快速適應而可能發(fā)生的災難性遺忘現(xiàn)象。6.根據(jù)權利要求4所述的方法，其中：所述校準裝置(i)在所述車輛運行期間，使用所述間距損失對所述消失點估計網(wǎng)絡進行實例級增量學習以實現(xiàn)快速適應，(ii)將用于所述實例級增量學習的采樣數(shù)據(jù)傳輸?shù)綄W習服務器以使所述學習服務器使用所述采樣數(shù)據(jù)對所述消失點估計網(wǎng)絡所對應的參考消失點估計網(wǎng)絡進行服務器端持續(xù)學習，將通過所述服務器端持續(xù)學習更新的多個參數(shù)傳輸?shù)剿鲂恃b置，(iii)在所述車輛行駛完后，使用從所述學習服務器接收的多個所述參數(shù)更新所述消失點估計網(wǎng)絡。(e)所述校準裝置(i)將所述車載持續(xù)學習的訓練的消失點估計網(wǎng)絡模型傳輸?shù)綄W習服務器以使所述學習服務器評估從至少一個其他車輛傳輸過來的至少一個其他訓練的消失點估計網(wǎng)絡模型與所述訓練的消失點估計網(wǎng)絡模型以選擇最佳消失點估計網(wǎng)絡模型，將所述最佳消失點估計網(wǎng)絡模型傳輸?shù)剿鲂恃b置，(ii)使用從所述學習服務器傳輸過來的所述最佳消失點估計網(wǎng)絡模型更新所述消失點估計網(wǎng)絡。8.根據(jù)權利要求1所述的方法，其中，在所述(所述校準裝置使所述基于對象的間距估計模塊參考多個所述對象剖析信息選擇多個第2候選對象中與所述車輛的橫向距離最小的第2特定對象作為所述第1目標對象，多個所述第2候選對象的所述橫向距離小于等于第2距離閾值，沒有邊界框的切割，對象類別為車輛類別，并且不重疊，參考所述第1目標對象的檢測歷史獲得所述第1目標對象的平均高度，所述平均高度大于等于最小高度閾值且小于等于最大高度閾值時，將所述平均高度確定為所述第1高度，所述平均高度小于所述最小高度閾值或大于所述最大高度閾值時，將所述最小高度閾值與所述最大高度閾值的平均值確定為所述第1高度。9.根據(jù)權利要求1所述的方法，其中，在所述(所述校準裝置使所述基于對象的間距估計模塊參考多個所述對象剖析信息選擇多個第3候選對象中與所述車輛的橫向距離最小的第3特定對象作為所述第2目標對象，多個所述第3候選對象的所述橫向距離小于等于第3距離閾值，沒有邊界框的切割，對象類別為車輛類別，不重疊，2D邊界框與3D邊界框的差值小于等于框差閾值，并且邊界框的縱橫比大于等于縱橫比閾值。所述校準裝置使所述基于車道的間距估計模塊參考多個所述車道剖析信息選擇第1車道和第2車道，使用所述第1車道和第2車道檢測目標消失點，使用所述目標消失點估計所述第3間距，其中，所述第1車道和第2車道為直線，大于等于長度閾值，上彼此平行。處理器，其根據(jù)存儲在所述存儲器中的所述指令執(zhí)行用于校準車輛的攝像頭間距的操4所述基于對象的間距估計模塊(i)參考多個所述對象剖析信息從多個所述對象中選擇第1網(wǎng)絡的消失點檢測信息和多個所述車道剖析信息輸入到基于車道的間距估計模塊以使所述基于車道的間距估計模塊(i)通過使用多個所述車道剖析信息的第3間距估計來生成第3所述第1間距至所述第4間距輸入到間距確定模塊來使所述間距確定模塊綜合所述第1間距象中與所述車輛的橫向距離小的特定目標對象所對應的特定間距作為所述確定間距，(iii)沒有從所述行駛圖像中檢測到的對象和車道時，輸出所述第4間距作為所述確定間所述處理器使所述間距確定模塊選擇多個第1候選對象中與所述車輛的橫向距離最小所述處理器在所述(III)的處理中，使所述間距確定模塊對所述確定間距應用前一幀所述處理器(i)在所述車輛運行期間，使用所述間距損失對所述消失點估計網(wǎng)絡進行5實例級增量學習以實現(xiàn)快速適應，(ii)在所述車輛行駛完后，利用行駛過程中采樣的數(shù)據(jù)對所述消失點估計網(wǎng)絡進行平衡持續(xù)學習以恢復由于所述快速適應而可能發(fā)生的災難性遺忘現(xiàn)象。16.根據(jù)權利要求14所述的校準裝置，其中，所述處理器(i)在所述車輛運行期間，使用所述間距損失對所述消失點估計網(wǎng)絡進行實例級增量學習以實現(xiàn)快速適應，(ii)將用于所述實例級增量學習的采樣數(shù)據(jù)傳輸?shù)綄W習服務器以使所述學習服務器使用所述采樣數(shù)據(jù)對所述消失點估計網(wǎng)絡所對應的參考消失點估計網(wǎng)絡進行服務器端持續(xù)學習，將通過所述服務器端持續(xù)學習更新的多個參數(shù)傳輸?shù)剿鲂恃b置，(iii)在所述車輛行駛完后，使用從所述學習服務器接收的多個所述參數(shù)更新所述消失點估計網(wǎng)絡。17.根據(jù)權利要求14所述的校準裝置，其中，所述處理器還進行如下處理：(V)(i)將所述車載持續(xù)學習的訓練的消失點估計網(wǎng)絡模型傳輸?shù)綄W習服務器以使所述學習服務器評估從至少一個其他車輛傳輸過來的至少一個其他訓練的消失點估計網(wǎng)絡模型與所述訓練的消失點估計網(wǎng)絡模型以選擇最佳消失點估計網(wǎng)絡模型，將所述最佳消失點估計網(wǎng)絡模型傳輸?shù)剿鲂恃b置，(ii)使用從所述學習服務器傳輸過來的所述最佳消失點估計網(wǎng)絡模型更新所述消失點估計網(wǎng)絡。18.根據(jù)權利要求11所述的校準裝置，其所述處理器在所述(II)的處理中，使所述基于對象的間距估計模塊參考多個所述對象剖析信息選擇多個第2候選對象中與所述車輛的橫向距離最小的第2特定對象作為所述第1目標對象，多個所述第2候選對象的所述橫向距離小于等于第2距離閾值，沒有邊界框的切割，對象類別為車輛類別，并且不重疊，參考所述第1目標對象的檢測歷史獲得所述第1目標對象的平均高度，所述平均高度大于等于最小高度閾值且小于等于最大高度閾值時，將所述平均高度確定為所述第1高度，所述平均高度小于所述最小高度閾值或大于所述最大高度閾值時，將所述最小高度閾值與所述最大高度閾值的平均值確定為所述第1高度。19.根據(jù)權利要求11所述的校準裝置，其中，所述處理器在所述(II)的處理中，使所述基于對象的間距估計模塊參考多個所述對象剖析信息選擇多個第3候選對象中與所述車輛的橫向距離最小的第3特定對象作為所述第2目標對象，多個所述第3候選對象的所述橫向距離小于等于第3距離閾值，沒有邊界框的切割，對象類別為車輛類別，不重疊，2D邊界框與3D邊界框的差值小于等于框差閾值，并且邊界框的縱橫比大于等于縱橫比閾值。20.根據(jù)權利要求11所述的校準裝置，其中，所述處理器在所述(II)的處理中，使所述基于車道的間距估計模塊參考多個所述車道剖析信息選擇第1車道和第2車道，使用所述第1車道和第2車道檢測目標消失點，使用所述在所述車輛的坐標系上彼此平行。6[0001]本發(fā)明要求于2020年4月24日向美國專利局提交的美國專利申請第63/014,884號和2020年12月17日向美國專利局提交的美國專利申請第17/125,087號的優(yōu)先權和權益，其全部內(nèi)容通過引用合并于此。技術領域[0002]本發(fā)明涉及一種使用消失點(vanishingpoint)、對象和車道信息來校準車輛的攝像頭間距(pitch)的方法和裝置以及其持續(xù)學習(continuallearning)消失點估計(estimation)模型的方法。背景技術[0003]當今的車輛結合IT技術提供各種功能，并以安裝各種駕駛員輔助系統(tǒng)(AdvancedDriverAssistSystem,ADAS)的形式發(fā)展，以提高車輛的行駛穩(wěn)定性并確保用戶的使用便利性。[0004]此時，駕駛員輔助系統(tǒng)(ADAS)使用先進的傳感裝置和智能成像裝置執(zhí)行自適應前[0005]所述駕駛員輔助系統(tǒng)基于感知(perception)模型分析從諸如攝像頭、激光雷達傳感器和雷達傳感器之類的視頻圖像檢測裝置傳輸?shù)男旭倛D像以檢測車輛的周圍環(huán)境信息。[0006]并且，在分析所述行駛圖像時，需要測量行駛圖像中的對象與車輛之間的距離，為此，在計算出攝像頭的間距后，利用已計算的間距計算出對象在實際駕駛環(huán)境中與車輛的距離。[0007]在另一方面，在車輛行駛過程中，車輛在車道路面的凹槽等中發(fā)生滾動，相應地，固定安裝在車輛中的攝像頭的間距也會發(fā)生變化，從而應對其進行準確的估計。[0008]另外，為了估計攝像頭的間距，通常使用行駛圖像中的消失點來估計間距，或者使用自我運動(ego-motion),即攝像頭的運動來估計間距。[0009]對使用行駛圖像的消失點的方法而言，檢測行駛圖像中的消失點，并通過計算從攝像頭原點到消失點和行駛圖像的中心點之間的角度來估計，其優(yōu)點在于，不需要用于間距估計的單獨點，并且可以完全自動完成，但其缺點在于，根據(jù)駕駛環(huán)境的不同，可能難以檢測到行駛圖像中的消失點，從而間距估計的準確性降低。[0010]此外，對使用自我運動的方法而言，通過使用行駛圖像的前后幀來計算每個幀中對象的移動狀態(tài)以估計間距，其優(yōu)點在于，與使用消失點的方法相比，具有更高的準確性，但其缺點在于，由于需要分析行駛圖像的前后幀，因此與使用消失點的方法相比，需要更多的計算量，從而需要更多的計算資源，不僅如此，由于根據(jù)駕駛環(huán)境而發(fā)生的不穩(wěn)定特征或不規(guī)則照明度變化，無法準確檢測運動。7發(fā)明內(nèi)容[0011]技術問題[0012]本發(fā)明的目的在于解決所有上述問題。[0013]本發(fā)明的另一目的在于與現(xiàn)有技術相比能夠準確地估計車輛的攝像頭間距。[0015]本發(fā)明的再一目的在于能夠持續(xù)學習用于檢測消失點的消失點估計模型。[0016]技術方案行駛過程中從攝像頭獲取行駛圖像時，校準裝置將所述行駛圖像分別輸入到對象檢測網(wǎng)絡和車道檢測網(wǎng)絡，使所述對象檢測網(wǎng)絡檢測所述行駛圖像上的多個對象以輸出多個對象檢測信息，使所述車道檢測網(wǎng)絡檢測所述行駛圖像上的多個車道以輸出多個車道檢測信息；(b)所述校準裝置進行如下處理：通過對多個所述對象檢測信息進行剖析來生成與每個對象對應的多個對象剖析信息，并通過對多個所述車道檢測信息進行剖析來生成與每個車道對應的多個車道剖析信息，將多個所述對象剖析信息輸入到基于對象的間距估計模塊以使所述基于對象的間距估計模塊(i)參考多個所述對象剖析信息從多個所述對象中選擇第1目標對象，通過使用所述第1目標對象的第1高度的第1間距估計來生成第1間距，(ii)參考多個所述對象剖析信息從多個所述對象中選擇第2目標對象，通過使用所述第2目標對象的寬度(width)的第2間距估計來生成第2間距；將通過分析所述行駛圖像來檢測消失點的消失點估計網(wǎng)絡的消失點檢測信息和多個所述車道剖析信息輸入到基于車道的間距估計模塊以使所述基于車道的間距估計模塊(i)通過使用多個所述車道剖析信息的第3間距估計來生成第3間距，(ii)通過使用所述消失點檢測信息的第4間距估計來生成第4間距；以及(c)所述校準裝置通過將所述第1間距至所述第4間距輸入到間距確定模塊來使所述間距確定模塊綜合所述第1間距至所述第4間距以輸出對應于所述行駛圖像的確定間距。[0018]根據(jù)一實施例，在所述(c)的處理中，所述校準裝置使所述間距確定模塊參考多個所述對象剖析信息從多個所述對象中選擇第3目標對象，并使用所述第3間距計算所述第3目標對象的第2高度，然后通過確認所述第2高度是否在高度閾值內(nèi)來驗證所述第3間距，(i)所述第3間距有效時，輸出所述第3間距作為所述確定間距，(ii)所述第3間距無效時，比較對應于所述第1間距的第1目標對象與對應于所述第2間距的第2目標對象，所述第1目標對象與所述第2目標對象相同的情況下，輸出所述第1間距和所述第2間距中任一個作為所述確定間距，所述第1目標對象與所述第2目標對象不同的情況下，輸出所述第1目標對象和所述第2目標對象中與所述車輛的橫向距離小的特定目標對象所對應的特定間距作為所述確定間距，(iii)沒有從所述行駛圖像中檢測到的對象和車道時，輸出所述第4間距作為所述確定間距。[0019]根據(jù)一實施例，所述校準裝置使所述間距確定模塊選擇多個第1候選對象中與所述車輛的橫向距離最小的第1特定對象作為所述第3目標對象，多個所述第1候選對象的所述橫向距離小于等于第1距離閾值，沒有邊界框的切割，對象類別為車輛類別，并且不重疊。[0020]根據(jù)一實施例，在所述(c)的處理中，所述校準裝置使所述間距確定模塊對所述確定間距應用前一幀中的前一間距值和平滑(smoothing)以對所述確定間距進行間距平滑，8并且進行容差(tolerance)處理，所述容差處理使用間距變化閾值限制幀之間的最大間距變化。[0021]根據(jù)一實施例，(d)所述校準裝置參考所述確定間距和所述第4間距獲得間距損失，并使用所述間距損失對所述消失點估計網(wǎng)絡進行車載持續(xù)學習。[0022]根據(jù)一實施例，所述校準裝置(i)在所述車輛運行期間，使用所述間距損失對所述消失點估計網(wǎng)絡進行實例級增量學習(instance-wiseincrementallearning)以實現(xiàn)快速適應，(ii)在所述車輛行駛完后，利用行駛過程中采樣的數(shù)據(jù)對所述消失點估計網(wǎng)絡進行平衡(balanced)持續(xù)學習以恢復由于所述快速適應而可能發(fā)生的災難性遺忘(catastrophicforgetting)現(xiàn)象。[0023]根據(jù)一實施例，所述校準裝置(i)在所述車輛運行期間，使用所述間距損失對所述消失點估計網(wǎng)絡進行實例級增量學習以實現(xiàn)快速適應，(ii)將用于所述實例級增量學習的采樣數(shù)據(jù)傳輸?shù)綄W習服務器以使所述學習服務器使用所述采樣數(shù)據(jù)對所述消失點估計網(wǎng)絡所對應的參考(reference)消失點估計網(wǎng)絡進行服務器端持續(xù)學習，將通過所述服務器端持續(xù)學習更新的多個參數(shù)傳輸?shù)剿鲂恃b置，(iii)在所述車輛行駛完后，使用從所述學習服務器接收的多個所述參數(shù)更新所述消失點估計網(wǎng)絡。[0024]根據(jù)一實施例，(e)所述校準裝置(i)將所述設備上學習的訓練的消失點估計網(wǎng)絡模型傳輸?shù)綄W習服務器以使所述學習服務器評估從至少一個其他車輛傳輸過來的至少一個其他訓練的消失點估計網(wǎng)絡模型與所述訓練的消失點估計網(wǎng)絡模型以選擇最佳消失點估計網(wǎng)絡模型，將所述最佳消失點估計網(wǎng)絡模型傳輸?shù)剿鲂恃b置，(ii)使用從所述學習服務器傳輸過來的所述最佳消失點估計網(wǎng)絡模型更新所述消失點估計網(wǎng)絡。[0025]根據(jù)一實施例，在所述(b)步驟中，所述校準裝置使所述基于對象的間距估計模塊參考多個所述對象剖析信息選擇多個第2候選對象中與所述車輛的橫向距離最小的第2特定對象作為所述第1目標對象，多個所述第2候選對象的所述橫向距離小于等于第2距離閾值，沒有邊界框的切割，對象類別為車輛類別，并且不重疊，參考所述史獲得所述第1目標對象的平均高度，所述平均高度大于等于最小高度閾值且小于等于最大高度閾值時，將所述平均高度確定為所述第1高度，所述平均高度小于所述最小高度閾值或大于所述最大高度閾值時，將所述最小高度閾值與所述最大高度閾值的平均值確定為所述第1高度。[0026]根據(jù)一實施例，在所述(b)步驟中，所述校準裝置使所述基于對象的間距估計模塊參考多個所述對象剖析信息選擇多個第3候選對象中與所述車輛的橫向距離最小的第3特定對象作為所述第2目標對象，多個所述第3候選對象的所述橫向距離小于等于第3距離閾值，沒有邊界框的切割，對象類別為車輛類別，不重疊，2D邊界框與3D邊界框的差值于框差閾值，并且邊界框的縱橫比大于等于縱橫比閾值。[0027]根據(jù)一實施例，在所述(b)步驟中，所述校準裝置使所述基于車道的間距估計模塊參考多個所述車道剖析信息選擇第1車道和第2車道，使用所述第1車道和第2車道檢測目標消失點，使用所述目標消失點進行所述第3間距估計，其中，所述第1車道和第2車道為直線，大于等于長度閾值，并在所述車輛的坐標系上彼此平行。[0028]根據(jù)本發(fā)明的另一實施例，一種用于校準車輛的攝像頭間距的校準裝置，其中，包括：存儲器，其存儲用于校準車輛的攝像頭間距的指令；和處理器，其根據(jù)存儲在所述存儲9器中的所述指令執(zhí)行用于校準車輛的攝像頭間距的操作，所述處理器進行如下處理：(I)車輛行駛過程中從攝像頭獲取行駛圖像時，將所述行駛圖像分別輸入到對象檢測網(wǎng)絡和車道檢測網(wǎng)絡，使所述對象檢測網(wǎng)絡檢測所述行駛圖像上的多個對象以輸出多個對象檢測信息，使所述車道檢測網(wǎng)絡檢測所述行駛圖像上的多個車道以輸出多個車道檢測信息；(II)通過對多個所述對象檢測信息進行剖析來生成與每個對象對應的多個對象剖析信息，并通過對多個所述車道檢測信息進行剖析來生成與每個車道對應的多個車道剖析信息，將多個所述對象剖析信息輸入到基于對象的間距估計模塊以使所述基于對象的間距估計模塊(i)參考多個所述對象剖析信息從多個所述對象中選擇第1目標對象，通過使用所述第1目標對象的第1高度的第1間距估計來生成第1間距，(ii)參考多個所述對象剖析信息從多個所述對象中選擇第2目標對象，通過使用所述第2目標對象的寬度(width)的第2間距估計來生成第2間距；將通過分析所述行駛圖像來檢測消失點的消失點估計網(wǎng)絡的消失點檢測信息和多個所述車道剖析信息輸入到基于車道的間距估計模塊以使所述基于車道的間距估計模塊(i)通過使用多個所述車道剖析信息的第3間距估計來生成第3間距，(ii)通過使用所述消失點檢測信息的第4間距估計來生成第4間距；以及(III)通過將所述第1間距至所述第4間距輸入到間距確定模塊來使所述間距確定模塊綜合所述第1間距至所述第4間距以輸出對應于所述行駛圖像的確定間距。[0029]根據(jù)一實施例，所述處理器在所述(III)的處理中，使所述間距確定模塊參考多個所述對象剖析信息從多個所述對象中選擇第3目標對象，并使用所述第3間距計算所述第3目標對象的第2高度，然后通過確認所述第2高度是否在高度閾值內(nèi)來驗證所述第3間距，(i)所述第3間距有效時，輸出所述第3間距作為所述確定間距，(ii)所述第3間距無效時，比較對應于所述第1間距的第1目標對象與對應于所述第2間距的第2目標對象，所述第1目標對象與所述第2目標對象相同的情況下，輸出所述第1間距和所述第2間距中任一個作為所述確定間距，所述第1目標對象與所述第2目標對象不同的情況下，輸出所述第1目標對象和所述第2目標對象中與所述車輛的橫向距離小的特定目標對象所對應的特定間距作為所述確定間距，(iii)沒有從所述行駛圖像中檢測到的對象和車道時，輸出所述第4間距作為所述確定間距。[0030]根據(jù)一實施例，所述處理器使所述間距確定模塊選擇多個第1候選對象中與所述車輛的橫向距離最小的第1特定對象作為所述第3目標對象，多個所述第1候選對象的所述橫向距離小于等于第1距離閾值，沒有邊界框的切割，對象類別為[0031]根據(jù)一實施例，所述處理器在所述(III)的處理中，使所述間距確定模塊對所述確定間距應用前一幀中的前一間距值和平滑(smoothing)以對所述確定間距進行間距平滑，并且進行容差(tolerance)處理，所述容差處理使用間距變化閾值限制幀之間的最大間距變化。[0032]根據(jù)一實施例，所述處理器還進行如下處理：(IV)參考所述確定間距和所述第4間距獲得間距損失，并使用所述間距損失對所述消失點估計網(wǎng)絡進行車載持續(xù)學習。[0033]根據(jù)一實施例，所述處理器(i)在所述車輛運行期間，使用所述間距損失對所述消失點估計網(wǎng)絡進行實例級增量學習(instance-wiseincrementallearning)以實現(xiàn)快速適應，(ii)在所述車輛行駛完后，利用行駛過程中采樣的數(shù)據(jù)對所述消失點估計網(wǎng)絡進行平衡(balanced)持續(xù)學習以恢復由于所述快速適應而可能發(fā)生的災難性遺忘(catastrophicforgetting)現(xiàn)象。[0034]根據(jù)一實施例，所述處理器(i)在所述車輛運行期間，使用所述間距損失對所述消失點估計網(wǎng)絡進行實例級增量學習以實現(xiàn)快速適應，(ii)將用于所述實例級增量學習的采樣數(shù)據(jù)傳輸?shù)綄W習服務器以使所述學習服務器使用所述采樣數(shù)據(jù)對所述消失點估計網(wǎng)絡所對應的參考(reference)消失點估計網(wǎng)絡進行服務器端持續(xù)學習，將通過所述服務器端持續(xù)學習更新的多個參數(shù)傳輸?shù)剿鲂恃b置，(iii)在所述車輛行駛完后，使用從所述學習服務器接收的多個所述參數(shù)更新所述消失點估計網(wǎng)絡。[0035]根據(jù)一實施例，所述處理器還進行如下處理：(V)(i)將所述設備上學習的訓練的消失點估計網(wǎng)絡模型傳輸?shù)綄W習服務器以使所述學習服務器評估從至少一個其他車輛傳輸過來的至少一個其他訓練的消失點估計網(wǎng)絡模型與所述訓練的消失點估計網(wǎng)絡模型以選擇最佳消失點估計網(wǎng)絡模型，將所述最佳消失點估計網(wǎng)絡模型傳輸?shù)剿鲂恃b置，(ii)使用從所述學習服務器傳輸過來的所述最佳消失點估計網(wǎng)絡模型更新所述消失點估[0036]根據(jù)一實施例，所述處理器在所述(II)的處理中，使所述基于對象的間距估計模塊參考多個所述對象剖析信息選擇多個第2候選對象中與所述車輛的橫向距離最小的第2特定對象作為所述第1目標對象，多個所述第2候選對象的所述橫向距離小于等于第2距離閾值，沒有邊界框的切割，對象類別為車輛類別，并且不重疊，參考所述第歷史獲得所述第1目標對象的平均高度，所述平均高度大于等于最小高度閾值且小于等于最大高度閾值時，將所述平均高度確定為所述第1高度，所述平均高度小于所述最小高度閾值或大于所述最大高度閾值時，將所述最小高度閾值與所述最大高度閾值的平均值確定為所述第1高度。[0037]根據(jù)一實施例，所述處理器在所述(II)的處理中，使所述基于對象的間距估計模塊參考多個所述對象剖析信息選擇多個第3候選對象中與所述車輛的橫向距離最小的第3特定對象作為所述第2目標對象，多個所述第3候選對象的所述橫向距離小于等于第3距離閾值，沒有邊界框的切割，對象類別為車輛類別，不重疊，2D邊界框與3D邊界框的差值小于等于框差閾值，并且邊界框的縱橫比大于等于縱橫比閾值。[0038]根據(jù)一實施例，所述處理器在所述(II)的處理中，使所述基于車道的間距估計模塊參考多個所述車道剖析信息選擇第1車道和第2車道，使用所述第1車道和第2車道檢測目標消失點，使用所述目標消失點進行所述第3間距估計，其中，所述第1車道和第2車道為直線，大于等于長度閾值，并在所述車輛的坐標系上彼此平行。[0039]除此之外，本發(fā)明還提供一種計算機可讀記錄介質，其用于記錄用于執(zhí)行本發(fā)明方法的計算機程序。[0040]有益效果[0041]本發(fā)明通過使用構成車輛的駕駛輔助裝置的感知模塊的輸出，與現(xiàn)有技術相比，可以更準確地估計車輛的攝像頭間距。[0042]本發(fā)明通過使用構成車輛的駕駛輔助裝置的感知模塊的輸出，與現(xiàn)有技術相比，可以以更少的計算量估計車輛的攝像頭間距。[0043]本發(fā)明通過持續(xù)學習用于檢測消失點的消失點估計模型，可以準確地檢測消失點，從而可以更準確地估計車輛的攝像頭間距。11附圖說明[0044]用于描述本發(fā)明實施例的以下附圖僅為本發(fā)明實施例的一部分，并且本發(fā)明所屬領域的普通技術人員(以下稱為“普通技術人員”)可以基于這些附圖獲得其他附圖，而無需進行任何創(chuàng)造性工作。[0045]圖1為根據(jù)本發(fā)明的一實施例的用于校準車輛的攝像頭間距的校準裝置的示意[0046]圖2為根據(jù)本發(fā)明的一實施例的校準車輛的攝像頭間距的方法的示意圖。[0047]圖3a和圖3b為在根據(jù)本發(fā)明一實施例的校準車輛的攝像頭間距的方法中使用物體對象高度來估計間距的狀態(tài)的示意圖。[0048]圖4a和圖4b為在根據(jù)本發(fā)明一實施例的校準車輛的攝像頭間距的方法中使用物體對象寬度來估計間距的狀態(tài)的示意圖。[0049]圖5為根據(jù)本發(fā)明一實施例的校準車輛的攝像頭間距的方法中在行駛圖像上選擇自我車道的過程圖。[0050]圖6為根據(jù)本發(fā)明的一實施例的校準車輛的攝像頭間距的方法中的消失點估計網(wǎng)絡的示意圖。[0051]圖7為根據(jù)本發(fā)明一實施例的校準車輛的攝像頭間距的方法中計算的間距中確定行駛圖像的間距的過程圖。[0052]圖8至圖10分別為根據(jù)本發(fā)明的一實施例的校準車輛的攝像頭間距的方法中的持續(xù)學習消失點估計網(wǎng)絡的狀態(tài)圖。具體實施方式[0053]以下本發(fā)明的詳細描述參見附圖，所述附圖以說明方式示出了可以實施本發(fā)明的具體實施例，以闡明本發(fā)明的目的、技術方案和優(yōu)點。對這些實施例進行了充分詳細的描述，以使本領域技術人員能夠實施本發(fā)明。[0054]另外，在本發(fā)明的內(nèi)容及權利要求書中，術語“包括”及其變形并不意圖排除其他特性中一部分可從本說明書獲知，而一部分可從本發(fā)明的實施獲知。以下的例示及附圖作為實例提供，而并不是意圖限制本發(fā)明。[0055]進一步地，本發(fā)明包括本說明書所示實施例的所有可能的組合。應當理解，本發(fā)明的各種實施例盡管不同但不必相互排斥。例如，本文記載的特定形狀、結構及特性在一個實施例中在不超出本發(fā)明的精神及范圍的前提下可通過其他實施例實現(xiàn)。并且，應當理解，所公開的每個實施例中各組件的位置或配置可在不超出本發(fā)明的精神及范圍的前提下變更。因此，后述的詳細說明并不用于限定本發(fā)明，只要能夠進行適當?shù)恼f明，本發(fā)明的范圍應根據(jù)與其權利要求保護范圍等同的所有范圍和所附的權利要求保護范圍而被限定。附圖中類似的附圖標記在多個方面指示相同或類似的功能。[0056]為了使本領域普通技術人員能夠容易地實施本發(fā)明，下面將參考附圖詳細描述本發(fā)明的優(yōu)選實施例。[0057]圖1為根據(jù)本發(fā)明的一實施例的用于校準車輛的攝像頭間距的校準裝置的示意圖，參見圖1,校準裝置1000可以包括存儲器1001,其存儲用于使用針對從車輛的攝像頭獲得的行駛圖像的對象檢測信息和車道檢測信息來估計攝像頭間距的指令；和處理器1002,其根據(jù)存儲在存儲器1001中的指令執(zhí)行用于估計車輛的攝像頭間距的操作。裝置、輸入和輸出裝置，和可以包括常規(guī)計算裝置的其他組件的裝置；電子通訊裝置，如路由器、交換機等；電子信息存儲系統(tǒng)，如網(wǎng)絡附加存儲(NAS)和存儲區(qū)域網(wǎng)絡(SAN))和計算機軟件(即，使計算裝置以特定方式運行的指令)的組合來實現(xiàn)所需的系統(tǒng)性能。[0059]另外，計算裝置的處理器可以包括諸如微處理單元(MPU,MicroProcessing總線(DataBus)之類的硬件配置。另外，計算裝置可以進一步包括操作系統(tǒng)、執(zhí)行特定目的的應用程序的軟件配置。[0060]然而，不排除計算裝置包括為實現(xiàn)本發(fā)明而集成介質、處理器和存儲器的形式的集成處理器的情況。[0061]下面將參照圖2描述使用根據(jù)如上所述配置的根據(jù)本發(fā)明一實施例的校準裝置1000校準車輛的攝像頭間距的方法。[0062]首先，從安裝在車輛，作為一例，自動駕駛汽車中的攝像頭獲取行駛圖像時，校準裝置1000可以將行駛圖像分別輸入到對象檢測網(wǎng)絡1100和車道檢測網(wǎng)絡1200,以使對象檢測網(wǎng)絡1100檢測行駛圖像上的對象并輸出對象檢測信息，使車道檢測網(wǎng)絡1200檢測行駛圖像上的車道并輸出車道檢測信息。[0063]此時，對象檢測網(wǎng)絡1100可以實現(xiàn)為使用深度學習(deeplearning)的基于CNN(convolutionalneuralnetwork)的對象檢測網(wǎng)絡，也可以實現(xiàn)為基于視覺特征和淺層(shallow)學習的分類器，但不限于此，并且可以使用能夠從行駛圖像檢測多個對象的各種算法。另外，對象檢測網(wǎng)絡1100的輸出可以包括多個對象類別信息，所述對象類別信息為通過分析諸如多個2D邊界框或多個3D邊界框之類的對象區(qū)域信息和每個邊界框所對應的多個對象的類別而獲得的，但本發(fā)明不限于此，可以包括與對象相關的各種信息，例如轎車、卡車或SUV等有關車輛類型的信息等。[0064]此外，車道檢測網(wǎng)絡1200可以實現(xiàn)為使用深度學習的基于CNN的車道檢測網(wǎng)絡，也可以實現(xiàn)為圖像處理和計算機視覺算法，但不限于此，可以使用能夠從行駛圖像中檢測多個車道的各種算法，并且車道檢測網(wǎng)絡1200的輸出可以為由n階多項式方程式表示的車道模型。[0065]接下來，校準裝置1000可以通過對多個對象檢測信息進行剖析并對與每個對象對應的多個對象剖析信息和多個車道檢測信息進行剖析來生成與每個車道對應的多個車道剖析信息。[0066]此時，多個對象剖析信息可以包括針對每個對象的寬度(width)和高度(height),但本發(fā)明不限于此，并且可以包括關于每個對象的各種信息。[0067]另外，多個車道剖析信息可以包括針對每個車道的多個直線度(straightness)、多個長度(length)和車輛坐標上的多個傾斜度，但本發(fā)明不限于此，可以包括針對每個車道的各種信息。[0068]接下來，校準裝置1000可以將行駛圖像或車道檢測信息輸入到消失點估計網(wǎng)絡1210以使消失點估計網(wǎng)絡1210通過學習運算檢測行駛圖像上的消失點，并進行追蹤消失[0069]接下來，校準裝置1000可以進行如下處理：將多個對象剖析信息輸入到基于對象的間距估計模塊1110以使基于對象的間距估計模塊1100參考多個對象剖析信息從多個對象中選擇第1目標對象，通過使用第1目標對象的第1高度的第1間距估計來生成第1間距，參考多個對象剖析信息從多個對象中選擇第2目標對象，通過使用第2目標對象的寬度的第2間距估計來生成第2間距。[0070]另外，校準裝置1000可以進行如下處理：通過分析行駛圖像或車道檢測信息來檢測消失點的消失點估計網(wǎng)絡1210的消失點檢測信息和將多個車道剖析信息輸入到基于車道的間距估計模塊1220以使基于車道的間距估計模塊1220通過使用多個車道剖析信息的第3間距估計來生成第3間距，通過使用消失點檢測信息的第4間距估計來生成第4間距。[0071]基于對象的間距估計模塊1000生成第1間距和第2間距，下面將更詳細地描述基于車道的間距估計模塊1220生成第3間距和第4間距的過程。[0072]首先，基于對象的間距估計模塊1110參考多個對象剖析信息，從行駛圖像上檢測到的多個對象中選擇多個第2候選對象，多個所述第2候選對象與車輛的橫向距離(lateraldistance)小于等于第2距離閾值(threshold),沒有邊界框的切割，對象類別為車輛類別，并且不重疊，可以將多個所選的第2候選對象中具有最小橫向距離的第2特定對象選擇為第1目標對象。[0073]此時，橫向距離可以為車輛與對象在與車輛的車寬方向垂直的方向上的距離，第2距離閾值例如可以為10m,但本發(fā)明不限于此，可以將能夠清晰識別的任意橫向距離設置為第2距離閾值。另外，未切割邊界框的對象可以為邊界框不跨越行駛圖像的邊界的對象。此的對象，未重疊的對象可以為邊界框與其他對象的邊界框不重疊，或即使重疊但邊界框的底部(bottom)坐標更接近于行駛圖像下端的對象。[0074]然后，基于對象的間距估計模塊1100可以參考第1目標對象的檢測歷史獲得第1目標對象的平均高度，平均高度大于等于最小高度閾值且小于等于最大高度閾值時，將平均高度確定為第1高度，平均高度小于最小高度閾值或大于最大高度閾值時，將最小高度閾值與最大高度閾值的平均值確定為第1高度。[0075]此時，可以為每個車輛類別設置最小高度閾值和最大高度閾值。作為一例，根據(jù)車輛類別，對于轎車、SUV或類似尺寸的車輛，可以將最小高度閾值設置為值設置為1.8m,而對于公共汽車、卡車等車輛，可以將最小高度閾值設置為2.5m,將最大高度閾值設置為4m。[0076]另外，基于對象的間距估計模塊1100可以使用第1目標對象的第1高度通過二分搜索(binarysearch)生成第1間距，或者可以通過直接運算生成第1間距。[0077]即，基于對象的間距估計模塊1100通過二分搜索接收當前間距P、間距搜索角度a、第1目標對象的邊界框B和第1目標對象的第1高度H作為輸入，以輸出新估計的間距角度P’。[0078]此時，min_angle可以表示為P-a,max_angle可以表示為P+a,計算車輛坐標系中第1目標對象的邊界框B的高度的函數(shù)為VCS_H(B)時，在VCS_H(B)!=H的狀態(tài)下，可以通過P'=binarysearch(B,H,min_angle,max_angle)來估計，并且可以更新min_angle和max_angle。在另一方面，binarysearch(B,H,min_angle,max_angle)可以為搜索間距以使第1目標對象的邊界框B的高度變?yōu)榈?高度H的函數(shù)。[0079]此外，參見圖3a和圖3b,基于對象的間距估計模塊1100使用如圖3a中針孔(pinhole)攝像頭模型的類似于三角形的比例表達式，根據(jù)焦距：邊界框高度=Z:目標對象高度(第1高度),通過目標對象距離Z=(焦距)*(目標對象高度)/(邊界框高度)計算距離Z,如圖3b所示，第1間距θ可以使用所計算的距離Z通過以下數(shù)學式來估計。[0083]第二，基于對象的間距估計模塊1100可以參考多個對象剖析信息選擇多個第3候選對象中與車輛的橫向距離最小的第3特定對象作為第2目標對象，多個第3候選對象的橫向距離小于等于第3距離閾值，沒有邊界框的切割，對象類別為車輛類別，不重與3D邊界框的差值小于等于框差閾值，并且邊界框的縱橫比大于等于縱橫比閾值。[0084]此時，橫向距離可以為車輛與對象在與車輛的車寬方向垂直的方向上的距離，第3距離閾值例如可以為3m,但本發(fā)明不限于此，可以將能夠清晰識別的任意橫向距離設置為第3距離閾值。并且，未切割邊界框的對象可以為邊界框不跨越行駛圖像的邊界的對象。另外，作為車輛類別的對象可以為具有針對如轎車、SUV、卡車、公共汽車等的汽車類型的類別的對象，未重疊的對象可以為邊界框與其他對象的邊界框不重疊，或即使重疊但邊界框的底部坐標更接近于行駛圖像下端的對象。此外，2D邊界框與3D邊界框的差值小于等于框差閾值的對象可以為幾乎在車輛前面的對象，并且邊界框的縱橫比大于等于縱橫比閾值的對象可以為從正面看不到側面的對象。即，在十字路口等處，可以從車輛的正面看到側面時，該對象的邊界框具有較小的縱橫比，為防止這種情況，不選擇邊界框的縱橫比小于縱橫比閾值的對象。[0085]此后，基于對象的間距估計模塊1100可以參考第2目標對象的車輛類別確定第2目標對象的寬度。[0086]此時，第2目標對象的寬度可以由根據(jù)第2目標對象的每個車輛類別設置的寬度確共汽車、卡車等車輛，可以設置為1.8m,但本發(fā)明不限于此，可以根據(jù)每個車輛類別以特定常數(shù)設置。這可以設置為對于相同的車輛類別具有相同的寬度，因為在同一車輛類別中根據(jù)車輛類型的寬度差異不大。[0087]并且，參見圖4a和圖4b,基于對象的間距估計模塊1100使用如圖4a中針孔攝像頭計算第2目標對象的距離Z,如圖4b所示，第2間距θ可以使用所計算的第2目標對象的距離Z通過以下數(shù)學式來估計。[0091]第三，基于車道的間距估計模塊1200可以參考多個車道剖析信息選擇第1車道和第2車道，使用第1車道和第2車道檢測目標消失點，使用目標消失點估計第3間距，其中，所述第1車道和第2車道為直線，大于等于距離閾值，并在車輛的坐標系上彼此平行。[0092]作為一例，基于車道的間距估計模塊1220可以參考多個車道剖析信息，所述車道剖析信息包括表示在行駛圖像上檢測到的車道的直線度的直線度(straightness)、在行駛圖像上檢測到的車道的長度以及車道在車輛坐標系上的傾斜度，選擇第1車道和第2車道作為用于檢測消失點的車道，所述第1車道和第2車道滿足為直線、車道長度處于距離閾值上、在車輛坐標系上平行的條件。此時，在將車道從行駛圖像坐標系轉換到車輛坐標系時，可以使用前一幀的攝像頭參數(shù)。[0093]并且，基于車道的間距估計模塊1220可以使用所選的第1車道和第2車道的車道方程式計算交叉點以檢測消失點，并使用所檢測到的消失點和攝像頭的中心估計第3間距。[0094]此時，檢測到n個車道時，可以使用如圖5所示的搜索樹(searchtree)來選擇兩條[0095]即，從多個車道中檢測與車輛對應的自我車道，兩側自我車道被檢測時滿足可用性條件，即其為直線且大于等于特定距離閾值，如果兩側自我車道均滿足可用性條件，則確認是否滿足傾斜度有效性驗證條件，即兩條車道平行，如果只有一條車道滿足可用性條件，則檢測滿足可用性條件的替代車道以確認是否滿足有效性驗證條件。并且，僅檢測到左自我車道或右自我車道時，檢測分別滿足可用性條件的替代車道以確認是否滿足傾斜度驗證條件。如此可以選擇滿足可用性條件和傾斜度驗證條件的兩條車道。[0096]第四，基于車道的間距估計模塊1220通過使用消失點估計網(wǎng)絡1210的消失點檢測信息來追蹤消失點估計網(wǎng)絡1210中檢測到的消失點，并且可以使用參考在制備攝像頭時設置為默認(default)的EOL(endofline)間距追蹤的消失點來估計第4間距。[0097]此時，參見圖6,為了直接從行駛圖像中檢測消失點，消失點估計網(wǎng)絡1210可以使用CNN(convolutionalneuralnetwork),或者可以使用以如消失點GNet(GuidedNetworkforLaneandRoadMarkingDetectionandRecognition)的多任務(multi-task)CNN結構同時檢測車道和消失點的基于感知的網(wǎng)絡，但本發(fā)明不限于此，可以實現(xiàn)為獨立的消失點檢測網(wǎng)絡。[0098]接下來，校準裝置1000可以通過將第1間距至第4間距輸入到間距確定模塊1300來使間距確定模塊1300將第1間距至第4間距集成(ensemble)以輸出對應于行駛圖像的確定[0099]在另一方面，第1間距估計至第4間距估計中的每一個都具有以下優(yōu)點和缺點。[0100]第1間距估計的優(yōu)點在于，由于調整間距以保持高度，因此可以進行穩(wěn)定的間距估計，并且對象選擇范圍較寬，從而可以在比第2間距估計更寬的范圍內(nèi)操作，但其缺點在于，難以將間距估計應用于高度范圍過寬的對象，例如行人或兩輪車輛等。[0101]并且，第2間距估計的優(yōu)點在于，由于調整間距以保持寬度，因此可以進行穩(wěn)定的間距估計，并且高度具有最小/最大區(qū)域，但寬度在車輛之間變化(variation)很小，可以固定為常數(shù)，從而其準確度高于第1間距估計，但其缺點在于，無法對如行人或兩輪車等進行操作，并且由于對象選擇的限制，必須在比第1間距估計更窄的運動范圍內(nèi)操作。[0102]另外，第3間距估計的優(yōu)點在于，在直線區(qū)域上很準確，在平坦的道路上也能很好[0103]此外，第4間距估計的優(yōu)點在于，無其缺點在于，由于準確度問題，難以將間距變化(variance)保持在較低水平。[0104]因此，校準裝置1000使間距確定模塊1300將第1間距至第4間距集成以利用第1間距估計至第4間距估計中每一個的優(yōu)點并補償缺點，從而可以確定行駛圖像的每一幀中的間距。[0105]作為一例，參見圖7,間距確定模塊1300可以參考多個對象剖析信息從多個對象中選擇第3目標對象，并使用第3間距計算第3目標對象的第2高度，然后通過確認第2高度是否在高度閾值內(nèi)來驗證第3間距。此時，間距確定模塊1300可以選擇多個第1候選對象中與車輛的橫向距離最小的第1特定對象作為第3目標對象，多個所述第1候選對象的橫向距離小[0106]此后，作為驗證第3間距的結果，第3間距有效時，間距確定模塊1300可以輸出第3間距作為確定間距。[0107]然而，第3間距無效時，間距確定模塊1300可以比較對應于第1間距的第1目標對象與對應于第2間距的第2目標對象，第1目標對象與第2目標對象相同的情況下，輸出第1間距和第2間距中任一個作為確定間距，第1目標對象與第2目標對象不同的情況下，輸出第1目標對象和第2目標對象中與車輛的橫向距離小的特定目標對象所對應的特定間距作為確定間距。[0108]并且，沒有從行駛圖像中檢測到的對象和車道時，間距確定模塊1300可以輸出第4間距作為確定間距。(smoothing)以對確定間距進行間距平滑，并且進行容差(tolerance)處理，所述容差處理使用間距變化閾值限制幀之間的最大間距變化。[0110]即，間距確定模塊1300可以通過應用前一幀中的前一間距值和平滑來進行針對確定間距的間距平滑以防止間距的突然變化，并且通過容差處理使用閾值限制幀之間的最大間距變化。然而，間距確定模塊1300可以在對象不存在后首次出現(xiàn)時解除對間距變化的限[0111]在另一方面，可以訓練消失點估計網(wǎng)絡1210以通過持續(xù)學習從行駛圖像中檢測消失點。[0112]此時，對于消失點估計網(wǎng)絡1210的持續(xù)學習，可以使用設備上持續(xù)學習、合作(cooperative)持續(xù)學習、服務器端持續(xù)學習等。[0113]首先，參見圖8,在設備上持續(xù)學習中，校準裝置1000可以參考確定間距和第4間距獲得間距損失，并且使用間距損失對消失點估計網(wǎng)絡1210進行設備上持續(xù)學習。此時，盡管校準裝置1000進行了設備上持續(xù)學習，與此不同地，也可以通過單獨的學習裝置進行設備上持續(xù)學習。[0114]此時，校準裝置1000在所述車輛運行期間，可以使用間距損失對消失點估計網(wǎng)絡1210進行實例級增量學習(instance-wiseincrementallearning)以實現(xiàn)快速適應(fastadaptation),在車輛行駛完后，利用行駛過程中采樣的數(shù)據(jù)對消失點估計網(wǎng)絡1210進行平衡(balanced)持續(xù)學習以恢復由于快速適應而可能發(fā)生的災難性遺忘(catastrophicforgetting)現(xiàn)象。[0115]即，一般來說，由于在檢測車輛的駕駛環(huán)境時使用連續(xù)的圖像序列作為輸入，如果在特定幀中錯誤地估計消失點，則在后續(xù)幀中很有可能會保持錯誤的消失點.從而在行駛過程中，通過比較從間距確定模塊1300輸出的確定間距與第4間距