為解決智能車(chē)在路口的高精度實(shí)時(shí)定位問(wèn)題,基于單目視覺(jué),提出一種路口實(shí)時(shí)定位方法。對(duì)需要定位的路口進(jìn)行編號(hào)并建立路口場(chǎng)景特征庫(kù),采用路口場(chǎng)景識(shí)別的方法進(jìn)行路口粗定位,通過(guò)路口圖像中的停止線檢測(cè)與測(cè)距以及車(chē)道線檢測(cè)計(jì)算車(chē)輛航向角和偏移距離,綜合距離、航向角和偏移距離進(jìn)行位置坐標(biāo)計(jì)算。在真實(shí)道路環(huán)境的路口測(cè)試結(jié)果表明,提出的定位方法具有精度高、實(shí)時(shí)性好、魯棒性強(qiáng)的優(yōu)點(diǎn),適合于智能車(chē)路口視覺(jué)導(dǎo)航。 

【文章來(lái)源】：計(jì)算機(jī)工程. 2017,43(09)北大核心

【文章頁(yè)數(shù)】：12 頁(yè)

【部分圖文】：

路口定位算法流程

持高斯核與近似高斯核的一致性。w=Lxy(1．2)FDyy(9)FLyy(1．2)FDxy(9)F=0．912≈0．9(3)其中，xF是Frobenius范數(shù)。與SIFT特征類(lèi)似，在特征點(diǎn)周?chē)∫粋�(gè)正方形框，將該框分為16個(gè)子區(qū)域，每個(gè)子區(qū)域統(tǒng)計(jì)25個(gè)像素的水平方向和垂直方向的Haar小波特征。該Haar小波特征為水平方向值之和、水平方向絕對(duì)值之和、垂直方向之和、垂直方向絕對(duì)值之和。這樣每個(gè)小區(qū)域就有4個(gè)值，所以每個(gè)特征點(diǎn)就是16×4=64維的向量，相比SIFT少了一半，這將加快匹配速度。3)路口場(chǎng)景特征庫(kù)構(gòu)建如圖2所示，路口場(chǎng)景特征庫(kù)包含了所有測(cè)試路口的場(chǎng)景圖像特征信息、路口編號(hào)信息以及路口屬性信息。從圖中還可知路口場(chǎng)景特征庫(kù)內(nèi)部是一個(gè)多對(duì)多的結(jié)構(gòu)，每個(gè)路口一個(gè)編號(hào)，對(duì)應(yīng)一個(gè)路口屬性，同時(shí)對(duì)應(yīng)許多的路口場(chǎng)景圖片以及其SUＲF特征。路口屬性是可擴(kuò)展的結(jié)構(gòu)，可以對(duì)路口進(jìn)行描述，有利于高精度定位。場(chǎng)景圖像進(jìn)行SUＲF特征提取之后可以得到每一幀圖像的SUＲF特征向量，將其保存用于在線的圖像特征匹配，這樣就可以加快匹配速度。而路口場(chǎng)景圖片僅用于路口場(chǎng)景識(shí)別結(jié)果的顯示，在實(shí)際應(yīng)用中為了減小路口場(chǎng)景特征庫(kù)的存儲(chǔ)空間可以不保存圖片而僅保存每幀路口場(chǎng)景圖像的SUＲF特征以及路口編號(hào)、屬性等信息。圖2路口場(chǎng)景特征庫(kù)2．1．2基于SUＲF的快速路口場(chǎng)景識(shí)別從算法流程圖中可知，路口場(chǎng)景識(shí)別與路口場(chǎng)景特征庫(kù)建立的過(guò)程基本上相同，都需要對(duì)圖像進(jìn)行SUFT特征提取生成特征向量。路口場(chǎng)景識(shí)別是一個(gè)在線特征提取的過(guò)程，提取當(dāng)前幀圖像的SUＲF特征，生成特征向量，與路口場(chǎng)景特征庫(kù)中的特征向量進(jìn)行相似度計(jì)算，本文采用的是最簡(jiǎn)單的歐式距離來(lái)衡量其相似度，計(jì)算公式如下:ΔD=dis(vi，vj)=∑

IPM的高精度實(shí)時(shí)定位。從圖1的算法流程圖中可以看到基于IPM的高精度實(shí)時(shí)定位由4個(gè)部分核心內(nèi)容組成:1)對(duì)單目攝像機(jī)采集的路口圖像進(jìn)行逆透視映射，得到與世界路面坐標(biāo)系一致的逆透視圖像;2)在逆透視圖像上進(jìn)行停止線檢測(cè)，并計(jì)算智能車(chē)?yán)锿Ｖ咕�的距離;3)車(chē)道線檢測(cè)，提取當(dāng)前車(chē)道的左右車(chē)道線，計(jì)算智能車(chē)橫向偏離距離以及其航向角;4)根據(jù)縱向距離、橫向距離以及航向角等結(jié)果，利用幾何關(guān)系計(jì)算智能車(chē)在世界坐標(biāo)系下的精確位置坐標(biāo)。2．2．1逆透視映射IPM是指將透視圖像通過(guò)變換矩陣轉(zhuǎn)成逆透視圖像的一個(gè)過(guò)程，如圖3所示。圖3逆透視映射過(guò)程將透視圖像轉(zhuǎn)換成逆透視時(shí)需要一個(gè)轉(zhuǎn)換矩陣，即單應(yīng)性矩陣，習(xí)慣用H表示單應(yīng)性矩陣，H是一個(gè)3×3的矩陣。H=x11x12x13x21x22x23x31x321(7)假設(shè)透視圖像坐標(biāo)系中某個(gè)點(diǎn)表示為Q(x，y，1)，通過(guò)逆透視映射將點(diǎn)Q映射到逆透視圖像中為點(diǎn)P(X，Y，1)，那么可以定義矩陣:Q～=[xy1]T(8)P～=[XY1]T(9)逆透視映射公式為:P～=HQ～(10)即:XY1=x11x12x13x21x22x23x31x321·xy1(11)根據(jù)式(11)可得H的求解公式為:H=x11x12x13x21x22x23x31x321=XY1·xy1－1(12)根據(jù)式(12)可知，H矩陣內(nèi)有8個(gè)未知數(shù)，求解291

【參考文獻(xiàn)】：
期刊論文
[1]影響無(wú)源定位精度的多種誤差原因分析[J]. 李東海.  現(xiàn)代雷達(dá). 2016(05)
[2]一種基于IPM-DVS的車(chē)道線檢測(cè)算法[J]. 鄭永榮,袁家政,劉宏哲.  北京聯(lián)合大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(02)
[3]一種改進(jìn)的圖像場(chǎng)景識(shí)別算法[J]. 申龍斌,李臻,魏志強(qiáng),劉昊.  中國(guó)海洋大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(04)
[4]基于擴(kuò)展卡爾曼濾波器的車(chē)道線檢測(cè)算法[J]. 彭紅,肖進(jìn)勝,程顯,李必軍,宋曉.  光電子·激光. 2015(03)
[5]無(wú)人駕駛汽車(chē)社會(huì)效益與影響分析[J]. 潘建亮.  汽車(chē)工業(yè)研究. 2014(05)
[6]無(wú)人駕駛汽車(chē)的發(fā)展現(xiàn)狀和展望[J]. 楊帆.  上海汽車(chē). 2014(03)
[7]高精度高魯棒性的軌道機(jī)器人全局定位方法[J]. 唐恒博,陳衛(wèi)東,王景川,劉帥,李國(guó)波,趙洪丹.  機(jī)器人. 2013(05)
[8]基于方向邊緣匹配的人行橫道與停止線檢測(cè)[J]. 謝錦,蔡自興,李昭,尤作.  計(jì)算機(jī)工程. 2013(06)
[9]用于行星探測(cè)車(chē)定位的視覺(jué)測(cè)程新方法[J]. 邸凱昌,萬(wàn)文輝,劉召芹.  遙感學(xué)報(bào). 2013(01)
[10]綜合結(jié)構(gòu)和紋理特征的場(chǎng)景識(shí)別[J]. 周莉,胡德文,周宗潭.  中國(guó)科學(xué):信息科學(xué). 2012(06)

博士論文
[1]高精度實(shí)時(shí)視覺(jué)定位的關(guān)鍵技術(shù)研究[D]. 盧維.浙江大學(xué) 2015

碩士論文
[1]無(wú)人駕駛車(chē)GPS自主導(dǎo)航系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 郭俊杰.長(zhǎng)安大學(xué) 2014
[2]基于圖的無(wú)人駕駛車(chē)即時(shí)定位與地圖構(gòu)建[D]. 祝天健.大連理工大學(xué) 2013



本文編號(hào)：3013282