本發(fā)明涉及一種車輛運動測量方法，主要包括車輛絕對速度、側(cè)偏角以及橫擺角速度的測量，特別涉及一種測試準確，測試范圍廣、適應性好的基于車載俯視相機的車輛運動測量方法。

背景技術：

現(xiàn)有相關的車速傳感技術主要以輪速傳感器為主，通過傳感器檢測車輪轉(zhuǎn)速，進行修正計算，得出車速等各種參數(shù)，該類系統(tǒng)可以在某些良好的道路及勻速工況下，較準確測量被測車輛對應車輪(軸)處的車速。但此類系統(tǒng)對于制動、滑移以及加速工況下的車速測量準確性較差。現(xiàn)有相關車輛側(cè)偏角的信息無法直接測量，多利用GPS以及車載慣性傳感器測量數(shù)據(jù)根據(jù)車輛動力學模型估計而得。此類方法應用工況有限且傳感系統(tǒng)代價較高?，F(xiàn)有車輛橫擺角速的測量主要依賴于慣性傳感器(陀螺儀)，此類傳感器測量值容易隨溫度變化產(chǎn)生零點漂移。上述三測量量均為重要車輛動力學狀態(tài)，需要多現(xiàn)有傳感器組合才能同時測量，系統(tǒng)復雜且成本較高。

現(xiàn)有技術：申請?zhí)枺篊N200310118017.9，公開日2004.07.07，公開了一種車速檢測裝置，具有：設置在下部行駛體上并連接變速器(111、211)的輸出軸的車速檢測用泵(112、212)，和設置在下部行駛體和上部旋轉(zhuǎn)體的連接部的油壓用回轉(zhuǎn)接頭(115、215)，和設置在上部旋轉(zhuǎn)體上并由車速檢測用泵驅(qū)動的車速檢測用電動機(116、216)，和檢測車速檢測用電動機的旋轉(zhuǎn)速度信號并產(chǎn)生車速檢測信號的車速傳感器(118)，和通過車速檢測信號計算出車速、進行變速器的速度檔選擇等的行駛控制的控制器(120)。這種車速檢測裝置，不但能夠獲得正確的車速而且能夠長期地獲得正確的車速。但此類系統(tǒng)對于制動、滑移以及加速工況下的車速測量準確性較差。

技術實現(xiàn)要素：

本發(fā)明的目的在于解決上述現(xiàn)有技術此技術方案制動、滑移以及加速工況下的車速測量準確性較差，現(xiàn)有相關車輛側(cè)偏角的信息無法直接測量，大多利用車載慣性傳感器基于車輛動力學模型估計而得，準確性較差，同時對應測量極低速工況下的車輛速度也無法給出準確測量的問題，提供了一種基于車載俯視相機的車輛運動測量方法。

本發(fā)明解決其技術問題所采用的技術方案是：一種基于車載俯視相機的車輛運動測量方法，包括以下步驟：

步驟一：通過車載下視相機持續(xù)獲取道路圖像；

步驟二：對獲取的所有道路圖像進行預處理；

步驟三：預估時間軸相鄰幀圖片中重合部分作為ROI區(qū)域進行提?。?/p>

步驟四：對ROI區(qū)域進行FAST特征點提?。?/p>

步驟五：基于所提取的FAST特征點生成SURF特征向量；

步驟六：根據(jù)步驟五中提取的SURF特征向量，利用FLANN特征匹配庫對時間軸相鄰幀圖片進行特征匹配；

步驟七：利用RANSAC算法選取時間軸相鄰幀圖片進行特征匹配后的匹配樣本，通過匹配樣本計算得出Homography矩陣；

步驟八：對計算所得的Homography矩陣進行奇異值分解，獲取車載下視相機的平動信息T與轉(zhuǎn)動信息R；執(zhí)行步驟九并同時執(zhí)行步驟一；

步驟九：通過公式：計算得出實時車速V的絕對值；

通過公式：計算得出車輛的實時側(cè)偏角β；

通過公式：計算車輛橫擺角速度

公式中：T_x為X軸方向車載下視相機的實時平動速度；T_y為y軸方向車載下視相機的實時平動速度；R_z為相機繞z軸的轉(zhuǎn)動分量，t_s為單位時間步長。

本發(fā)明通過對行駛道路路面特征點提取與分析，獲取相機的運動信息，并轉(zhuǎn)化為相應車輛狀態(tài)信息輸出。本方法主要意義在于能夠在大滑移率的極限工況下，提供實時車速與側(cè)偏角的重要車輛狀態(tài)信息，為該工況下的車輛控制系統(tǒng)提供穩(wěn)定有效的輸入信號。本發(fā)明基于FAST特征點與SURF特征描述進行車速與車輛側(cè)偏角測量。此特征描述方法不受旋轉(zhuǎn)縮放等因素的影響，并且可進行實時運算。該方法的車速測量不受車輛縱向滑移限制(光滑路面以及制動工況)，并且可以測量極低速工況下的車輛速度(低至0.1m/s)。該方法可根據(jù)側(cè)偏角定義直接測量汽車側(cè)偏角信息相對其他現(xiàn)有間接狀態(tài)估計算法更為直接，準確。該方法可實時運行并適用于室內(nèi)外場景。

作為優(yōu)選，在所述步驟二中，對獲取的所有道路圖像依次進行灰度化處理和除畸變處理，在除畸變處理中，所用參數(shù)為預定參數(shù)，獲取道路圖像的單位時間步長和圖像參數(shù)均為預定參數(shù)。

作為優(yōu)選，在所述步驟三中，預估時間軸相鄰幀圖片中重合部分作為ROI區(qū)域進行提取的方法包括初次提取方法和常態(tài)提取方法，若拍攝圖像為車輛起步階段，即需要比較的圖像為重置后時間軸上的第一幀圖像和第二幀圖像則執(zhí)行初次提取方法，否則執(zhí)行常態(tài)提取方法；

初次提取方法：預先設定重置后時間軸第二幀圖片中區(qū)域作為重合部分直接進行提?。?/p>

常態(tài)提取方法：根據(jù)步驟九中獲取的實時車速V和設定的獲取道路圖像的單位時間步長通過積分計算得出時間軸相鄰幀圖片中重合部分。

ROI區(qū)域即感興趣區(qū)域，ROI區(qū)域名稱為自定義名稱，選取的是在時間軸上相鄰幀圖像重疊部分，可以通過圖像對比直接得出，但是圖像對比直接得出的方式需要計算資源較多，所以，根據(jù)步驟九中獲取的實時車速V和設定的獲取道路圖像的單位時間步長通過積分計算得出時間軸相鄰幀圖片中重合部分。本發(fā)明采用的方法較為合理，具體的說，根據(jù)步驟九中獲取的實時車速V和設定的獲取道路圖像的單位時間步長通過積分計算預估移動距離，根據(jù)預估移動距離和相機本身參數(shù)可以獲得圖片的移動速度，取景時尚未移除的部分就是圖像重疊部分。

作為優(yōu)選，通過時間軸相鄰幀圖片直接比較，計算得出時間軸相鄰幀圖片中重合部分作為ROI區(qū)域進行提取。如果計算資源豐富，計算速度極快的情況下，選用此種技術，能夠獲得最為準確的數(shù)據(jù)。

作為優(yōu)選，所述步驟七中，利用RANSAC算法選取正確匹配樣本，計算Homography矩陣：通過m個循環(huán)，隨機選取4個匹配特征，計算Homography矩陣，對剩余特征按該矩陣匹配結(jié)果進行打分，像素點匹配距離小于某閾值M，則視為正確匹配，選取打分最高的Homography矩陣，利用其對應的所有正確匹配特征對，重新計算得到最終Homography矩陣；在步驟七中循環(huán)數(shù)m與距離閾值M均為預設值。

作為優(yōu)選，所述Homography矩陣表示為：其中，R為相機平動信息、T為相機轉(zhuǎn)動信息、d為圖像平面對應的深度、N為圖像平面對應的法向信息、K為相機內(nèi)部參數(shù)矩陣，對計算所得Homography矩陣進行奇異值分解，獲得相機平動信息T與轉(zhuǎn)動信息R；令：

∑＝diag(σ1，σ2，σ3)，V＝[v1，v2，v3]

上述奇異值分解理論上有四組解，如下所示：

上述奇異值分解理論上有四組解，如下所示：

解1：

解2：

解3：

R₃＝R₁，N₃＝-N₁，

解4：

R₄＝R₂，N₄＝-N₂，

選擇方向最接近于[0，0，1]的法向量N對應的該組解。

根據(jù)實際相機幾何投影限制，圖像平面深度必須為正，因此對應法向量N必須為正值，由相機安裝幾何角度確定(垂直于地面)，選擇接近于[0，0，1]的法向量N對應的該組解。

本發(fā)明中，F(xiàn)AST：此特征檢測算法來源于corner的定義，采用機器學習的方法，按如下標準定義特征點：對于某像素點p，以其為中心的16個像素點，若其中有n個連續(xù)的像素點亮度值均大于p點亮度加上某閾值t(或小于p點亮度減去某閾值t)，則p為特征點；可設置參數(shù)為像素點數(shù)n，亮度閾值t以及是否使用非極大值抑制(Non-Maximum Suppression)。該方法多用于角點檢測。

SURF：一種具有尺度與旋轉(zhuǎn)特征不變性的特征描述算法，描述性強，速度快。過程包括基于上述特征圓的特征向量方向分配以及基于4*4子集的二維哈爾小波求和的特征值分配。

FLANN：一種快速近似最近鄰搜索函數(shù)庫，能夠自動選擇兩個近似最近鄰算法(K-d決策樹以及優(yōu)先搜索K-均值決策樹)中最優(yōu)的算法。

RANSAC：一種魯棒的回歸方法，用于排除誤匹配特征。

Homography：兩張圖像中對應匹配特征點的投影變換矩陣

SIFT：尺度不變特征轉(zhuǎn)換(SIFT)算法是一種特征提取的方法。它在尺度空間中尋找極值點，并提取出其位置、尺度、旋轉(zhuǎn)不變量，并以此作為特征點并利用特征點的鄰域產(chǎn)生特征向量。SIFT算法對于光線、噪聲、和微小視角改變的容忍度相當高，且對于部分遮擋的物體也有較高的識別相率。

本發(fā)明的實質(zhì)性效果是：本發(fā)明通過對行駛道路路面特征點提取與分析，獲取相機的運動信息，并轉(zhuǎn)化為相應車輛狀態(tài)信息輸出。本方法主要意義在于能夠在大滑移率的極限工況下，提供實時車速與側(cè)偏角的重要車輛狀態(tài)信息，為該工況下的車輛控制系統(tǒng)提供穩(wěn)定有效的輸入信號。本發(fā)明基于FAST特征點與SURF特征描述進行車輛絕對速度、側(cè)偏角以及橫擺角速度測量。此特征描述方法不受旋轉(zhuǎn)縮放等因素的影響，并且可進行實時運算。該方法的車速測量不受車輛縱向滑移限制(光滑路面以及制動工況)，并且可以測量極低速工況下的車輛速度(低至0.1m/s)。該方法可根據(jù)側(cè)偏角定義直接測量汽車側(cè)偏角信息相對其他現(xiàn)有間接狀態(tài)估計算法更為直接，準確。該方法可同時測量多個重要車輛動力學參數(shù)、系統(tǒng)結(jié)構(gòu)簡單、成本低。該方法可實時運行并適用于室內(nèi)外場景。

附圖說明

圖1為本發(fā)明的一種流程示意圖。

具體實施方式

下面通過具體實施例，并結(jié)合附圖，對本發(fā)明的技術方案作進一步的具體說明。

實施例：

一種基于車載俯視相機的車輛運動測量方法，包括以下步驟：

步驟一：通過車載下視相機持續(xù)獲取道路圖像；

步驟二：對獲取的所有道路圖像進行預處理；對獲取的所有道路圖像依次進行灰度化處理和除畸變處理，在除畸變處理中，所用參數(shù)為預定參數(shù)，獲取道路圖像的單位時間步長和圖像參數(shù)均為預定參數(shù)。

步驟三：預估時間軸相鄰幀圖片中重合部分作為ROI區(qū)域進行提取；預估時間軸相鄰幀圖片中重合部分作為ROI區(qū)域進行提取的方法包括初次提取方法和常態(tài)提取方法，若拍攝圖像為車輛起步階段，即需要比較的圖像為重置后時間軸上的第一幀圖像和第二幀圖像則執(zhí)行初次提取方法，否則執(zhí)行常態(tài)提取方法；

初次提取方法：通過延時時間計算和調(diào)正，預先設定重置后時間軸第二幀圖片中區(qū)域作為重合部分直接進行提?。?/p>

常態(tài)提取方法：根據(jù)步驟九中獲取的實時車速V和設定的獲取道路圖像的單位時間步長通過積分計算得出時間軸相鄰幀圖片中重合部分。具體的說，根據(jù)步驟九中獲取的實時車速V和設定的獲取道路圖像的單位時間步長通過積分計算預估移動距離，根據(jù)預估移動距離和相機本身參數(shù)可以獲得圖片的移動速度，取景時尚未移除的部分就是圖像重疊部分。

步驟四：對ROI區(qū)域進行FAST特征點提取；

步驟五：基于所提取的FAST特征點生成SURF特征向量；

步驟六：根據(jù)步驟五中提取的SURF特征向量，利用FLANN特征匹配庫對時間軸相鄰幀圖片進行特征匹配；

步驟七：利用RANSAC算法選取時間軸相鄰幀圖片進行特征匹配后的匹配樣本，通過匹配樣本計算得出Homography矩陣；利用RANSAC算法選取正確匹配樣本，計算Homography矩陣：通過m個循環(huán)，隨機選取4個匹配特征，計算Homography矩陣，對剩余特征按該矩陣匹配結(jié)果進行打分，像素點匹配距離小于某閾值M，則視為正確匹配，選取打分最高的Homography矩陣，利用其對應的所有正確匹配特征對，重新計算得到最終Homography矩陣；在步驟七中循環(huán)數(shù)m與距離閾值M均為預設值。

步驟八：對計算所得的Homography矩陣進行奇異值分解，獲取車載下視相機的平動信息T與轉(zhuǎn)動信息R；

所述Homography矩陣表示為：其中，R為相機平動信息、T為相機轉(zhuǎn)動信息、d為圖像平面對應的深度、N為圖像平面對應的法向信息、K為相機內(nèi)部參數(shù)矩陣，對計算所得Homography矩陣進行奇異值分解，獲得相機平動信息T與轉(zhuǎn)動信息R；令：

∑＝diag(σ1，σ2，σ3)，V＝[v1，v2，v3]

上述奇異值分解理論上有四組解，如下所示：

解1：

解2：

解3：

R₃＝R₁，N₃＝-N₁，

解4：

R₄＝R₂，N₄＝-N₂，

選擇方向最接近于[0，0，1]的法向量N對應的該組解。

根據(jù)實際相機幾何投影限制，圖像平面深度必須為正，因此對應法向量N必須為正值，由相機安裝幾何角度確定(垂直于地面)，選擇接近于[0，0，1]的法向量N對應的該組解。

本實施例在執(zhí)行步驟九并同時執(zhí)行步驟一；

步驟九：通過公式：計算得出實時車速V的絕對值；

通過公式：計算得出車輛的實時側(cè)偏角β；

通過公式：計算車輛橫擺角速度

公式中：T_x為X軸方向車載下視相機的實時平動速度；T_y為y軸方向車載下視相機的實時平動速度；R_z為相機繞z軸的轉(zhuǎn)動分量，t_s為單位時間步長。

如果計算資源豐富，計算速度極快的情況下，選用通過時間軸相鄰幀圖片直接比較，計算得出時間軸相鄰幀圖片中重合部分作為ROI區(qū)域進行提取，采用此種技術，能夠獲得最為準確的數(shù)據(jù)。

本實施例中：

FAST：此特征檢測算法來源于corner的定義，采用機器學習的方法，按如下標準定義特征點：對于某像素點p，以其為中心的16個像素點，若其中有n個連續(xù)的像素點亮度值均大于p點亮度加上某閾值t(或小于p點亮度減去某閾值t)，則p為特征點；可設置參數(shù)為像素點數(shù)n，亮度閾值t以及是否使用非極大值抑制(Non-Maximum Suppression)。該方法多用于角點檢測。

SURF：一種具有尺度與旋轉(zhuǎn)特征不變性的特征描述算法，描述性強，速度快。過程包括基于上述特征圓的特征向量方向分配以及基于4*4子集的二維哈爾小波求和的特征值分配。

FLANN：一種快速近似最近鄰搜索函數(shù)庫，能夠自動選擇兩個近似最近鄰算法(K-d決策樹以及優(yōu)先搜索K-均值決策樹)中最優(yōu)的算法。

RANSAC：一種魯棒的回歸方法，用于排除誤匹配特征。

Homography：兩張圖像中對應匹配特征點的投影變換矩陣

SIFT：尺度不變特征轉(zhuǎn)換(SIFT)算法是一種特征提取的方法。它在尺度空間中尋找極值點，并提取出其位置、尺度、旋轉(zhuǎn)不變量，并以此作為特征點并利用特征點的鄰域產(chǎn)生特征向量。SIFT算法對于光線、噪聲、和微小視角改變的容忍度相當高，且對于部分遮擋的物體也有較高的識別相率。

本發(fā)明的實質(zhì)性效果是：本發(fā)明通過對行駛道路路面特征點提取與分析，獲取相機的運動信息，并轉(zhuǎn)化為相應車輛狀態(tài)信息輸出。本方法主要意義在于能夠在大滑移率的極限工況下，提供實時車速與側(cè)偏角的重要車輛狀態(tài)信息，為該工況下的車輛控制系統(tǒng)提供穩(wěn)定有效的輸入信號。本發(fā)明基于FAST特征點與SURF特征描述進行車輛絕對速度、側(cè)偏角以及橫擺角速度測量。此特征描述方法不受旋轉(zhuǎn)縮放等因素的影響，并且可進行實時運算。該方法的車速測量不受車輛縱向滑移限制(光滑路面以及制動工況)，并且可以測量極低速工況下的車輛速度(低至0.1m/s)。該方法可根據(jù)側(cè)偏角定義直接測量汽車側(cè)偏角信息相對其他現(xiàn)有間接狀態(tài)估計算法更為直接，準確。該方法可同時測量多個重要車輛動力學參數(shù)、系統(tǒng)結(jié)構(gòu)簡單、成本低。該方法可實時運行并適用于室內(nèi)外場景。

以上所述的實施例只是本發(fā)明的一種較佳的方案，并非對本發(fā)明作任何形式上的限制，在不超出權(quán)利要求所記載的技術方案的前提下還有其它的變體及改型。