一種基于路面圖像特征匹配的車(chē)輛定位方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于路面圖像特征匹配的車(chē)輛定位方法：確定車(chē)輛初始位置的地理坐標(biāo)；在車(chē)輛行駛過(guò)程中實(shí)時(shí)拍攝路面圖像；對(duì)拍攝的當(dāng)前連續(xù)兩幀路面圖像依次進(jìn)行勻光處理；實(shí)時(shí)對(duì)勻光處理后的連續(xù)兩幀路面圖像進(jìn)行匹配，得到該連續(xù)兩幀路面圖像的匹配點(diǎn)對(duì)；根據(jù)得到的匹配點(diǎn)對(duì)進(jìn)行車(chē)輛定位；判斷當(dāng)前兩幀圖像是否為最后的兩幀，是則結(jié)束，否則重復(fù)上述步驟。該方法僅需要在車(chē)輛行駛過(guò)程中實(shí)時(shí)采集路面圖像，并對(duì)連續(xù)兩幀路面圖像匹配，從而實(shí)現(xiàn)自主車(chē)輛定位，該方法不易受干擾，定位精度高，且省去了現(xiàn)有定位方法中提前采集全方位街景的費(fèi)時(shí)費(fèi)力的環(huán)節(jié)，因此省時(shí)省力。
【專(zhuān)利說(shuō)明】一種基于路面圖像特征匹配的車(chē)輛定位方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，具體涉及一種基于路面圖像特征匹配的車(chē)輛定位方法。
【背景技術(shù)】
[0002]目前，常用的車(chē)輛定位技術(shù)有GPS定位技術(shù)和慣性導(dǎo)航(INS)。GPS定位技術(shù)是一種被動(dòng)定位方式，其存在定位精度低、信號(hào)盲區(qū)、輸出頻率低等缺陷，當(dāng)車(chē)輛行駛至無(wú)信號(hào)地區(qū)，GPS無(wú)法滿(mǎn)足要求；當(dāng)需要對(duì)車(chē)輛行為進(jìn)行安全評(píng)估工作時(shí)，GPS定位精度無(wú)法滿(mǎn)足要求。慣性導(dǎo)航(INS)是一種自主定位方式，在車(chē)輛行駛過(guò)程中實(shí)時(shí)獲取車(chē)輛的經(jīng)緯度和加速度，具有全天候、抗干擾和瞬時(shí)測(cè)量精度高等優(yōu)點(diǎn)，然而，其主要部件陀螺儀會(huì)隨時(shí)間進(jìn)行漂移，導(dǎo)致其定位誤差隨時(shí)間進(jìn)行累計(jì)，因而難以長(zhǎng)時(shí)間獨(dú)立工作，新的定位技術(shù)不斷被探索。
[0003]近年來(lái)，隨著圖像處理技術(shù)快速發(fā)展，運(yùn)用圖像處理技術(shù)實(shí)現(xiàn)車(chē)輛自主高精度定位成為研究熱點(diǎn)。目前，運(yùn)用圖像處理技術(shù)進(jìn)行車(chē)輛定位的方式主要是:提前拍攝全方位街景并存儲(chǔ)在數(shù)據(jù)庫(kù)中，在車(chē)輛行駛過(guò)程中實(shí)時(shí)利用兩個(gè)攝像頭從不同角度拍攝街景，然后將拍攝的街景與預(yù)存的全方位街景進(jìn)行匹配，利用三角測(cè)量的方法定位車(chē)輛的精確位置。這種方法的特點(diǎn)是定位精度較高，但是需要提前做準(zhǔn)備工作，即全方位拍攝街景，因此該方法費(fèi)時(shí)費(fèi)力，不能適用于未經(jīng)采集全景的車(chē)輛實(shí)時(shí)定位。

【發(fā)明內(nèi)容】

[0004]針對(duì)上述現(xiàn)有技術(shù)的缺陷或不足，本發(fā)明的目的在于，提供一種基于路面圖像特征匹配的車(chē)輛定位方法，該方法僅需要在車(chē)輛行駛過(guò)程中實(shí)時(shí)采集路面圖像，并對(duì)連續(xù)兩幀路面圖像匹配，從而實(shí)現(xiàn)自主車(chē)輛定位，該方法不易受干擾，定位精度高，且省去了現(xiàn)有定位方法中提前采集全方位街景的費(fèi)時(shí)費(fèi)力的環(huán)節(jié)，因此省時(shí)省力。
[0005]為了完成上述任務(wù)，本發(fā)明采用以下技術(shù)方案予以解決:
[0006]一種基于路面圖像特征匹配的車(chē)輛定位方法，具體包括如下步驟:
[0007]步驟一:確定車(chē)輛初始位置的地理坐標(biāo)(Pci，Q0);在車(chē)輛行駛過(guò)程中實(shí)時(shí)拍攝路面圖像。
[0008]步驟二:對(duì)拍攝的當(dāng)前連續(xù)兩幀路面圖像依次進(jìn)行勻光處理。
[0009]步驟三:實(shí)時(shí)對(duì)勻光處理后的連續(xù)兩幀路面圖像進(jìn)行匹配，得到該連續(xù)兩幀路面圖像的匹配點(diǎn)對(duì)。
[0010]步驟四，根據(jù)得到的匹配點(diǎn)對(duì)進(jìn)行車(chē)輛定位。
[0011]步驟五，判斷當(dāng)前兩幀圖像是否為最后的兩幀，是則結(jié)束，否則執(zhí)行步驟二。
[0012]進(jìn)一步的，所述步驟二的對(duì)路面圖像進(jìn)行勻光處理具體包括如下步驟:
[0013]將路面圖像I1劃分為MXN個(gè)大小相等、互不重疊的子塊圖像，每個(gè)子塊圖像的大小為mXn, m, η取值為2k, k=5、6、7 ;計(jì)算每個(gè)子塊圖像的平均灰度h(i, j),其中，i =1，2，…，M;j = 1，2，...，N，得到原圖像I1的背景子集Η。
[0014]
[0015]采用雙線(xiàn)性插值方法將背景子集H擴(kuò)大為與原圖像I1大小相等的背景圖像Itl ；
[0016]利用式I對(duì)圖像進(jìn)行整體灰度校正，得到校正后的圖像Al。
[0017]AI = I1-1ci (式 I)
[0018]利用式2將校正后的背景圖像Λ I映射到O~255灰度級(jí)空間得整體灰度校正圖
像I2:
[0020]式中，Δ Imax, Δ Imin分別是校正后的背景圖像Λ I中的最大灰度值和最小灰度值。
[0021]對(duì)整體灰度校正圖像I2進(jìn)行局部對(duì)比度增強(qiáng):將整體灰度校正圖像I2劃分為MXN個(gè)、圖像子塊大小為mXn，m, η取值為2k，k=5、6、7 ;對(duì)每個(gè)圖像子塊進(jìn)行直方圖均衡化，得到局部對(duì)比度增強(qiáng)圖像I3 ；
[0022]將局部對(duì)比度增強(qiáng)圖像I3和整體灰度校正圖像I2按式3融合，得到增強(qiáng)圖像F:
[0023]F = wXI3+(1-w) XI2 (式 3)
[0024]式中，w是融合權(quán)重，取0.5-0.7。
[0025]進(jìn)一步的，所述步驟三的對(duì)勻光處理后的連續(xù)兩幀路面圖像進(jìn)行匹配的具體步驟如下:
[0026]第I步:獲取連續(xù)兩幀路面圖像的所有匹配點(diǎn)對(duì)；
[0027]第2步，判斷第I步得到的匹配點(diǎn)對(duì)的個(gè)數(shù)是否大于閾值T，是則執(zhí)行第4步；否則執(zhí)行第3步；
[0028]第3步，基于SIFT特征點(diǎn)的Hu矩和灰度特征獲得連續(xù)兩幀路面圖像的匹配點(diǎn)對(duì)；
[0029]第4步，消除錯(cuò)誤匹配點(diǎn)對(duì)。
[0030]進(jìn)一步的，所述第I步中，采用利用SIFT算法獲取連續(xù)兩幀路面圖像的所有匹配點(diǎn)對(duì)。
[0031]進(jìn)一步的，將SIFT算法中的歐氏距離函數(shù)用式4的街區(qū)距離L替換后，用替換后
的SIFT算法獲取連續(xù)兩幀路面圖像的匹配點(diǎn)對(duì)；街區(qū)距離L如下:
[0033]式中，Iik表示連續(xù)兩幀路面圖像中第I幀路面圖像的第i個(gè)SIFT特征點(diǎn)的第k個(gè)特征向量的元素；ljk分別表示連續(xù)兩幀路面圖像中第2幀路面圖像的第j個(gè)SIFT特征點(diǎn)的第k個(gè)特征向量的元素A1表示連續(xù)兩幀路面圖像中第I幀路面圖像的SIFT特征點(diǎn)的個(gè)數(shù)；N2表示連續(xù)兩幀路面圖像中第2幀路面圖像的SIFT特征點(diǎn)的個(gè)數(shù)。
[0034]進(jìn)一步的，所述第2步中的閾值T不小于3。
[0035]進(jìn)一步的，所述第3步的具體步驟如下:[0036]3.1 獲取 Hu 矩
[0037]對(duì)所述的連續(xù)兩幀路面圖像分別以每個(gè)SIFT特征點(diǎn)為圓心，r=32作圓，得到多個(gè)圓形的計(jì)算區(qū)域，然后對(duì)每個(gè)計(jì)算區(qū)域獲取Hu矩；
[0038]3.2獲取灰度特征
[0039]利用式8和式9計(jì)算每個(gè)計(jì)算區(qū)域的灰度平均值M和標(biāo)準(zhǔn)差σ，作為灰度特征向量;
【權(quán)利要求】
1.一種基于路面圖像特征匹配的車(chē)輛定位方法，其特征在于，具體包括如下步驟: 步驟一:確定車(chē)輛初始位置的地理坐標(biāo)(Po，qo);在車(chē)輛行駛過(guò)程中實(shí)時(shí)拍攝路面圖像。 步驟二:對(duì)拍攝的當(dāng)前連續(xù)兩幀路面圖像依次進(jìn)行勻光處理。 步驟三:實(shí)時(shí)對(duì)勻光處理后的連續(xù)兩幀路面圖像進(jìn)行匹配，得到該連續(xù)兩幀路面圖像的匹配點(diǎn)對(duì)。 步驟四，根據(jù)得到的匹配點(diǎn)對(duì)進(jìn)行車(chē)輛定位。 步驟五，判斷當(dāng)前兩幀圖像是否為最后的兩幀，是則結(jié)束，否則執(zhí)行步驟二。
2.如權(quán)利要求1所述的基于路面圖像特征匹配的車(chē)輛定位方法，其特征在于，所述步驟二的對(duì)路面圖像進(jìn)行勻光處理具體包括如下步驟: 將路面圖像I1劃分為MXN個(gè)大小相等、互不重疊的子塊圖像，每個(gè)子塊圖像的大小為mXn(m,n取值為2k, k=5、6、7);計(jì)算每個(gè)子塊圖像的平均灰度h (i, j)，其中，i = 1，2，…，M ;j = 1，2，...，N，得到原圖像I1的背景子集H。
3.如權(quán)利要求1所述的基于路面圖像特征匹配的車(chē)輛定位方法，其特征在于，所述步驟三的對(duì)勻光處理后的連續(xù)兩幀路面圖像進(jìn)行匹配的具體步驟如下: 第I步，獲取連續(xù)兩幀路面圖像的所有匹配點(diǎn)對(duì)； 第2步，判斷第I步得到的匹配點(diǎn)對(duì)的個(gè)數(shù)是否大于閾值T，是則執(zhí)行第4步；否則執(zhí)行第3步； 第3步，基于SIFT特征點(diǎn)的Hu矩和灰度特征獲得連續(xù)兩幀路面圖像的匹配點(diǎn)對(duì)； 第4步，消除錯(cuò)誤匹配點(diǎn)對(duì)。
4.如權(quán)利要求3所述的基于路面圖像特征匹配的車(chē)輛定位方法，其特征在于，所述第I步中，采用利用SIFT算法獲取連續(xù)兩幀路面圖像的所有匹配點(diǎn)對(duì)。
5.如權(quán)利要求3所述的基于路面圖像特征匹配的車(chē)輛定位方法，其特征在于，所述第I步中，將SIFT算法中的歐氏距離函數(shù)用式4的街區(qū)距離L替換后，用替換后的SIFT算法獲取連續(xù)兩幀路面圖像的匹配點(diǎn)對(duì)；街區(qū)距離L如下:
L = YlIii1-1n-1 = l,2,..\, j = 1,2,--,N2 (式 4) 式中，Iik表示連續(xù)兩幀路面圖像中第I幀路面圖像的第i個(gè)SIFT特征點(diǎn)的第k個(gè)特征向量的元素分別表示連續(xù)兩幀路面圖像中第2幀路面圖像的第j個(gè)SIFT特征點(diǎn)的第k個(gè)特征向量的元素A1表示連續(xù)兩幀路面圖像中第I幀路面圖像的SIFT特征點(diǎn)的個(gè)數(shù)；N2表示連續(xù)兩幀路面圖像中第2幀路面圖像的SIFT特征點(diǎn)的個(gè)數(shù)。
6.如權(quán)利要求3所述的基于路面圖像特征匹配的車(chē)輛定位方法，其特征在于，所述第2步中的閾值T不小于3。
7.如權(quán)利要求3所述的基于路面圖像特征匹配的車(chē)輛定位方法，其特征在于，所述第3步的具體步驟如下: ` 3.1獲取Hu矩 對(duì)所述的連續(xù)兩幀路面圖像分別以每個(gè)SIFT特征點(diǎn)為圓心，r=32作圓，得到多個(gè)圓形的計(jì)算區(qū)域，然后對(duì)每個(gè)計(jì)算區(qū)域獲取Hu矩；` 3.2獲取灰度特征 利用式8和式9計(jì)算每個(gè)計(jì)算區(qū)域的灰度平均值M和標(biāo)準(zhǔn)差σ，作為灰度特征向量； 式中，(a, b)為SIFT特征點(diǎn)的位置，r為SIFT特征點(diǎn)所在的計(jì)算區(qū)域的半徑，total為SIFT特征點(diǎn)所在的計(jì)算區(qū)域內(nèi)像素點(diǎn)的總數(shù)，f(x, y)為SIFT特征點(diǎn)所在的計(jì)算區(qū)域內(nèi)坐標(biāo)為(x，y)處的灰度值。 ` 3.3獲取匹配點(diǎn)對(duì) 對(duì)得到的連續(xù)兩幀路面圖像中所有SIFT特征點(diǎn)的Hu矩利用式10所示的最大最小值法分別計(jì)算SIFT特征點(diǎn)對(duì)(i，j )的相似度ru，得到SIFT特征點(diǎn)對(duì)(i，j )基于Hu矩的相似度矩陣r_Hu ;對(duì)得到的連續(xù)兩幀路面圖像中所有SIFT特征點(diǎn)的灰度特征利用式10所示的最大最小值法分別計(jì)算SIFT特征點(diǎn)對(duì)(i，j)的相似度ru，得到SIFT特征點(diǎn)對(duì)(i，j)基于灰度特征的相似度矩陣r_gray ； 式中，i是指連續(xù)兩幀路面圖像中第I幀的任一 SIFT特征點(diǎn)，j指第2幀中的任一 SIFT特征點(diǎn)，M為特征向量中元素總個(gè)數(shù)，對(duì)于Hu矩，M=7，對(duì)于灰度特征，M=2。fik為第I幀路面圖像中的第i個(gè)SIFT特征點(diǎn)的第k個(gè)特征向量的元素，f#為第2幀路面圖像中的第j個(gè)SIFT特征點(diǎn)的第k個(gè)特征向量的元素。N1表示第I幀路面圖像SIFT特征點(diǎn)的個(gè)數(shù)；N2表示第2幀路面圖像SIFT特征點(diǎn)的個(gè)數(shù)。 利用式11對(duì)得到的基于Hu矩和基于灰度矩陣的相似度矩陣進(jìn)行加權(quán)融合，得到最終匹配程度矩陣end_r。最后按照相似度rij降序排列(ru數(shù)值越大，相似度越大)，取前若干個(gè)SIFT特征點(diǎn)對(duì)作為最佳匹配點(diǎn)對(duì)，組成匹配點(diǎn)對(duì)集合，一般取3-5個(gè)SIFT特征點(diǎn)對(duì)。
end_r = we i ght X r_Hu+(1-we i ght)X r_gray (式 11) 式中，r_Hu為SIFT特征點(diǎn)對(duì)基于Hu矩的相似度矩陣，r_gray為SIFT特征點(diǎn)對(duì)基于灰度特征的相似度矩陣；weight為權(quán)重，取0.3-0.5 ； 將第I步獲得的匹配點(diǎn)對(duì)加入所述的匹配點(diǎn)對(duì)集合。
8.如權(quán)利要求3所述的基于路面圖像特征匹配的車(chē)輛定位方法，其特征在于，所述第4步使用RANSAC算法消除錯(cuò)誤的匹配點(diǎn)對(duì)，具體步驟如下: (1)對(duì)第I步獲得的連續(xù)兩幀路面圖像匹配點(diǎn)對(duì)(mk—mk’，其中，k=l,2，"'nu^nui表示匹配點(diǎn)對(duì)的總個(gè)數(shù))，將匹配點(diǎn)對(duì)的坐標(biāo)歸一化； (2)從匹配點(diǎn)對(duì)集合當(dāng)中任取8個(gè)匹配點(diǎn)對(duì)，使用8點(diǎn)算法計(jì)算基本矩陣Ai； (3)以sampson距離(d)為判據(jù),在匹配點(diǎn)對(duì)集合(mk—mk’，k=l,2，尋找所有符合d〈t條件的匹配點(diǎn)對(duì)，將它們作為內(nèi)點(diǎn)，并記錄滿(mǎn)足基本矩陣Ai約束的內(nèi)點(diǎn)數(shù)量。若內(nèi)點(diǎn)數(shù)量大于事先給定閾值(閾.值等于匹配點(diǎn)對(duì)總數(shù)m_n的80%)，則保留Ai,否則舍棄； (4)重復(fù)執(zhí)行(2)和(3)兩步驟k次，k=1000，記錄每一次的滿(mǎn)足基本矩陣Ai約束的內(nèi)點(diǎn)數(shù)量； (5 )選取對(duì)應(yīng)內(nèi)點(diǎn)數(shù)最大的Abest，并把滿(mǎn)足Abest約束的內(nèi)點(diǎn)作為最終的內(nèi)點(diǎn)，也即正確的匹配點(diǎn)對(duì)，不符合d〈t條件的點(diǎn)對(duì)作為誤配點(diǎn)對(duì)，予以剔除，t取0.001-0.01，k=1000。
9.如權(quán)利要求1所述的基于路面圖像特征匹配的車(chē)輛定位方法，其特征在于，所述步驟四具體包括如下步驟: 將步驟三得到的連續(xù)兩幀路面圖像的匹配點(diǎn)對(duì)中的任意兩組匹配點(diǎn)對(duì)同時(shí)代入式12，得到一組旋轉(zhuǎn)角度Θ和偏移量(a，b)，直到所有的匹配點(diǎn)對(duì)都兩兩組合結(jié)束。 X cos Θ —sin 沒(méi) a x Y= sin 6* cos0 by (式 12) I J L ο 0 lj[l 式中，(x, y)表示任意一組匹配點(diǎn)對(duì)中位于第I幀圖像里的SIFT點(diǎn)的坐標(biāo)；(X，Y)表示任意一組匹配點(diǎn)對(duì)中位于第2幀圖像里的SIFT點(diǎn)的坐標(biāo)。 將得到的所有組的旋轉(zhuǎn)角度Θ、偏移量(a，b)分別求平均值，得到當(dāng)前的連續(xù)兩幀連續(xù)的路面圖像之間的旋轉(zhuǎn)角度Θ '以及偏移量(a'，b,)。 利用式13更新初始位置坐標(biāo)下的圖像偏轉(zhuǎn)角end_ Θ:
end_ θ = θ ' +end_ θ (式 13) end_9的初始值為0。 利用式14計(jì)算初始位置坐標(biāo)下的圖像偏移量(end_a, end_b):end—a = a' cos end— Θ ~hf sin end— Θ (式 14) end—b = a' sin end— Θ +b' cos end— Θ 利用車(chē)輛物理位置與車(chē)輛在路面圖像中位置的對(duì)應(yīng)關(guān)系以及得到的圖像偏移量(end—a，end—b)，獲得車(chē)輛當(dāng)前的偏移量(p，q)。 利用式15更新車(chē)輛位置:
end—p=p+end—P end—q=q+end—q (式 15) end—p的初始值為Po，end—q的初始值為q。
【文檔編號(hào)】G06T7/00GK103473774SQ201310406668
【公開(kāi)日】2013年12月25日 申請(qǐng)日期:2013年9月9日 優(yōu)先權(quán)日:2013年9月9日
【發(fā)明者】趙祥模, 徐志剛, 周經(jīng)美, 張立成, 程鑫, 任亮, 白國(guó)柱 申請(qǐng)人:長(zhǎng)安大學(xué)