本發(fā)明涉及車輛控制領(lǐng)域，尤其是涉及一種基于后視單目相機(jī)的多列車鉸接角測(cè)量方法。

背景技術(shù)：

鉸接角是多列車的重要?jiǎng)恿W(xué)狀態(tài)，準(zhǔn)確的測(cè)量多列車輛鉸接角可以有利于此類車輛主動(dòng)安全系統(tǒng)的應(yīng)用欲開發(fā)，如多列車主動(dòng)轉(zhuǎn)向與多列車倒車系統(tǒng)等。與本發(fā)明相關(guān)的現(xiàn)有技術(shù)分為如下兩類：

1.接觸式測(cè)量傳感器：如旋轉(zhuǎn)電位器安裝在重型車第五輪位置。

2.非接觸式測(cè)量傳感器：如超聲波傳感器和視覺傳感器等。

接觸式測(cè)量傳感器或超聲波傳感器只適用于某種特定的鉸接形式(如第五輪鉸接)；已有的視覺傳感器只適用于特定的牽引車-掛車連接，并不是一個(gè)獨(dú)立于掛車的系統(tǒng)，更換掛車會(huì)使傳感器失效。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明主要是解決現(xiàn)有技術(shù)所存在的適用范圍小的技術(shù)問題，提供一種不局限于特定的鉸接形式、具有較廣的適用范圍、更換掛車仍然可以正常工作的基于后視單目相機(jī)的多列車鉸接角測(cè)量方法。

本發(fā)明針對(duì)上述技術(shù)問題主要是通過(guò)下述技術(shù)方案得以解決的：一種基于后視單目相機(jī)的多列車鉸接角測(cè)量方法，包括以下步驟：

S1、從單目相機(jī)獲取當(dāng)前時(shí)刻的原始圖像，單目相機(jī)安裝在牽引車后端并朝向掛車；

S2、對(duì)原始圖像進(jìn)行預(yù)處理；

S3、確定預(yù)處理后原始圖像的感興趣區(qū)域；

S4、對(duì)預(yù)處理后圖像的感興趣區(qū)域進(jìn)行FAST特征點(diǎn)提??；

S5、基于步驟S4所提取的FAST特征點(diǎn)，生成SURF特征向量；

S6、對(duì)于所提取的SURF特征向量，利用FLANN特征匹配庫(kù)對(duì)當(dāng)前時(shí)刻的原始圖像和參考圖像進(jìn)行特征匹配；

S7、利用RANSAC選取正確匹配樣本，計(jì)算Homography矩陣；

S8、對(duì)計(jì)算所得Homography矩陣進(jìn)行奇異值分解，獲得相機(jī)轉(zhuǎn)動(dòng)信息R，即為多列車的鉸接角。

作為優(yōu)選，所述參考圖像為由單目相機(jī)獲得的鉸接角為0°、+90°和-90°三種情況下的圖像，對(duì)此三種情況下的圖像按以下方式處理：

A1、對(duì)參考圖像進(jìn)行預(yù)處理；

A2、確定預(yù)處理后的參考圖像的感興趣區(qū)域；

A3、對(duì)參考圖像的感興趣區(qū)域進(jìn)行FAST特征點(diǎn)提?。?/p>

A4、基于步驟A3所提取的FAST特征點(diǎn)，生成SURF特征向量；

A5、將SURF特征向量存入內(nèi)存。

作為優(yōu)選，所述預(yù)處理包括灰度化處理和除畸變處理。

作為優(yōu)選，所述圖像的感興趣區(qū)域?yàn)闈撛趻燔嚽捌矫媾c側(cè)平面部分，確定方法為根據(jù)參考圖片中對(duì)應(yīng)掛車前平面與側(cè)平面對(duì)應(yīng)矩形區(qū)域?yàn)榛鶞?zhǔn)按比例系數(shù)k放大，比例系數(shù)k為預(yù)設(shè)參數(shù)。

作為優(yōu)選，步驟S6中，若前一時(shí)刻鉸接角大于45°，則選用90°的參考圖像的SURF特征向量進(jìn)行匹配；若前一時(shí)刻鉸接角小于-45°，則選用-90°的參考圖像的SURF特征向量進(jìn)行匹配；若前一時(shí)刻鉸接角為45°到-45°，則選用0°的參考圖像的SURF特征向量進(jìn)行匹配。

作為優(yōu)選，所述步驟S7具體為：

通過(guò)m個(gè)循環(huán)，隨機(jī)選取4個(gè)匹配特征，計(jì)算Homography矩陣，對(duì)剩余特征按該矩陣匹配結(jié)果進(jìn)行打分，像素點(diǎn)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(duì)應(yīng)的所有正確匹配特征對(duì)，重新計(jì)算得到最終Homography矩陣；中循環(huán)數(shù)m與距離閾值M均為預(yù)設(shè)值。

作為優(yōu)選，所述Homography矩陣表示為：其中，R為相機(jī)平動(dòng)信息，T為相機(jī)轉(zhuǎn)動(dòng)信息，d為圖像平面對(duì)應(yīng)的深度，N為圖像平面對(duì)應(yīng)的法向信息，K為相機(jī)內(nèi)部參數(shù)矩陣，α為比例系數(shù)，α取決于相機(jī)安裝高度，步驟S7具體為：對(duì)計(jì)算所得Homography矩陣進(jìn)行奇異值分解，獲得相機(jī)平動(dòng)信息T與轉(zhuǎn)動(dòng)信息R；令：

Σ＝diag(σ1,σ2,σ3)，V＝[v1,v2,v3]

這是對(duì)奇異值分解結(jié)果，Σ為對(duì)角矩陣，V為向量，σ1,σ2,σ3以及v1,v2,v3為對(duì)應(yīng)數(shù)值；

$u_1=\frac{\sqrt{{\mathrm{\σ}}_1^2-1}{v}_3+\sqrt{1-{\mathrm{\σ}}_3^2}{v}_1}{\sqrt{{\mathrm{\σ}}_1^2-{\mathrm{\σ}}_3^2}},u_2=\frac{\sqrt{1-{\mathrm{\σ}}_3^2}{v}_1-\sqrt{{\mathrm{\σ}}_1^2-1}{v}_3}{\sqrt{{\mathrm{\σ}}_1^2-{\mathrm{\σ}}_3^2}}$

$U_1=\[v_2,u_1,\widehat{v_2}{u}_1\],U_2=\[v_2,u_2,\widehat{v_2}{u}_2\]$

上述奇異值分解理論上有四組解，如下所示：

解1：

$R_1=W_1{U}_1^T,N_1=\widehat{v_2}{u}_1,\frac{1}{d}{T}_1=(\stackrel{\‾}{H}-R_1)N_1$

解2：

$R_2=W_2{U}_2^T,N_2=\widehat{v_2}{u}_2,\frac{1}{d}{T}_2=(\stackrel{\‾}{H}-R_2)N_2$

解3：

R₃＝R₁,N₃＝-N₁,

解4：

R₄＝R₂,N₄＝-N₂,

選擇方向最接近于上一時(shí)刻法向量N′的法向量N對(duì)應(yīng)的該組解，N′的初始法向量為[0，0，1]。

本方案主要解決了以下幾個(gè)方面的問題：

1.單目圖像預(yù)處理–通過(guò)測(cè)量單目相機(jī)參數(shù)，對(duì)所采集圖像進(jìn)行除畸變。

2.圖像感興趣區(qū)域確定–確定圖像中掛車前表面與側(cè)表面區(qū)域。

3.掛車平面特征點(diǎn)提取–利用FAST特征點(diǎn)，提取掛車前表面或側(cè)表面平面特征，并用SURF特征點(diǎn)進(jìn)行描述。

4.掛車平面特征點(diǎn)匹配–利用FLANN特征匹配算法庫(kù)對(duì)當(dāng)前圖片所提取的特征點(diǎn)與已知角度圖片庫(kù)表面特征進(jìn)行特征匹配，并計(jì)算Homography矩陣。

5.鉸接角信息提取–通過(guò)對(duì)Homography矩陣進(jìn)行奇異值分解，獲取相機(jī)的旋轉(zhuǎn)運(yùn)動(dòng)信息，即為拖掛車輛的鉸接角信息。

本發(fā)明帶來(lái)的實(shí)質(zhì)性效果是，相機(jī)安裝于牽引車后部，成本較低，實(shí)時(shí)性較好，并且獨(dú)立于掛車單元，可集成于牽引車的傳感系統(tǒng)，無(wú)需改變安裝位置即可以適用于不同的掛車系統(tǒng)，應(yīng)用性較廣。

附圖說(shuō)明

圖1是本發(fā)明的一種流程圖；

圖2是本發(fā)明的一種系統(tǒng)結(jié)構(gòu)示意圖；

圖中：1、牽引車，2、掛車，3、單目后視相機(jī)。

具體實(shí)施方式

下面通過(guò)實(shí)施例，并結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步具體的說(shuō)明。

實(shí)施例：本實(shí)施例的一種基于后視單目相機(jī)的多列車鉸接角測(cè)量方法，流程圖如圖1所示。單目后視相機(jī)圖像為本系統(tǒng)的輸入，多列集裝箱車輛鉸接角為本系統(tǒng)的輸出。詳細(xì)的算法模塊功能介紹如下：

1.通過(guò)單目后視相機(jī)3獲取RGB格式圖像，如圖2所示，單目后視相機(jī)安裝在牽引車1后端并朝向掛車2。

2.對(duì)圖像進(jìn)行預(yù)處理，主要包括灰度化以及除畸變。

3.獲取參考圖片，即0°與±90°鉸接角對(duì)應(yīng)的掛車圖片，并進(jìn)行預(yù)處理(步驟2)以及特征提取(步驟5和6)并存入內(nèi)存。

4.確定圖像感興趣區(qū)域(ROI)，即潛在掛車前平面與側(cè)平面部分，根據(jù)牽引車幾何信息以及前一時(shí)刻鉸接角估算可得。

5.對(duì)圖像感興趣區(qū)域進(jìn)行FAST特征點(diǎn)提取。

6.基于所提取的FAST特征點(diǎn)，生成SURF特征向量。

7.對(duì)于所提取的SURF特征向量，利用FLANN特征匹配庫(kù)對(duì)當(dāng)前時(shí)刻圖片與參考圖片感興趣區(qū)域進(jìn)行特征匹配。若前一時(shí)刻鉸接角絕對(duì)值大于45°，與掛車相應(yīng)側(cè)平面(±90°)參考特征進(jìn)行比較；反之，則與掛車前平面(0°)特征進(jìn)行比較。

8.利用RANSAC選取正確匹配樣本，計(jì)算Homography矩陣。

9.對(duì)計(jì)算所得Homography矩陣進(jìn)行奇異值分解，獲得相機(jī)轉(zhuǎn)動(dòng)信息R，即為重型拖掛車輛的鉸接角。

本發(fā)明基于FAST特征點(diǎn)與SURF特征描述進(jìn)行圖像特征運(yùn)算。此特征描述方法不受旋轉(zhuǎn)縮放等因素的影響，并且可進(jìn)行實(shí)時(shí)運(yùn)算。此方法只應(yīng)用單目相機(jī)，硬件成本較低，且安裝位置方便易調(diào)節(jié)。此外，該方法是基于牽引車的鉸接角測(cè)量系統(tǒng)，因而適用于不同掛車單元。

此外，還可以利用SIFT特征提取等方法代替FAST特征提?。?/p>

可以通過(guò)旋轉(zhuǎn)參考圖片生成參考圖片特征庫(kù)(-90°到90°)，然后利用基于模板的匹配方法，通過(guò)相關(guān)運(yùn)算(correlation)選取最接近匹配角度而獲得鉸接角。

本方案所涉及的部分技術(shù)名稱解釋如下：

FAST：此特征檢測(cè)算法來(lái)源于corner的定義，采用機(jī)器學(xué)習(xí)的方法，按如下標(biāo)準(zhǔn)定義特征點(diǎn)：對(duì)于某像素點(diǎn)p，以其為中心的16個(gè)像素點(diǎn)，若其中有n個(gè)連續(xù)的像素點(diǎn)亮度值均大于p點(diǎn)亮度加上某閾值t(或小于p點(diǎn)亮度減去某閾值t)，則p為特征點(diǎn)；可設(shè)置參數(shù)為像素點(diǎn)數(shù)n，亮度閾值t以及是否使用非極大值抑制(Non-Maximum Suppression)。此特征點(diǎn)檢測(cè)是公認(rèn)的比較快速的特征點(diǎn)檢測(cè)方法，只利用周圍像素比較的信息就可以得到特征點(diǎn)，簡(jiǎn)單，有效。該方法多用于角點(diǎn)檢測(cè)。

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(qiáng)，速度快。過(guò)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(kù)，自動(dòng)選擇兩個(gè)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，用于排除不匹配特征信息。

Homography:兩張圖像中對(duì)應(yīng)匹配特征點(diǎn)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(diǎn)，并提取出其位置、尺度、旋轉(zhuǎn)不變量，并以此作為特征點(diǎn)并利用特征點(diǎn)的鄰域產(chǎn)生特征向量。SIFT算法對(duì)于光線、噪聲、和微小視角改變的容忍度相當(dāng)高，且對(duì)于部分遮擋的物體也有較高的識(shí)別相率。

本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說(shuō)明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類似的方式替代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。

盡管本文較多地使用了牽引車、Homography矩陣、掛車等術(shù)語(yǔ)，但并不排除使用其它術(shù)語(yǔ)的可能性。使用這些術(shù)語(yǔ)僅僅是為了更方便地描述和解釋本發(fā)明的本質(zhì)；把它們解釋成任何一種附加的限制都是與本發(fā)明精神相違背的。