本發(fā)明涉及車輛控制領(lǐng)域，尤其涉及一種基于車載雙目相機和分段式PID控制的車道保持方法。

背景技術(shù)：

車道保持輔助系統(tǒng)是高級車輛輔助駕駛的主要功能之一，該系統(tǒng)已經(jīng)被歐洲新車評價體系(EU-NCAP)列入五星安全評價考量標(biāo)準(zhǔn)之一。該系統(tǒng)的功能在于對駕駛員無變道意圖情況下的車道偏離現(xiàn)象做出修正，以避免潛在變道交通事故或違規(guī)駕駛行為(實線變道)的發(fā)生。

現(xiàn)有車道保持輔助系統(tǒng)主要基于單目相機的圖像分析與處理，提取車道線信息、計算車輛偏航參數(shù)，并施加相應(yīng)的車輛控制操作。車道線檢測主要缺點有：易受光照、陰影等影響；基于平面、直線標(biāo)識等假設(shè)，應(yīng)用范圍受限(不適用于坡道以及轉(zhuǎn)彎工況)；車道線檢測范圍為圖像固定區(qū)域，檢測結(jié)果易受該區(qū)域內(nèi)出現(xiàn)的其它車輛影響。所使用的傳感系統(tǒng)復(fù)雜。車道保持控制策略對駕駛員介入響應(yīng)較差。

技術(shù)實現(xiàn)要素：

本發(fā)明為了解決上述技術(shù)問題，提供一種基于車載雙目相機和分段式PID控制的車道保持方法，其根據(jù)雙目視差匹配代價信息動態(tài)更新車道線檢測區(qū)域，應(yīng)用車道線距離、寬度和角度閾值濾波，顯著提升檢測準(zhǔn)確率，采用分段PID控制算法實現(xiàn)不同車速的車道保持，對車道偏離的修正更為精確，可適用于直線和轉(zhuǎn)彎等不同工況。

本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的：本發(fā)明基于車載雙目相機和分段式PID控制的車道保持方法，包括如下步驟：

①基于車載雙目相機估算車輛可通行區(qū)域；

②在估算出的車輛可通行區(qū)域內(nèi)進行車道線檢測和跟蹤；

③計算車輛側(cè)偏角β；

④計算車輛的車道偏離距離ΔY；

⑤利用轉(zhuǎn)角分段PID控制器計算修正車道偏離距離ΔY所需要的方向盤轉(zhuǎn)角補償值Δδ；

⑥根據(jù)方向盤轉(zhuǎn)角補償值Δδ計算修正車道偏離所需要的方向盤轉(zhuǎn)向電機控制電壓V_D，然后輸入給方向盤轉(zhuǎn)向電機，對車輛車道偏離進行修正。

本發(fā)明利用車載雙目相機對圖像進行分析和處理，根據(jù)雙目視差匹配代價信息動態(tài)更新車道線檢測區(qū)域，應(yīng)用車道線距離、寬度和角度閾值濾波，顯著提升檢測準(zhǔn)確率，同時采用分段PID控制算法確定車輛的方向盤轉(zhuǎn)角修正量，以實時最小化車輛行駛側(cè)向偏移量，實現(xiàn)不同車速的車道保持，對車道偏離的修正更為精確，可適用于直線和轉(zhuǎn)彎等不同工況。

作為優(yōu)選，所述的步驟①為：獲取所述的車載雙目相機送來的信息，利用雙目視差匹配代價逐行求和獲得V-視差圖，將V-視差圖中點集擬合成B-樣條曲線獲得縱向道路模型；根據(jù)縱向道路模型，利用動態(tài)規(guī)劃雙目視差匹配代價的方法檢測車輛前方可通行區(qū)域范圍，即車道檢測的感興趣圖像區(qū)域，計算障礙物與道路交線，交線以下部分即為車輛可通行區(qū)域?？v向道路模型就是道路高度隨距離變化關(guān)系，車輛可通行區(qū)域就是車道檢測的感興趣圖像區(qū)域。根據(jù)雙目視差匹配代價信息動態(tài)更新車道線檢測區(qū)域，顯著提升檢測準(zhǔn)確率。

作為優(yōu)選，所述的步驟②為：在估算出的車輛可通行區(qū)域內(nèi)提取二次化邊緣特征，設(shè)定車道線寬度、距離及角度閾值，過濾掉不符合車道線幾何特征的二次化邊緣特征，利用固定長度多段直線擬合車道線特征點，通過車道線長度閾值設(shè)定，確定車道線類型，利用卡爾曼濾波，對已檢測出的車道線進行跟蹤。在車輛可通行區(qū)域內(nèi)進行車道線檢測和跟蹤，主要調(diào)用的函數(shù)有：圖像去噪、canny特征提取、車道線閾值過濾(間距、寬度以及方向)、霍夫直線擬合以及卡爾曼濾波。區(qū)分車道線類型，實線或虛線，應(yīng)用車道線距離、寬度和角度閾值濾波，可有效提升檢測準(zhǔn)確率。

車載雙目相機，基于雙目視差信息，確定前方潛在障礙物區(qū)域與距離。其采用的方法包括以下步驟：通過雙目相機拍攝RGB格式的圖像，所得到的圖像為雙目圖像；對圖像進行預(yù)處理；計算圖像中每個像素點的最終匹配代價；圖像坐標(biāo)系中，u為像素點的橫軸坐標(biāo)，v為像素點的縱軸坐標(biāo)；通過最終匹配代價計算得到縱向道路平面對應(yīng)的V-視差圖；利用V-視差圖確定地平線和路面范圍；在路面范圍內(nèi)，計算得到障礙物-道路交線；在障礙物-道路交線以下部分，進行車道線檢測，對圖像進行二次處理，提取霍夫直線，確定當(dāng)前車道與最外側(cè)車道范圍；在障礙物-道路交線以上部分，計算得到障礙物高度；設(shè)置障礙物寬度、高度和深度的閾值模塊，過濾圖像中相鄰的障礙物區(qū)域，確定屬于同一障礙物的圖像區(qū)域；輸出經(jīng)過閾值過濾之后的道路區(qū)域信息與障礙物信息。

作為優(yōu)選，所述的步驟③為：在所提取的左側(cè)車道線和右側(cè)車道線區(qū)域內(nèi)，提取FAST特征，并進行SURF特征描述，利用FLANN對相鄰兩幀圖片的對應(yīng)區(qū)域進行特征匹配，得到Homography矩陣，進行奇異值分解，得到車輛圖像坐標(biāo)系下的平動信息，平動信息的x與y分量的比值即為車輛側(cè)偏角β。車輛側(cè)偏角定義為車輛行駛方向和車輛朝向的夾角。具體測量方法如下：

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(yù)處理；

步驟三：預(yù)估時間軸相鄰幀圖片中重合部分作為ROI區(qū)域進行提??；

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；

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；執(zhí)行步驟九并同時執(zhí)行步驟一；

步驟九：通過公式：計算得出車輛的實時側(cè)偏角β；

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；

FAST：此特征檢測算法來源于corner的定義，采用機器學(xué)習(xí)的方法，按如下標(biāo)準(zhǔn)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(shè)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(yīng)匹配特征點的投影變換矩陣。

作為優(yōu)選，所述的步驟④為：根據(jù)車道線檢測和跟蹤結(jié)果，確定車道中心線信息，即左車道線與右車道線在車輛圖像坐標(biāo)系中的幾何中值，根據(jù)車輛側(cè)偏角β以及預(yù)瞄距離d，估算車輛預(yù)瞄軌跡信息，d＝K*V，其中V為車速，K為比例系數(shù)，K通過實驗標(biāo)定；在車輛圖像坐標(biāo)系下計算車輛的車道偏離距離ΔY，ΔY＝d*sinβ-f(d*cosβ)，其中Y＝f(X)為車道中心線對應(yīng)擬合方程。方程y＝f(X)，例如可采用高階多項式：Y＝aX²+bX+c。

作為優(yōu)選，所述的步驟⑤為：利用轉(zhuǎn)角分段PID控制器確定方向盤轉(zhuǎn)角補償值Δδ，

$\mathrm{\Δ}\mathrm{\δ}=K_{PID}^1*\mathrm{\Δ}Y,$

為轉(zhuǎn)角分段PID控制器增益值，通過試驗標(biāo)定好的第一個車速-控制增益表獲得。

轉(zhuǎn)角分段PID控制器采用分段PID控制算法確定車輛的方向盤轉(zhuǎn)角修正量，修正更為精確，實現(xiàn)不同車速的車道保持。分段PID控制器，是指由于不同的控制值，系統(tǒng)的響應(yīng)特性不同，不能按照一個調(diào)節(jié)參數(shù)去適應(yīng)，通常將控制量分成不同的階段，采用不同的調(diào)節(jié)參數(shù)。

作為優(yōu)選，所述的步驟⑥為：根據(jù)方向盤轉(zhuǎn)角補償值Δδ，利用電機分段PID控制器，計算修正車道偏離所需要的方向盤轉(zhuǎn)向電機控制電壓V_D，

$V_D=K_{PID}^2*\mathrm{\Δ}\mathrm{\δ},$

為電機分段PID控制器增益值，通過試驗標(biāo)定好的第二個車速-控制增益表獲得，

然后將計算得到的電壓V_D輸入給方向盤轉(zhuǎn)向電機，由方向盤轉(zhuǎn)向電機控制方向盤的轉(zhuǎn)向，對車輛車道偏離進行修正。

電機分段PID控制器采用分段PID控制算法確定修正車道偏離所需要的方向盤轉(zhuǎn)向電機控制電壓，計算更為精確，實現(xiàn)不同車速的車道保持，以實時地盡可能地減小車輛行駛側(cè)向偏移量。采用雙重分段PID控制策略，提高車輛車道保持的準(zhǔn)確性和可靠性。

本發(fā)明的有益效果是：適用于直線和轉(zhuǎn)彎等不同工況，利用車載雙目相機，根據(jù)雙目視差匹配代價信息動態(tài)更新車道線檢測區(qū)域，應(yīng)用車道線距離、寬度和角度閾值濾波，顯著提升檢測準(zhǔn)確率，采用雙重分段PID控制策略對車輛的方向盤轉(zhuǎn)角進行修正，修正更為精確，實現(xiàn)不同車速的車道保持，提高車輛車道保持的準(zhǔn)確性和可靠性，從而提高行車的安全性。

附圖說明

圖1是本發(fā)明車道保持控制系統(tǒng)的一種系統(tǒng)連接結(jié)構(gòu)框圖。

圖2是本發(fā)明中車輛圖像坐標(biāo)系的一種示意圖。

圖3是本發(fā)明車道保持方法的一種處理流程圖。

圖中1.車載雙目相機，2.車速傳感器，3.轉(zhuǎn)向燈組合開關(guān)信號，4.控制單元，5.ECU行車電腦，6.方向盤轉(zhuǎn)向電機，7.左車道線，8.右車道線，9.前車輪。

具體實施方式

下面通過實施例，并結(jié)合附圖，對本發(fā)明的技術(shù)方案作進一步具體的說明。

實施例：本實施例的基于車載雙目相機和分段式PID控制的車道保持方法，所采用的車道保持控制系統(tǒng)如圖1所示，車道保持控制系統(tǒng)包括控制單元4、車載雙目相機1、車速傳感器2、轉(zhuǎn)向燈組合開關(guān)信號3、ECU行車電腦5和方向盤轉(zhuǎn)向電機6，車載雙目相機1、車速傳感器2及轉(zhuǎn)向燈組合開關(guān)信號3分別和控制單元4的輸入端相連，控制單元4的輸出端和ECU行車電腦5的輸入端相連，ECU行車電腦5的輸出端和方向盤轉(zhuǎn)向電機6的輸入端相連。

控制單元首先根據(jù)車速傳感器所測得的當(dāng)前車速V及轉(zhuǎn)向燈組合開關(guān)信號判斷是否開啟車道保持功能。如果車速V高于某一設(shè)定閾值V0并且駕駛員無變道操作(無轉(zhuǎn)向燈組合開關(guān)信號)時，則車道保持功能開啟，反之則關(guān)閉。

當(dāng)然判斷駕駛員是否有變道操作，也可通過設(shè)置方向盤扭矩傳感器實現(xiàn)，方向盤扭矩傳感器所測得的扭矩力小于某一設(shè)定值時判斷為無變道操作。

基于車載雙目相機和分段式PID控制的車道保持方法，以雙目相機、車速傳感器及轉(zhuǎn)向燈組合開關(guān)信號為輸入，方向盤轉(zhuǎn)向電機控制電壓為輸出，處理流程如圖3所示，包括如下步驟：

①基于車載雙目相機估算車輛可通行區(qū)域：獲取所述的車載雙目相機送來的信息，利用雙目視差匹配代價逐行求和獲得V-視差圖，將V-視差圖中點集擬合成B-樣條曲線獲得縱向道路模型；根據(jù)縱向道路模型，利用動態(tài)規(guī)劃雙目視差匹配代價的方法檢測車輛前方可通行區(qū)域范圍，即車道檢測的感興趣圖像區(qū)域，計算障礙物與道路交線，交線以下部分即為車輛可通行區(qū)域；

②在估算出的車輛可通行區(qū)域內(nèi)進行車道線檢測和跟蹤：在估算出的車輛可通行區(qū)域內(nèi)提取二次化邊緣特征，設(shè)定車道線寬度、距離及角度閾值，過濾掉不符合車道線幾何特征的二次化邊緣特征，利用固定長度多段直線擬合車道線特征點，通過車道線長度閾值設(shè)定，確定車道線類型，利用卡爾曼濾波，對已檢測出的車道線進行跟蹤；

③計算車輛側(cè)偏角β：在所提取的左側(cè)車道線和右側(cè)車道線區(qū)域內(nèi)，提取FAST特征，并進行SURF特征描述，利用FLANN對相鄰兩幀圖片的對應(yīng)區(qū)域進行特征匹配，得到Homography矩陣，進行奇異值分解，得到車輛圖像坐標(biāo)系下的平動信息，平動信息的x與y分量的比值即為車輛側(cè)偏角β；(圖2中，車輛圖像坐標(biāo)系的原點為車輛前軸中點，Y方向為車輛行駛方向，X方向為車輛左側(cè)向，車輛行駛在左車道線7和右車道線8之間，圖中只畫出了車輛的前車輪9，車輛側(cè)偏角β為車輛行駛方向和車輛朝向的夾角)；

④計算車輛的車道偏離距離ΔY：根據(jù)車道線檢測和跟蹤結(jié)果，確定車道中心線信息，即左車道線與右車道線在車輛圖像坐標(biāo)系中的幾何中值，根據(jù)車輛側(cè)偏角β以及預(yù)瞄距離d，估算車輛預(yù)瞄軌跡信息，d＝K*V，其中V為車速，K為比例系數(shù)，K通過實驗標(biāo)定；在車輛圖像坐標(biāo)系下計算車輛的車道偏離距離△Y，

ΔY＝d*sinβ-f(d*cosβ)，其中Y＝f(X)為車道中心線對應(yīng)擬合方程；

⑤利用轉(zhuǎn)角分段PID控制器確定方向盤轉(zhuǎn)角補償值Δδ，

$\mathrm{\Δ}\mathrm{\δ}=K_{PID}^1*\mathrm{\Δ}Y,$

為轉(zhuǎn)角分段PID控制器增益值，通過試驗標(biāo)定好的第一個車速-控制增益表獲得；

⑥控制單元將計算出的方向盤轉(zhuǎn)角補償值Δδ輸送給車輛的ECU行車電腦，ECU行車電腦利用電機分段PID控制器，計算修正車道偏離所需要的方向盤轉(zhuǎn)向電機控制電壓V_D，

$V_D=K_{PID}^2*\mathrm{\Δ}\mathrm{\δ},$

為電機分段PID控制器增益值，通過試驗標(biāo)定好的第二個車速-控制增益表獲得，

然后將計算得到的電壓V_D輸入給方向盤轉(zhuǎn)向電機，由方向盤轉(zhuǎn)向電機控制方向盤的轉(zhuǎn)向，對車輛車道偏離進行修正。

車載前向雙目相機，基于雙目視差信息，確定前方潛在障礙物區(qū)域與距離。具體方法如下：

1.獲取RGB格式雙目圖像。

2.對圖像進行預(yù)處理，主要包括灰度化，除畸變以及立體矯正。

3.對預(yù)處理后的圖片中每個像素點(u，v)對應(yīng)的視差d，計算基于灰度值絕對值之差(SAD)的匹配代價C_v(u_i，v_i，d_i)，計算方法如下：

C_v(u_i，v_i，d_i)＝img_left(u_i，v_i)-img_right(u_i-d_i，v_i)

其中，u_i為圖像坐標(biāo)系下像素點i的橫坐標(biāo)，v_i為圖像坐標(biāo)系下像素點i的縱坐標(biāo)，img_left(u_i，v_i)為像素點i在左圖上的灰度值絕對值，img_right(u_i-d_i，v_i)為坐標(biāo)為(u_i-d_i，v_i)的像素點在右圖上的灰度值絕對值，d_i為像素點i對應(yīng)的視差；其中u，v，d的范圍均為可設(shè)定參數(shù)。雙目視差匹配代價的計算還可以采用基于平方差和(SSD)或其他計算方法。

4.對所計算的匹配代價進行n×n的滑窗卷積濾波，獲得最終匹配代價C_m(u，v，d)，其中n為可設(shè)定參數(shù)。

5.對最終視差匹配代價向圖像縱軸(v軸)投影求和，并計算圖像每一行v對應(yīng)視差代價之和的最小值C_v，min：

$C_v(v_i,d_i)=\underset{u=0}{\overset{u_{\max }}{\Σ}}{C}_m(u,v_i,d_i)$

C_v，min＝min(C_v(v_i，d_i))

通過設(shè)定視差代價閾值T_d，找出每行對應(yīng)視差代價之和小于C_v，min+T_d所對應(yīng)的視差值d，從而得到V_視差圖(v-d映射)。

6.將V_視差圖投影到現(xiàn)實坐標(biāo)系高度與深度的映射，利用B-樣條曲線擬合路面高度與深度關(guān)系，最后逆映射回V-視差圖平面，即可獲得縱向道路平面對應(yīng)的V-視差圖。除了B-樣條曲線，也可以采用其他形式的樣條曲線，如分段直線或單一直線等。

7.利用V-視差圖，確定地平線(視差d＝0)以及路面范圍(視差d＞0對應(yīng)的圖像區(qū)域)。

8.在步驟7確定的路面范圍內(nèi)，利用V-視差圖中每一行v與對應(yīng)路面視差d的雙向映射關(guān)系，計算障礙物-道路交線匹配代價c_Boundary。該障礙物-道路交線匹配代價由道路匹配代價與物體匹配代價兩部分組成，其中道路匹配代價v與d符合V-視差圖的映射關(guān)系(f：v＜-＞d)而物體匹配代價每一行則對應(yīng)相同的視差d。其具體計算公式如下：

$C_{Boundary}(u_i,v_i)=\underset{v=v_i}{\overset{h}{\Σ}}{C}_m(u_i,v,f(v\left)\right)+\underset{v=v_0}{\overset{v_i}{\Σ}}{C}_m(u_i,v,f(v_i\left)\right)$

障礙物-道路交線匹配代價還可以采用路面匹配代價(忽略物體匹配代價)近似取代等算法計算。

9.利用二維動態(tài)規(guī)劃方法確定障礙物-道路交線匹配代價C_Boundarv最小值所對應(yīng)的像素值(u_bot，v_bot)集合即為障礙物與道路的交線，每一列u對應(yīng)的視差值為d_Boundary(u)。

10.在障礙物-道路交線以下部分，車道線檢測，對圖像進行二次化處理，提取霍夫直線，確定當(dāng)前車道與最外側(cè)車道范圍。

11.在障礙物-道路交線以上部分，計算障礙物高度匹配代價C_Height。首先通過概率函數(shù)m(u，v)計算C_m(u，v，d_Boundarv(u))為區(qū)域極值的可能性，該值介于-1與1之間。最終，障礙物高度匹配代價計算公式如下：

$C_{Height}(u_i,v_i)=\underset{v=v_i}{\overset{v_{bot,u_i}}{\Σ}}|m(u_i,v)-1|+\underset{v=0}{\overset{v_i}{\Σ}}|m(u_i,v)+1|$

計算障礙物高度匹配代價所使用的概率函數(shù)m(u，v)可以有多種輸出范圍在0到1或-1到1之間的函數(shù)形式來表示。

12.利用2維動態(tài)規(guī)劃方法確定障礙物高度匹配代價C_Height最小值所對應(yīng)的像素值(u_i，v_i)集合即為與障礙物與道路的交線對應(yīng)的障礙物高度信息。

選取優(yōu)化障礙物-道路交線，障礙物高度的方法不唯一，如可以采用貪婪算法等其他全局優(yōu)化方法。

13.設(shè)置障礙物寬度，高度，深度閾值模塊，過濾圖像中相鄰的障礙物區(qū)域，確定屬于同一障礙物的圖像區(qū)域。

14.輸出經(jīng)閾值過濾后的道路信息與障礙物信息。

步驟③中，車輛側(cè)偏角β的計算方法，具體包括以下步驟：

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(yù)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(yù)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(yù)定參數(shù)。

步驟三：預(yù)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(yù)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(yù)先設(shè)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(shè)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(shè)定的獲取道路圖像的單位時間步長通過積分計算預(yù)估移動距離，根據(jù)預(yù)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(yīng)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(yù)設(shè)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(yīng)的深度、N為圖像平面對應(yīng)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]

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

$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[0，0，1]的法向量N對應(yīng)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(yīng)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(yīng)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(shù)，能夠獲得最為準(zhǔn)確的數(shù)據(jù)。

本發(fā)明利用車載前向雙目相機檢測前方車道線信息，并根據(jù)車輛預(yù)瞄軌跡與車道中心線的側(cè)向偏離誤差，計算前輪轉(zhuǎn)向角輸入，根據(jù)轉(zhuǎn)向系統(tǒng)幾何參數(shù)，將前輪轉(zhuǎn)向角換算為車輛的方向盤轉(zhuǎn)向電機的補償控制信號。本發(fā)明根據(jù)雙目視差匹配代價信息動態(tài)更新車道線檢測區(qū)域，并且應(yīng)用車道線距離、寬度、角度閾值濾波，顯著提升檢測準(zhǔn)確率。采用雙重分段PID控制策略對車輛的方向盤轉(zhuǎn)角進行修正，修正更為精確，實現(xiàn)不同車速的車道保持，提高車輛車道保持的準(zhǔn)確性和可靠性，從而提高行車的安全性。本發(fā)明適用于直線和轉(zhuǎn)彎等不同工況的道路保持。