一种可停车区域识别方法、系统及介质技术方案

本发明专利技术提供一种可停车区域识别装置及识别方法、系统及介质，采用特征点模块、位姿计算模块、畸变矫正模块、绝对尺度恢复模块、空间点重建模块、可停车区域寻找模块的结构和特征点模块完成摄像头拍摄图片的特征点提取与检测，位姿计算模块计算两帧图片的拍摄时刻相机的位姿关系，畸变矫正模块对提取的鱼眼特征点进行畸变矫正，绝对尺度恢复模块利用真实的相机高度恢复出真实尺度，空间点重建模块利用相机位姿和绝对尺度恢复重建点云的值，可停车区域寻找模块根据重建得到的空间点云找寻可以停车的区域的结构和方法，可解决超声波雷达失灵和基于停车线检测方法无法获得实际尺度的弊端，高效而又准确的为机动车检测到了满足停车要求的可停车区域。

【技术实现步骤摘要】
一种可停车区域识别方法、系统及介质
本专利技术涉及汽车
，具体而言，涉及一种可停车区域识别方法、系统及介质。
技术介绍
随着科技的进步和社会的发展，人们的生活水平逐渐提高，机动车的数量也迅速增加，但停车这一技术难题一直困扰着大部分人，因此，机动车的自动泊车功能变得越为重要，而自动泊车中非常重要的一个环节就是可停车区域的检测。目前，可停车区域检测的方法有很多，有地埋感应线圈、超声波雷达、地磁检测等基于物理特征检测的方法，也有基于停车线检测的视觉方法。但前者施工麻烦，难以维护，后者无法给出精确的现实场景尺度，这些方法都存在一定的缺陷的不足。因此，如何快速而又可靠获取精确的可停车区域在自动泊车
变得尤为重要。
技术实现思路
本专利技术提供一种可停车区域识别方法，采用特征点模块、位姿计算模块、畸变矫正模块、绝对尺度恢复模块、空间点重建模块、可停车区域寻找模块，特征点模块完成摄像头拍摄图片的特征点提取与检测，位姿计算模块计算两帧图片的拍摄时刻相机的位姿关系，畸变矫正模块对提取的鱼眼特征点进行畸变矫正，绝对尺度恢复模块利用真实的相机高度恢复出真实尺度，空间点重建模块利用相机位姿和绝对尺度恢复重建点云的值，可停车区域寻找模块根据重建得到的空间点云找寻可以停车的区域的方法，可以成功解决超声波雷达失灵和基于停车线检测方法无法获得实际尺度的弊端。本专利技术为解决上述技术问题而提供的这种可停车区域识别方法包括特征点模块、位姿计算模块、畸变矫正模块、绝对尺度恢复模块、空间点重建模块、可停车区域寻找模块，所述位姿计算模块还包括本质矩阵计算模块、本质矩阵分解模块、Pnp算法模块，所述本质矩阵计算模块根据匹配矫正之后的特征点对计算不同时刻位置的本质矩阵，所述本质矩阵分解模块对求得的本质矩阵进行分解判断得到摄像机位姿的旋转和平移矩阵，所述Pnp算法模块使用Epnp算法根据已知的空间点及图像特征点，求得当前帧的图像位姿信息，所述绝对尺度恢复模块还包括应用特征点模块、直方图统计模块，所述应用特征点模块对采集的下半部分图像进行特征点提取与匹配，所述直方图统计模块对重建的空间点云的纵向参数进行统计，找到地面点的坐标，利用实际的地面高度以恢复绝对空间尺度，所述可停车区域寻找模块还包括聚类模块、可停车区域判断模块，所述聚类模块对得到的空间三维点进行聚类，所述可停车区域判断模块对检测得到的空区域进行判断，是否满足停车要求。一种可停车区域识别方法，该方法包括以下步骤：A.摄像头不断拍摄获得图像序列，图像序列进入云端处理系统,按照顺序选取两帧图像，提取和匹配特征点，获得匹配特征点对;B.由匹配特征点对基于两帧图像的相机姿态估计，获取第二帧图像相对于第一帧图像的位姿,由前两帧图像的特征点对及相对位姿，通过三维重建获取匹配特征点对的三维点云;C.对三维点云按照地面方向做直方图统计，根据地面实际高度以及三维点云中地面的相对高度比例，获取三维点云的真实尺度;D.对三维点云使用dbscan方法，选择合适的阈值聚类，以获取实际的障碍物位置及其区域;E.根据障碍物的位置及区域确定停车区域,判断停车区域是否满足可停车区域,不满足，重新开始步骤A,满足，则进行步骤H；姿态计算步骤.进行基于两帧图像的相机姿态估计，输入新的图片提取特征点与上一帧图像获得三维点云的点匹配得到三维点与二维点的匹配对,根据匹配矫正之后的特征点对对计算不同时刻位置的本质矩阵，本质矩阵进行分解判断得到摄像机位姿的旋转和平移矩阵，然后使用Epnp方法计算新一帧图像的相机姿态，然后执行车位获取步骤;车位获取步骤.重复所述步骤E和所述姿态计算步骤，直到机动车停止，此时获得的相机姿态为机动车相对于可停车区域的位姿信息，从而获得了此时可停车区域相对于机动车的位置信息。所述步骤D中聚类dbscan算法为根据空间点云，动态的确定类的个数，建立高斯模型，根据聚类中心和聚类点，求得每个类的边缘点。所述步骤A中所述提取特征点还包括以下分步骤：A1.计算图像水平方向(x方向)的梯度,方法为:A2.计算图像竖直方向(y方向)的梯度，方法为:A3.计算特征点处的协方差矩阵，其计算方法为:A4.计算此特征点协方差矩阵M的最小特征值λ，其计算方法为:A5.选择其中大于某个阈值的点作为最终的最优特征点，所述步骤A中所述匹配特征点还包括以下分步骤：A11.分别获取两帧图像的金字塔图像；A12.以零为初值计算各个特征点的在金字塔图像最顶层的光流值；A13.分别以金字塔图像上一层的光流值作为初值计算本层金字塔的光流值，最终获得金字塔图像最底层的光流值；A14.以金字塔图像最底层的光流值作为终值，得到特征点的匹配关系，所述光流的计算包括分别计算特征点区域的图像水平方向梯度，竖直方向梯度和时间方向梯度，其中，时间方向梯度计算方法为:Gt(x,y)＝It+1(x,y)-It(x,y)；获取光流线性方程组:解线性方程组得到光流值。所述步骤B中所述基于两帧图像的相机姿态估计还包括以下分步骤：B1.通过约束方程，求解基础矩阵;其中分别为两帧图像的匹配特征点，为基础矩阵，且,为相机内参矩阵;B2.由相机位姿满足等值获得相机位姿;B3.其中表示叉乘运算，表示相机姿态的旋转，表示相机姿态的平移方向矢量。所述步骤C中所述，三维点云重建还包括以下分步骤：C1.获取特征点于两帧图像的线性组合系数，其由以下线性方程组约束:;C2.获取三维点云的坐标，其计算方法为:。所述姿态计算步骤中基于两帧图像的相机姿态估计还包括以下分步骤：姿态计算步骤1.获取前两帧图像的匹配特征点以及三维点云；姿态计算步骤2.获取第二帧和第三帧图像的匹配特征点已得到三维点云与第三帧图像特征点的匹配关系;姿态计算步骤3.通过Epnp方法计算得到第三帧图像相对第一帧图像的相机姿态。所述本质矩形的定义为其中E为本质矩阵，为平移向量t的反对称矩阵，R为旋转矩阵，所述本质矩阵通过匹配的特征点对计算，其满足公式：其中E为本质矩阵，分别为特征点。所述步骤D中所述聚类还包括以下分步骤：D1.初始点云集合，聚类邻域半径和聚类密度阈值;D2.建立聚类集合，分别以每个对象为考察对象判断其是否为核心对象，如果是核心对象则建立聚类集合;D3.根据密度相连的原则合并聚类集合;D4.输出整理合并达到密度阈值要求的集合即为障碍物。所述步骤E中所述基于障碍物的可停车区域检测还包括以下分步骤：E1.检测距离车身垂直最近的障碍物获得其距离;E2.检测从距离车身垂直最近距离到增加一个车身距离范围内的障碍物，将其分为左侧障碍物和右侧障碍物;E3.获得左侧障碍物的最右侧障碍物和右侧障碍物的最左侧障碍物而获得可停车区域的左右阈值;E4.获取左右可停车区域范围内的垂直方向的最近障碍物而获得可停车区域的垂直方向最大值;E5.判断检测到的可停车区域是否满足真正的停车要求。一种可停车区域识别系统，所述可停车区域识别系统包括存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现所述的方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现所述的方法的步骤。本专利技术所具有的有益效果：采用本技术方案，可以成功解决超声波雷达失灵和基于停车线检测方法本文档来自技高网...

【技术保护点】
一种可停车区域识别装置的识别方法，其特征在于：该方法包括以下步骤：A. 摄像头不断拍摄获得图像序列，按照图像顺序选取两帧图像提取和匹配特征点，获得匹配特征点对;B. 由匹配特征点对基于两帧图像的相机姿态估计，获取第二帧图像相对于第一帧图像的位姿, 由前两帧图像的特征点对及相对位姿，通过三维重建获取匹配特征点对的三维点云;C. 对三维点云按照地面方向做直方图统计，根据地面实际高度以及三维点云中地面的相对高度比例，获取三维点云的真实尺度;D. 对三维点云使用dbscan方法，选择合适的阈值聚类，以获取实际的障碍物位置及其区域;E. 根据障碍物的位置及区域确定停车区域, 判断停车区域是否满足可停车区域,不满足，重新开始步骤A, 满足，则进行姿态计算步骤；姿态计算步骤. 进行基于两帧图像的相机姿态估计，输入新的图片提取特征点与上一帧图像获得三维点云的点匹配得到三维点与二维点的匹配对, 根据匹配矫正之后的特征点对对计算不同时刻位置的本质矩阵，本质矩阵进行分解判断得到摄像机位姿的旋转和平移矩阵，然后使用Epnp方法计算新一帧图像的相机姿态，然后执行车位获取步骤;车位获取步骤.重复所述步骤E和所述姿态计算步骤，直到机动车停止，此时获得的相机姿态为机动车相对于可停车区域的位姿信息，从而获得了此时可停车区域相对于机动车的位置信息。...

【技术特征摘要】
1.一种可停车区域识别装置的识别方法，其特征在于：该方法包括以下步骤：A.摄像头不断拍摄获得图像序列，按照图像顺序选取两帧图像提取和匹配特征点，获得匹配特征点对;B.由匹配特征点对基于两帧图像的相机姿态估计，获取第二帧图像相对于第一帧图像的位姿,由前两帧图像的特征点对及相对位姿，通过三维重建获取匹配特征点对的三维点云;C.对三维点云按照地面方向做直方图统计，根据地面实际高度以及三维点云中地面的相对高度比例，获取三维点云的真实尺度;D.对三维点云使用dbscan方法，选择合适的阈值聚类，以获取实际的障碍物位置及其区域;E.根据障碍物的位置及区域确定停车区域,判断停车区域是否满足可停车区域,不满足，重新开始步骤A,满足，则进行姿态计算步骤；姿态计算步骤.进行基于两帧图像的相机姿态估计，输入新的图片提取特征点与上一帧图像获得三维点云的点匹配得到三维点与二维点的匹配对,根据匹配矫正之后的特征点对对计算不同时刻位置的本质矩阵，本质矩阵进行分解判断得到摄像机位姿的旋转和平移矩阵，然后使用Epnp方法计算新一帧图像的相机姿态，然后执行车位获取步骤;车位获取步骤.重复所述步骤E和所述姿态计算步骤，直到机动车停止，此时获得的相机姿态为机动车相对于可停车区域的位姿信息，从而获得了此时可停车区域相对于机动车的位置信息。2.根据权利要求1所述的可停车区域识别装置的识别方法，其特征在于：所述步骤D中聚类dbscan算法为根据空间点云，动态的确定类的个数，建立高斯模型，根据聚类中心和聚类点，求得每个类的边缘点。3.根据权利要求1所述的可停车区域识别装置的识别方法，其特征在于：所述步骤A中所述提取特征点还包括以下分步骤：A1.计算图像水平方向(x方向)的梯度,方法为:A2.计算图像竖直方向(y方向)的梯度，方法为:A3.计算特征点处的协方差矩阵，其计算方法为:A4.计算此特征点协方差矩阵M的最小特征值λ，其计算方法为:A5.选择其中大于某个阈值的点作为最终的最优特征点；所述匹配特征点还包括以下分步骤：A11.分别获取两帧图像的金字塔图像；A12.以零为初值计算各个特征点的在金字塔图像最顶层的光流值；A13.分别以金字塔图像图像上一层的光流值作为初值计算本层金字塔的光流值，最终获得金字塔图像最底层的光流值；A14.以金字塔图像最底层的光流值作为终值得到特征点的匹配关系，所述光流的计算包括分别计算特征点区域的图像水平方向梯度，竖直方向梯度和时间方向梯度，其中，时间方向梯度计算方法为:Gt(x,y)＝It+1(x,y)-It(x,y)；获取光流线性方程组:解线性方程组得到光流值。4.根据权利要求1所述的可停车区域识别装置的识别方法，其特征在...

【专利技术属性】
技术研发人员：张佐罗，孙立华，高忠，
申请(专利权)人：深圳市航盛电子股份有限公司，
类型：发明
国别省市：广东,44