一种保证准确性的车辆运动状态估计方法技术

本发明专利技术公开了一种保证准确性的车辆运动状态估计方法，包括特征提取、数据分析和结果验证三个部分，其中特征提取部分采用双向光流算法，保证所得的特征点对的可靠性，过滤噪声数据；数据分析部分采用随机采样一致算法和八点算法相结合，将所得的基本矩阵按对整个特征点对集合的匹配程度由高到低排序，求解对应的运动方向向量与旋转矩阵；结果验证部分对求得的运动方向向量与旋转矩阵进行校验，确保最终结果的合理性。本发明专利技术能考虑到平移向量和旋转矩阵的约束条件，从而提高了结果的准确性，并保证一定的运算效率，在保证效率的前提下进行数据处理，有助于实现对视频数据的在线分析。

【技术实现步骤摘要】
一种保证准确性的车辆运动状态估计方法
本专利技术涉及一种保证准确性的车辆运动状态估计方法，属于计算机视觉、视频挖掘和计算机软件的交叉技术应用领域。
技术介绍
车辆无人驾驶需要通过对视频数据进行处理，从而得到车辆的当前位置与运动轨迹，汽车状态参数的准确获得是保证汽车主动安全系统有效性的重要要求。通过对车辆的运动过程进行运动学或动力学建模，同时将相应的车载传感器(如轮速传感器、陀螺仪、加速度计等)信息作为观测信息，进而利用适当的滤波估计算法实现对汽车运行状态的估计。这种方法需要对车辆整体甚至各个轮胎分别进行建模，当这些模型或者模型参数不准时，估计误差较大。随着计算机软硬件的不断发展，人们能越来越方便的获取和存储视频数据，对视频数据进行分析的需求也随之提高。因此根据车载视频数据对车辆运动状态估计成了广泛研究的课题。中国专利CN201210442082.6公开了一种基于光流的车辆运动状态估计方法，适用于估计道路交通环境下低速行驶在平坦沥青路面上的车辆的运动状态。首先在车辆后桥中心位置安装俯视高精度单目摄像机，并通过标定算法获取摄像机参数；接着采用直方图均衡化对获取的图像序列进行预处理，以凸显沥青路面角点特征，降低路况及光照变化带来的不利影响；再采用高效的哈里斯Harris角点检测算法进行实时路面角点特征检测；然后根据卢卡斯-柯乃德Lucas-Kanade光流算法进行前、后帧的角点匹配跟踪，选用随机采样一致RANSAC算法进一步优化匹配角点，进而获取较为准确的光流信息；最后，由图像光流重构出车辆载体坐标系下纵向速度、横向速度和质心侧偏角等车辆实时运动参数，由此获得较高精度的车辆对地运动状态的估计。但是上述方法需要耗费较多计算机资源，而在计算机资源和内存有限的条件下，通过车载视频数据在线求得当前车辆运动状态准确性不高；因此，如何在有限的计算条件下，提出一种保证准确性的车辆运动状态估计方法，是有待解决的问题。
技术实现思路
本专利技术所要解决的技术问题是：针对车载视频数据在线求得当前车辆运动状态准确性不高的问题，提出一种保证准确性的车辆运动状态估计方法，该方法能够通过对运动状态的检验保证结果的准确性。本专利技术为解决上述技术问题采用以下技术方案：一种保证准确性的车辆运动状态估计方法，包括：步骤一、特征提取：首先，根据装载于车辆上的视频摄像机，获得以帧为单位的待分析视频图像数据，每一帧视频图像对应一个二维点阵；然后，提取当前帧中图像特征点集合，采用光流算法计算当前帧图像特征点在下一帧图像中对应特征的位置，获得关于当前帧图像和下一帧图像中的特征点对集合；之后，反向使用光流算法过滤掉特征点对集合中的噪声数据；步骤二、数据分析：首先，采用随机采样一致算法和八点算法相结合，从步骤一得到的特征点对集合中求得一个基本矩阵；然后，通过多次迭代采样过程，将所得的基本矩阵按对整个特征点对集合的匹配程度由高到低排序，并根据视频摄像机的固有参数求得本质矩阵；之后，对所得本质矩阵做分解，求解对应的运动方向向量与旋转矩阵；步骤三、结果验证：对求得的运动方向向量与旋转矩阵进行校验，确定最终的车辆运动状态估计结果。进一步的，本专利技术的车辆运动状态估计方法，步骤一具体如下：步骤1)、设共获得n帧视频图像，所述的每一帧视频图像对应一个二维点阵，点阵中每一个点上的数值指该位置图像的灰度值，每一帧图像以左下角为起始位置，用元组(1,1)表示左下角位置的点，初始化数值k为2，对第k-1帧中图像提取所需特征点，形成点集S；步骤2)、定义点集S′，表示集合S中的特征点在第k帧中的对应点集合，并将其初始化为空集，寻找S中的特征点在第k帧中的对应点加入集合S′；步骤3)、反向计算集合S′中的对应点在第k-1帧的位置，并构成点集S″，比较集合S和集合S″中的对应点，如果距离大于设定阈值则在S和S′中将对应点删去。进一步的，本专利技术的车辆运动状态估计方法，所述步骤1)具体如下：步骤11)、定义点集S，将其初始化为空集，所述S是指第k-1帧中特征点的集合，所述的特征点是指二维平面上的点；步骤12)、在第k-1帧中选取未计算过的点(i,j)，计算Mi,j：其中，(i,j)指的是第k-1帧中第i行，第j列的点，W是以(i,j)为中点的矩形点集，Ix和Iy分别是图像水平和竖直方向的导数,I(x,y)指点(x,y)处的灰度值；步骤13)、求矩阵Mi,j的特征值λ1，λ2，当其中模较小的特征值的模大于一个质量因子Mf，将点(i,j)加入点集S，所述λ1，λ2是关于λ的方程|Mi,j-λE|＝0的两个根，E指的是二阶单位矩阵，即λ是方程中的变量；步骤14)、当第k-1帧中还有未计算的点时，转到步骤12)。进一步的，本专利技术的车辆运动状态估计方法，所述步骤2)具体步骤如下：步骤21)、选取点集S中未被选取的一点u，计算在S′的对应点为u′，具体步骤如下：步骤211)对第k-1帧图像I，第k帧图像J，建立图像I和图像J的金字塔模型：{IL}L＝0,1...Lm，{JL}L＝0,1...Lm，其中IL，JL是原始帧图像I、图像J的第L层采样层，Lm是采样的最高层层数，原始图像对应的层数为0，初始化金字塔的光流估计量：并初始化gLm：符号T指的是矩阵的转置符号，将数值L初始化为Lm；步骤212)定位图像IL上点u的位置用IL对x求偏导数，有用IL对y求偏导数，有计算矩阵其中wx，wy是指计算矩阵G时所考虑周围点的范围；步骤213)定义数值P表示迭代次数，初始化P为1，初始化迭代向量v＝[00]T，光流估计矢量g＝[00]T，迭代步骤如下：步骤a)计算图像像素差δIL(x,y)：根据像素差计算图像的不匹配量步骤b)计算光流η＝G-1b；步骤c)对迭代中的v进行修改v←v+η；步骤d)计算P←P+1，当P≤Pm时转到步骤a)，所述的Pm是设置的迭代次数；步骤214)求得第L层的最终光流d＝v，当L不为0时，计算L-1层上的光流为并对L修改为L←L-1，转到步骤212)；步骤215)计算最终的光流矢量d←g+d，得出u′＝u+d，所述的u′是点u在第k帧中的位置矢量；步骤22)、根据步骤21)，将计算得到的点u′加入S′。步骤23)、当没有将S中的点全部遍历时，转到步骤21)执行。进一步的，本专利技术的车辆运动状态估计方法，所述步骤3)具体步骤如下：步骤31)、对于点集S′中的任意一点u′，求得其在点集S″的对应点为u″，具体步骤如下：步骤311)对第k-1帧图像I，第k帧图像J，建立图像I和图像J的金字塔模型：{IL′}L′＝0,1...Lm′，{JL′}L′＝0,1...Lm′，所述的IL′，JL′是原始帧图像I，J的第L′层采样层，Lm′是采样的最高层层数，原始图像对应的层数为0；初始化金字塔的光流估计量：并初始化g′Lm′＝[00]T，将数值L′初始化为Lm′；步骤312)定位图像JL′上点u′的位置用JL′对x求偏导数，用JL′对y求偏导数，计算矩阵所述的w′x，w′y是指计算矩阵G′时所考虑周围点的范围；步骤313)定义数值P′表示迭代次数，初始化P′为1，初始化迭代向量v′＝[00]T，光流估计矢量g′＝[00]T，迭代步骤如下：步骤a)计算图像像素差δJ′L(x,y)：根据像素差计算图像的不本文档来自技高网...

【技术保护点】
一种保证准确性的车辆运动状态估计方法，其特征在于，包括：步骤一、特征提取：首先，根据装载于车辆上的视频摄像机，获得以帧为单位的待分析视频图像数据，每一帧视频图像对应一个二维点阵；然后，提取当前帧中图像特征点集合，采用光流算法计算当前帧图像特征点在下一帧图像中对应特征的位置，获得关于当前帧图像和下一帧图像中的特征点对集合；之后，反向使用光流算法过滤掉特征点对集合中的噪声数据；步骤二、数据分析：首先，采用随机采样一致算法和八点算法相结合，从步骤一得到的特征点对集合中求得一个基本矩阵；然后，通过多次迭代采样过程，将所得的基本矩阵按对整个特征点对集合的匹配程度由高到低排序，并根据视频摄像机的固有参数求得本质矩阵；之后，对所得本质矩阵做分解，求解对应的运动方向向量与旋转矩阵；步骤三、结果验证：对求得的运动方向向量与旋转矩阵进行校验，确定最终的车辆运动状态估计结果。

【技术特征摘要】
1.一种保证准确性的车辆运动状态估计方法，其特征在于，包括：步骤一、特征提取：首先，根据装载于车辆上的视频摄像机，获得以帧为单位的待分析视频图像数据，每一帧视频图像对应一个二维点阵；然后，提取当前帧中图像特征点集合，采用光流算法计算当前帧图像特征点在下一帧图像中对应特征的位置，获得关于当前帧图像和下一帧图像中的特征点对集合；之后，反向使用光流算法过滤掉特征点对集合中的噪声数据；步骤二、数据分析：首先，采用随机采样一致算法和八点算法相结合，从步骤一得到的特征点对集合中求得一个基本矩阵；然后，通过多次迭代采样过程，将所得的基本矩阵按对整个特征点对集合的匹配程度由高到低排序，并根据视频摄像机的固有参数求得本质矩阵；之后，对所得本质矩阵做分解，求解对应的运动方向向量与旋转矩阵；步骤三、结果验证：对求得的运动方向向量与旋转矩阵进行校验，确定最终的车辆运动状态估计结果。2.根据权利要求1所述的车辆运动状态估计方法，其特征在于，步骤一具体如下：步骤1)、设共获得n帧视频图像，所述的每一帧视频图像对应一个二维点阵，点阵中每一个点上的数值指该位置图像的灰度值，每一帧图像以左下角为起始位置，用元组(1,1)表示左下角位置的点，初始化数值k为2，对第k-1帧中图像提取所需特征点，形成点集S；步骤2)、定义点集S′，表示集合S中的特征点在第k帧中的对应点集合，并将其初始化为空集，寻找S中的特征点在第k帧中的对应点加入集合S′；步骤3)、反向计算集合S′中的对应点在第k-1帧的位置，并构成点集S″，比较集合S和集合S″中的对应点，如果距离大于设定阈值则在S和S′中将对应点删去。3.根据权利要求2所述的车辆运动状态估计方法，其特征在于，步骤1)具体如下：步骤11)、定义点集S，将其初始化为空集，所述S是指第k-1帧中特征点的集合，所述的特征点是指二维平面上的点；步骤12)、在第k-1帧中选取未计算过的点(i,j)，计算Mi,j：其中，(i,j)指的是第k-1帧中第i行，第j列的点，W是以(i,j)为中点的矩形点集，Ix和Iy分别是图像水平和竖直方向的导数,I(x,y)指点(x,y)处的灰度值；步骤13)、求矩阵Mi,j的特征值λ1，λ2，当其中模较小的特征值的模大于一个质量因子Mf，将点(i,j)加入点集S，所述λ1，λ2是关于λ的方程|Mi,j-λE|＝0的两个根，E指的是二阶单位矩阵，即λ是方程中的变量；步骤14)、当第k-1帧中还有未计算的点时，转到步骤12)。4.根据权利要求3所述的车辆运动状态估计方法，其特征在于，步骤2)具体步骤如下：步骤21)、选取点集S中未被选取的一点u，计算在S′的对应点为u′，具体步骤如下：步骤211)对第k-1帧图像I，第k帧图像J，建立图像I和图像J的金字塔模型：{IL}L＝0,1...Lm，{JL}L＝0,1...Lm，其中IL，JL是原始帧图像I、图像J的第L层采样层，Lm是采样的最高层层数，原始图像对应的层数为0，初始化金字塔的光流估计量：并初始化gLm：符号T指的是矩阵的转置符号，将数值L初始化为Lm；步骤212)定位图像IL上点u的位置用IL对x求偏导数，有用IL对y求偏导数，有计算矩阵其中wx，wy是指计算矩阵G时所考虑周围点的范围；步骤213)定义数值P表示迭代次数，初始化P为1，初始化迭代向量v＝[00]T，光流估计矢量g＝[00]T，迭代步骤如下：步骤a)计算图像像素差δIL(x,y)：根据像素差计算图像的不匹配量步骤b)计算光流η＝G-1b；步骤c)对迭代中的v进行修改v←v+η；步骤d)计算P←P+1，当P≤Pm时转到步骤a)，所述的Pm是设置的迭代次数；步骤214)求得第L层的最终光流d＝v，当L不为0时，计算L-1层上的光流为并对L修改为L←L-1，转到步骤212)；步骤215)计算最终的光流矢量d←g+d，得出u′＝u+d，所述的u′是点u在第k帧中的位置矢量；步骤22)、根据步骤21)，将计算得到的点u′加入S′。步骤23)、当没有将S中的点全部遍历时，转到步骤21)执行。5.根据权利要求4所述的车辆运动状态估计方法，其特征在于，步骤3)具体步骤如下：步骤31)、对于点集S′中的任意一点u′，求得其在点集S″的对应点为u″，具体步骤如下：步骤311)对第k-1帧图像I，第k帧图像J，建立图像I和图像J的金字塔模型：{IL′}L′＝0,1...Lm′，{JL′}L′＝0,1...Lm′，所述的IL′，JL′是原始帧图像I，J的第L′层采样层，Lm′是采样的最高层层数，原始图像对应的层数为0；初始化金字塔的光流估计量：并初始化g′Lm′＝[00]T，将数值L′初始化为Lm′；步骤312)定位图像JL′上点u′的位置用JL′对x求偏导数，...

【专利技术属性】
技术研发人员：张帅，岳文静，陈志，白园，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32