基于机器视觉的车道局部几何结构和车辆位置估计方法技术

一种基于机器视觉的车道局部几何结构和车辆位置估计方法，属于智能车辆领域。本发明专利技术将车辆前方道路的图像进行边缘检测，利用在图像坐标中车道标线的变形模板，用最大后验概率估计计算变形模板的参数，用粒子群优化算法来计算该最大后验概率估计，根据计算出的最大后验概率估计结合摄像机参数计算车道的宽度和曲率，以及车辆距离车道中心的距离和车辆中心线与车道中心线的夹角。本发明专利技术能在道路图像对比度差或者阴影严重的情况下准确估计车道宽度、车道曲率、车辆在车道中的横向偏离距离以及车辆纵向中心线与车道中心线的夹角（头向角）。

Local geometric structure and vehicle position estimation method based on machine vision

The invention relates to a method for estimating the local geometric structure of a lane and a vehicle position based on machine vision. In the invention, the road ahead of the vehicle image edge detection, using deformable templates in the image coordinate in the lane, with a maximum a posteriori parameter calculation of deformable template, using particle swarm optimization algorithm to calculate the maximum a posteriori estimation, according to the calculated maximum posterior probability estimation and lane width the curvature with the parameters of the camera angle distance and vehicle center line and the center line of the lane and vehicle distance of the center lane. The invention can in the angle of the road image contrast degree difference or shadow under the condition of serious accurate estimation of lane width, Lane curvature, lateral deviation of the vehicle in the lane in the distance and the vehicle longitudinal center line and the center line of the lane (the head angle).

【技术实现步骤摘要】

本专利技术涉及的是一种属于智能车辆领域的方法，具体地说，是一种。
技术介绍
在车辆智能巡航控制、车道偏离警告、横向控制和自动驾驶系统中，需要通过某种方式可靠地估计车辆在车道中的位置和车道的局部几何结构。经对现有技术的文献检索发现，Jun Miura等人在《IEEE Transactions onIntelligent Transportation Systems》(2002，3(2)，pp.136-146)(《IEEE智能交通系统学报》)上发表“Toward vision-based intelligent navigatorits concept and prototype”(“基于视觉的智能导航概念与原型”)。该文利用车道标线亮度高的特点分割出图像中对应于车道标线的高亮度区域，随后用直线来拟合这些高亮度区域，拟合后的两条直线作为车道的标线。依据这两条直线在图像中的位置确定车辆在车道中的横向位置和车道的宽度。其缺陷和不足是(1)当图像对比度低或阴影严重时，该方法不能可靠地分割出对应于车道标线的区域；(2)技术用直线来拟合车道标线，在车道非直线时计算出的车道宽度和车辆在车道中的横向位置误差大；(3)该技术不能提取车道的曲率信息和车辆的头向角。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种，使其能在道路图像对比度差或者阴影严重的情况下准确估计车道宽度、车道曲率、车辆在车道中的横向偏离距离以及车辆纵向中心线与车道中心线的夹角(头向角)。本专利技术是通过以下技术方案实现的，本专利技术利用摄像系统获取车辆前方道路的图像并传给微处理器，微处理器经过运算输出车辆运行前方车道的宽度和曲率、车辆在车道中的横向偏离距离和头向角，对输入的道路图像进行边缘检测，得到梯度大小图像和梯度方向图像，用一个变形模板来表示图像中车道标线的形状，将车道几何和车辆位置估计问题转化为一个最大后验概率估计(MAP)问题，利用例子群优化(Particle Swarm Optimization)算法来计算最大后验概率，根据优化算法输出的最大后验概率估计，结合摄像机参数计算出车道的宽度和曲率、车辆在车道中的横向位置和头向。以下对本专利技术方法作进一步的说明，方法步骤如下(1)建立图像坐标车道变形模板假设车道标线是在水平面上，在世界坐标的参数方程如下ϵ=12Cl2η=l---(1)]]>其中，世界坐标的原点是车道边界上的一个参考点，η，ε分别沿车道边界的切线向前和向右，让(η，ε)表示车道边界上的一个点，C是车道边界的曲率，l是车道边界分割的弧长。在图像坐标中车道边界模型为n＝K/(n-m0)+B(m-n0)+n0(2)其中，m和n分别是图像的行数和列数，K=αuαvCH2cos3φ,B=αvdcosφαvH,]]>(m0，n0)是车道边界切线消失点的坐标，m0＝-αvtanφ+u0，n0＝-αuθ/cosφ+v0，αu和αv分别是摄像机的水平尺度因子和垂直尺度因子，φ是摄像机光轴与地面的夹角，θ是车头方向和车道边界切线方向的夹角，H是摄像机光学中心距地面的高度，d是摄像机光学中心在地面上的投影与车道边界的最短距离，(u0，v0)是图像中心坐标。系数K，B和n0分别与车道的曲率、车辆在车道中的位置和车辆的头向有关。参数(u0，v0)、(αu，αv)、H和φ可以通过摄像机内部标定和外部标定来确定。假如变形模板参数已知，车道的曲率、车辆的在车道中的横向偏离和车头方向就可以确定。假定车道左标线是通过沿X轴平移右标线一定距离形成。那么，左右车道标线在它们与X轴相交处有相等的曲率和切线方向，K和n0相等。总之，车道在图像坐标中的形状可以通过四个参数K，BL，BR和n0来确定。这些参数完全决定车辆在车道中的位置、车辆的头向、车道的宽度和曲率。(2)对道路图像进行梯度计算采用3×3的Sobel算子进行图像梯度计算，得到一幅梯度大小图像和一幅梯度方向图像。本专利技术中，当梯度大小图像中某象素值小于5时，梯度大小图像的该象素点和对应位置的梯度方向图像的象素点不参加后续的计算。这样可以在减少计算量的同时保证结果的可靠。3×3的Sobel算子是一个用来计算图像梯度的卷积模板，具有如下的形式sx=18-101-202-101,sy=18121000-1-2-1]]>sx和sy分别是计算x和y方向梯度大小的卷积模板。对某象素来说，如果计算出的x方向和y方向的梯度大小分别为Gx和Gy，则该象素点的梯度大小为 梯度方向为arctan(Gy/Gx)。(3)似然函数计算方法定义一个似然函数p(z|xd)，该似然函数表示给定变形模板参数xd＝，在图像中看到真实车道的概率。似然函数测量由参数确定的车道形状与图像中实际存在的车道的符合程度。似然函数为P(z|xd)∝Σu,v(fm(u,v)×W(DL(u,v))×|cos(βL)|+fm(u,v)×W(DR(u,v))×|cos(βR)|)---(3)]]>其中，DL(u，v)和DR(u，v)分别是从点(u，v)到由x表示的左右车道边界的最小距离，βL和βR分别是点(u，v)的梯度方向与由x表示的左右车道边界到(u，v)距离最小处的切线方向的夹角。W(D)是一个加权函数，它可以解释为一个模糊隶属度函数。W(0)＝1，W(D)从0到R单调减小，当D≥R时，W(D)＝0。W(D)按如下的公式定义W(D)=e-D2/σ2,0≤D<R0else.---(4)]]>(4)先验概率密度函数计算方法先验概率密度函数P(xd)表示对道路图像中车道边界位置的限制。在车道模型参数集上构建如下的先验概率密度函数 P(xd)∝exp(-(BR-BL-μR)2σR2)---(5)]]>(5)将确定变形模板参数问题转化为最大后验概率(MAP)估计在灰度图像中的车道检测问题可以转化为一个决定最大后验概率问题。最大后验概率估计可以表示为如下的形式xd*=argmaxx∈R4P(xd|z)---(6)]]>xd*=argmaxx∈R4P(z|xd)P(xd)]]>=argmaxx∈R4exp((BR-BL-μ)2σR2)×Σu,v(fm(u,v)×W(DL(u,v))×|cos(βL)|+fm(u,v)×W(DL(u,v))×|cos(βL)|)]]>(7)(6)基于粒子群优化来计算最大后验概率估计令xd＝T＝T，最大化f(x本文档来自技高网...

【技术保护点】
一种基于机器视觉的车道局部几何结构和车辆位置估计方法，其特征在于，利用摄像系统获取车辆前方道路的图像并传给微处理器，微处理器经过运算输出车辆运行前方车道的宽度和曲率、车辆在车道中的横向偏离距离和头向角，对输入的道路图像进行边缘检测，得到梯度大小图像和梯度方向图像，用一个变形模板来表示图像中车道标线的形状，将车道几何和车辆位置估计问题转化为一个最大后验概率估计问题，利用例子群优化算法来计算最大后验概率，根据优化算法输出的最大后验概率估计，结合摄像机参数计算出车道的宽度和曲率、车辆在车道中的横向位置和头向。

【技术特征摘要】

【专利技术属性】
技术研发人员：周勇，叶庆泰，徐榕，胡小锋，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：31[中国|上海]