一种基于平行车道线的动态逆透视变换方法技术

本发明专利技术公开了一种基于平行车道线的动态逆透视变换方法，包括以下步骤：采集原始道路图像；获取坐标系转换关系模型；利用所述坐标系转换关系模型对车载前视相机进行标定，获取初始俯仰角；通过车道线检测模型检测所述原始道路图像上的车道线，并获取所述车道线的像素坐标，其中，所述车道线检测模型采用卷积神经网络；对所述车道线的像素坐标进行拟合，获取平行车道线；利用所述平行车道线进行计算，获取所述车载前视相机的俯仰角变化量；根据所述初始俯仰角和所述俯仰角变化量计算最优俯仰角；将所述最优俯仰角输入逆透视变换模型，获取鸟瞰视角的车道线，完成基于平行车道线的动态逆透视变换

【技术实现步骤摘要】
一种基于平行车道线的动态逆透视变换方法


[0001]本专利技术属于汽车辅助驾驶和自动驾驶领域，尤其涉及一种基于平行车道线的动态逆透视变换方法
。

技术介绍

[0002]随着汽车智能化技术的发展，汽车的高级辅助驾驶系统和自动驾驶系统发展得到了巨大的研发投入
。
[0003]在汽车实际应用中，单目摄像头得益于其低廉的价格和丰富的颜色感知获得了广泛应用，但是相机在成像过程中失去了环境中的位置信息，因此在进行目标检测及车道线检测后还需要进行逆透视变换来计算真实环境中目标物体的距离信息
。
常规的静态逆透视变换方法主要基于固定的相机姿态参数，然而实际道路会存在坑洼且车辆在行驶过程中其自身的运动状态也会改变，因此当车辆在实际道路行驶时车载相机的俯仰角外参会产生一定的变化，这使得固定参数的静态逆透视变换结果失去准确性
。
[0004]因此，亟需一种动态的逆透视变换方法，以解决现有技术中的不足之处
。

技术实现思路

[0005]针对现有技术中存在的不足，本专利技术提出了一种基于平行车道线的动态逆透视变换方法，结构上主要分为静态和动态两部分
。
静态部分根据车载相机模型和标定原理计算获得静态车辆的相机初始俯仰角及其内
、
外参数
。
动态部分利用车道线检测算法实时检测的车道线信息，通过鸟瞰视角下相邻车道线的平行性和等距性来计算车载相机的俯仰角偏移量，从而实现动态的俯仰角调节，提供一种相比于传统静态逆透视变换更为准确的算法
。
[0006]为实现上述目的，本专利技术提供了一种基于平行车道线的动态逆透视变换方法，包括以下步骤：
[0007]采集原始道路图像；
[0008]获取坐标系转换关系模型；
[0009]利用所述坐标系转换关系模型对车载前视相机进行标定，获取初始俯仰角；
[0010]通过车道线检测模型检测所述原始道路图像上的车道线，并获取所述车道线的像素坐标，其中，所述车道线检测模型采用卷积神经网络；
[0011]对所述车道线的像素坐标进行拟合，获取平行车道线；
[0012]利用所述平行车道线进行计算，获取所述车载前视相机的俯仰角变化量；
[0013]根据所述初始俯仰角和所述俯仰角变化量计算最优俯仰角；
[0014]将所述最优俯仰角输入逆透视变换模型，获取鸟瞰视角的车道线，完成基于平行车道线的动态逆透视变换
。
[0015]可选的，采集所述原始道路图像包括
:
通过所述车载前视相机采集汽车前方的行驶道路图像数据，获取所述原始道路图像
。
[0016]可选的，获取坐标系转换关系模型包括：
[0017]设置若干个坐标系，若干个所述坐标系包括世界坐标系
、
相机坐标系
、
图像坐标系和像素坐标系；
[0018]基于若干个上所述坐标系之间的对应关系，获取世界坐标系到相机坐标系的转换关系；
[0019]根据几何关系，获取所述相机坐标系到所述图像坐标系的转换关系以及所述像素坐标到所述图像坐标系的转换关系；
[0020]基于所述世界坐标系到所述相机坐标系的转换公式
、
所述相机坐标系到所述图像坐标系的转换关系和所述像素坐标到所述图像坐标系的转换关系，获取所述相机坐标系到所述像素坐标系的转换关系
、
所述世界坐标系到所述像素坐标系的转换关系
。
[0021]可选的，利用所述坐标系转换关系模型对所述车载前视相机进行标定，获取所述初始俯仰角包括：基于所述坐标系转换关系模型，利用张正友标定法对所述车载前视相机进行标定，获取所述初始俯仰角
。
[0022]可选的，通过所述车道线检测模型检测所述原始道路图像上的车道线，并获取所述车道线的像素坐标包括：
[0023]将所述原始道路图像进行标准化处理，获取处理后的道路图像；
[0024]将所述处理后的道路图像输入所述车道线检测模型，提取车道线特征；
[0025]利用卷积和双线性插值对所述处理后的道路图像进行上采样，改变所述车道线特征的通道数，并通过所述车道线检测模型进行车道线分割
,
获取所述车道线的像素坐标
。
[0026]可选的，对所述车道线的像素坐标进行拟合，获取所述平行车道线包括：
[0027]定义若干个车道线点处的拟合误差平方；
[0028]基于所述拟合误差平方，利用单条车道线模型，获取误差平方和；
[0029]将所述误差平方和拆分成矩阵形式，并通过最小化所述误差平方和，获取最优系数向量；
[0030]通过所述最优系数向量，获取所述平行车道线
。
[0031]可选的，通过最小化所述误差平方和，获取所述最优系数向量需要满足：
[0032][0033]其中，
E
fit
为误差平方和，
w
为车道线点，
Y
v
是一个范德蒙矩阵，
x
为因变量，且
x
＝
[x1,x2,x3,
…
,x
m
]T
。
[0034]可选的，利用所述平行车道线进行计算，获取所述车载前视相机的俯仰角变化量包括：
[0035]获取若干个相邻的平行车道线，并计算若干个所述相邻的平行车道线同行点的水平距离；
[0036]基于所述水平距离，计算所述水平距离的期望；
[0037]利用所述水平距离和所述水平距离的期望，定义所述车道线的平行误差函数；
[0038]对所述平行误差函数进行最小化，获取所述最优俯仰角
。
[0039]可选的，根据所述初始俯仰角和所述俯仰角变化量，计算所述最优俯仰角包括：
[0040]θ
opt
＝
θ0+
Δθ
opt
[0041]其中，
θ
opt
为最优俯仰角，
θ0为初始俯仰角，
Δθ
opt
为俯仰角变化量
。
[0042]可选的，所述逆透视变换模型为：
[0043][0044][0045]其中，
x
为因变量，且
x
＝
[x1，
x2，
x3，
…
，
x
m
]T
，
y
为自变量，且
y
＝
[y1，
y2，
y3，
…
，
y
m
]T
，
(u
，
v)
为像素坐标系中的一点，
h
为相机的高度，
f
x
、f
y
、u0、v0为相机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于平行车道线的动态逆透视变换方法，其特征在于，包括以下包括：采集原始道路图像；获取坐标系转换关系模型；利用所述坐标系转换关系模型对车载前视相机进行标定，获取初始俯仰角；通过车道线检测模型检测所述原始道路图像上的车道线，并获取所述车道线的像素坐标，其中，所述车道线检测模型采用卷积神经网络；对所述车道线的像素坐标进行拟合，获取平行车道线；利用所述平行车道线进行计算，获取所述车载前视相机的俯仰角变化量；根据所述初始俯仰角和所述俯仰角变化量计算最优俯仰角；将所述最优俯仰角输入逆透视变换模型，获取鸟瞰视角的车道线，完成基于平行车道线的动态逆透视变换
。2.
如权利要求1所述的基于平行车道线的动态逆透视变换方法，其特征在于，采集所述原始道路图像包括
:
通过所述车载前视相机采集汽车前方的行驶道路图像数据，获取所述原始道路图像
。3.
如权利要求1所述的基于平行车道线的动态逆透视变换方法，其特征在于，获取坐标系转换关系模型包括：设置若干个坐标系，若干个所述坐标系包括世界坐标系
、
相机坐标系
、
图像坐标系和像素坐标系；基于若干个上所述坐标系之间的对应关系，获取世界坐标系到相机坐标系的转换关系；根据几何关系，获取所述相机坐标系到所述图像坐标系的转换关系以及所述像素坐标到所述图像坐标系的转换关系；基于所述世界坐标系到所述相机坐标系的转换公式
、
所述相机坐标系到所述图像坐标系的转换关系和所述像素坐标到所述图像坐标系的转换关系，获取所述相机坐标系到所述像素坐标系的转换关系
、
所述世界坐标系到所述像素坐标系的转换关系
。4.
如权利要求2所述的基于平行车道线的动态逆透视变换方法，其特征在于，利用所述坐标系转换关系模型对所述车载前视相机进行标定，获取所述初始俯仰角包括：基于所述坐标系转换关系模型，利用张正友标定法对所述车载前视相机进行标定，获取所述初始俯仰角
。5.
如权利要求1所述的基于平行车道线的动态逆透视变换方法，其特征在于，通过所述车道线检测模型检测所述原始道路图像上的车道线，并获取所述车道线的像素坐标包括：将所述原始道路图像进行标准化处理，获取处理后的道路图像；将所述处理后的道路图像输入所述车道线检测模型，提取车道线特征；利用卷积和双线性插值对所述处理后的道路图像进行上采样，改变所述车道线特征的通道数，并通过所述车道线检测模型进行车道线分割
,
获取所述车道线的像素坐标
。6.
如权利要求1所述的基于平行车道线的动态逆透视变换方法，其特征在于，对所述车道线的像素坐标进行拟合，获取所述平行车道线包括：定义若干个车道线点处的拟合误差平方；基于所述拟合误差平方，利用单条车道线模型，获取误差平方和；
将所述误差平方和拆分成矩阵形式，并通过最小化所述误差平方和，获取最优系数向量；通过所述最...

【专利技术属性】
技术研发人员：武志斐，詹善宁，姚赵祎，邵睿鹏，郝慧敏，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：