一种基于路面图像特征匹配的车辆定位方法技术

本发明专利技术公开了一种基于路面图像特征匹配的车辆定位方法：确定车辆初始位置的地理坐标；在车辆行驶过程中实时拍摄路面图像；对拍摄的当前连续两帧路面图像依次进行匀光处理；实时对匀光处理后的连续两帧路面图像进行匹配，得到该连续两帧路面图像的匹配点对；根据得到的匹配点对进行车辆定位；判断当前两帧图像是否为最后的两帧，是则结束，否则重复上述步骤。该方法仅需要在车辆行驶过程中实时采集路面图像，并对连续两帧路面图像匹配，从而实现自主车辆定位，该方法不易受干扰，定位精度高，且省去了现有定位方法中提前采集全方位街景的费时费力的环节，因此省时省力。

【技术实现步骤摘要】
一种基于路面图像特征匹配的车辆定位方法
本专利技术属于图像处理
，具体涉及一种基于路面图像特征匹配的车辆定位方法。
技术介绍
目前，常用的车辆定位技术有GPS定位技术和惯性导航（INS）。GPS定位技术是一种被动定位方式，其存在定位精度低、信号盲区、输出频率低等缺陷，当车辆行驶至无信号地区，GPS无法满足要求；当需要对车辆行为进行安全评估工作时，GPS定位精度无法满足要求。惯性导航（INS）是一种自主定位方式，在车辆行驶过程中实时获取车辆的经纬度和加速度，具有全天候、抗干扰和瞬时测量精度高等优点，然而，其主要部件陀螺仪会随时间进行漂移，导致其定位误差随时间进行累计，因而难以长时间独立工作，新的定位技术不断被探索。近年来，随着图像处理技术快速发展，运用图像处理技术实现车辆自主高精度定位成为研究热点。目前，运用图像处理技术进行车辆定位的方式主要是：提前拍摄全方位街景并存储在数据库中，在车辆行驶过程中实时利用两个摄像头从不同角度拍摄街景，然后将拍摄的街景与预存的全方位街景进行匹配，利用三角测量的方法定位车辆的精确位置。这种方法的特点是定位精度较高，但是需要提前做准备工作，即全方位拍摄街景，因此该方法费时费力，不能适用于未经采集全景的车辆实时定位。
技术实现思路
针对上述现有技术的缺陷或不足，本专利技术的目的在于，提供一种基于路面图像特征匹配的车辆定位方法，该方法仅需要在车辆行驶过程中实时采集路面图像，并对连续两帧路面图像匹配，从而实现自主车辆定位，该方法不易受干扰，定位精度高，且省去了现有定位方法中提前采集全方位街景的费时费力的环节，因此省时省力。为了完成上述任务，本专利技术采用以下技术方案予以解决：一种基于路面图像特征匹配的车辆定位方法，具体包括如下步骤：步骤一：确定车辆初始位置的地理坐标（p0，q0）；在车辆行驶过程中实时拍摄路面图像。步骤二：对拍摄的当前连续两帧路面图像依次进行匀光处理。步骤三：实时对匀光处理后的连续两帧路面图像进行匹配，得到该连续两帧路面图像的匹配点对。步骤四，根据得到的匹配点对进行车辆定位。步骤五，判断当前两帧图像是否为最后的两帧，是则结束，否则执行步骤二。进一步的，所述步骤二的对路面图像进行匀光处理具体包括如下步骤：将路面图像I1划分为M×N个大小相等、互不重叠的子块图像，每个子块图像的大小为m×n，m，n取值为2k，k=5、6、7；计算每个子块图像的平均灰度h(i,j)，其中，i＝1,2,…,M；j＝1,2,…,N，得到原图像I1的背景子集H。采用双线性插值方法将背景子集H扩大为与原图像I1大小相等的背景图像I0；利用式1对图像进行整体灰度校正，得到校正后的图像ΔI。ΔI＝I1-I0（式1）利用式2将校正后的背景图像ΔI映射到0～255灰度级空间得整体灰度校正图像I2：（式2）式中，ΔImax，ΔImin分别是校正后的背景图像ΔI中的最大灰度值和最小灰度值。对整体灰度校正图像I2进行局部对比度增强：将整体灰度校正图像I2划分为M×N个、图像子块大小为m×n，m，n取值为2k，k=5、6、7；对每个图像子块进行直方图均衡化，得到局部对比度增强图像I3；将局部对比度增强图像I3和整体灰度校正图像I2按式3融合，得到增强图像F：F＝w×I3+(1-w)×I2（式3）式中，w是融合权重，取0.5-0.7。进一步的，所述步骤三的对匀光处理后的连续两帧路面图像进行匹配的具体步骤如下：第1步：获取连续两帧路面图像的所有匹配点对；第2步，判断第1步得到的匹配点对的个数是否大于阈值T，是则执行第4步；否则执行第3步；第3步，基于SIFT特征点的Hu矩和灰度特征获得连续两帧路面图像的匹配点对；第4步，消除错误匹配点对。进一步的，所述第1步中，采用利用SIFT算法获取连续两帧路面图像的所有匹配点对。进一步的，将SIFT算法中的欧氏距离函数用式4的街区距离L替换后，用替换后的SIFT算法获取连续两帧路面图像的匹配点对；街区距离L如下：（式4）式中，lik表示连续两帧路面图像中第1帧路面图像的第i个SIFT特征点的第k个特征向量的元素；ljk分别表示连续两帧路面图像中第2帧路面图像的第j个SIFT特征点的第k个特征向量的元素；N1表示连续两帧路面图像中第1帧路面图像的SIFT特征点的个数；N2表示连续两帧路面图像中第2帧路面图像的SIFT特征点的个数。进一步的，所述第2步中的阈值T不小于3。进一步的，所述第3步的具体步骤如下：3.1获取Hu矩对所述的连续两帧路面图像分别以每个SIFT特征点为圆心，r=32作圆，得到多个圆形的计算区域，然后对每个计算区域获取Hu矩；3.2获取灰度特征利用式8和式9计算每个计算区域的灰度平均值M和标准差σ，作为灰度特征向量；（式8）（式9）式中，(a,b)为SIFT特征点的位置，r为SIFT特征点所在的计算区域的半径，total为SIFT特征点所在的计算区域内像素点的总数，f(x,y)为SIFT特征点所在的计算区域内坐标为(x,y)处的灰度值。3.3获取匹配点对对得到的连续两帧路面图像中所有SIFT特征点的Hu矩利用式10所示的最大最小值法分别计算SIFT特征点对（i，j）的相似度rij，得到SIFT特征点对（i，j）基于Hu矩的相似度矩阵r_Hu；对得到的连续两帧路面图像中所有SIFT特征点的灰度特征利用式10所示的最大最小值法分别计算SIFT特征点对（i，j）的相似度rij，得到SIFT特征点对（i，j）基于灰度特征的相似度矩阵r_gray；（式10）式中，i是指连续两帧路面图像中第1帧的任一SIFT特征点，j指第2帧中的任一SIFT特征点，M为特征向量中元素总个数，对于Hu矩，M=7，对于灰度特征，M=2。fik为第1帧路面图像中的第i个SIFT特征点的第k个特征向量的元素，fjk为第2帧路面图像中的第j个SIFT特征点的第k个特征向量的元素。N1表示第1帧路面图像SIFT特征点的个数；N2表示第2帧路面图像SIFT特征点的个数。利用式11对得到的基于Hu矩和基于灰度矩阵的相似度矩阵进行加权融合，得到最终匹配程度矩阵end_r。最后按照相似度rij降序排列（rij数值越大，相似度越大），取前若干个SIFT特征点对作为最佳匹配点对，组成匹配点对集合，一般取3-5个SIFT特征点对。end_r＝weight×r_Hu+(1-weight)×r_gray（式11）式中，r_Hu为SIFT特征点对基于Hu矩的相似度矩阵，r_gray为SIFT特征点对基于灰度特征的相似度矩阵；weight为权重，取0.3-0.5；将第1步获得的匹配点对加入所述的匹配点对集合。进一步的，所述第4步使用RANSAC算法消除错误的匹配点对，具体步骤如下：（1）对第1步获得的连续两帧路面图像匹配点对（mk—mk’，其中，k=1,2,…,m_n，m_n表示匹配点对的总个数），将匹配点对的坐标归一化；（2）从匹配点对集合当中任取8个匹配点对，使用8点算法计算基本矩阵Ai；（3）以sampson距离(d)为判据，在匹配点对集合（mk—mk’,k=1,2,…,m_n）寻找所有符合d<t条件的匹配点对，将它们作为内点，并记录满足基本矩阵Ai约束的内点数量。若内点数量大于事先给定阈值（阈值等于匹配点对总本文档来自技高网...

【技术保护点】
一种基于路面图像特征匹配的车辆定位方法，其特征在于，具体包括如下步骤：步骤一：确定车辆初始位置的地理坐标（p0，q0）；在车辆行驶过程中实时拍摄路面图像。步骤二：对拍摄的当前连续两帧路面图像依次进行匀光处理。步骤三：实时对匀光处理后的连续两帧路面图像进行匹配，得到该连续两帧路面图像的匹配点对。步骤四，根据得到的匹配点对进行车辆定位。步骤五，判断当前两帧图像是否为最后的两帧，是则结束，否则执行步骤二。

【技术特征摘要】
1.一种基于路面图像特征匹配的车辆定位方法，其特征在于，具体包括如下步骤：步骤一：确定车辆初始位置的地理坐标(p0，q0)；在车辆行驶过程中实时拍摄路面图像；步骤二：对拍摄的当前连续两帧路面图像依次进行匀光处理；步骤三：实时对匀光处理后的连续两帧路面图像进行匹配，得到该连续两帧路面图像的匹配点对；步骤四，根据得到的匹配点对进行车辆定位；步骤五，判断当前两帧图像是否为最后的两帧，是则结束，否则执行步骤二；所述步骤三的对匀光处理后的连续两帧路面图像进行匹配的具体步骤如下：第1步，获取连续两帧路面图像的所有匹配点对；第2步，判断第1步得到的匹配点对的个数是否大于阈值T，是则执行第4步；否则执行第3步；第3步，基于SIFT特征点的Hu矩和灰度特征获得连续两帧路面图像的匹配点对；第4步，消除错误匹配点对；所述第3步的具体步骤如下：3.1获取Hu矩对所述的连续两帧路面图像分别以每个SIFT特征点为圆心，r＝32作圆，得到多个圆形的计算区域，然后对每个计算区域获取Hu矩；3.2获取灰度特征利用式8和式9计算每个计算区域的灰度平均值M和标准差σ，作为灰度特征向量；式中，(a,b)为SIFT特征点的位置，r为SIFT特征点所在的计算区域的半径，total为SIFT特征点所在的计算区域内像素点的总数，f(x,y)为SIFT特征点所在的计算区域内坐标为(x,y)处的灰度值；3.3获取匹配点对对得到的连续两帧路面图像中所有SIFT特征点的Hu矩利用式10所示的最大最小值法分别计算SIFT特征点对(i，j)的相似度rij，得到SIFT特征点对(i，j)基于Hu矩的相似度矩阵r_Hu；对得到的连续两帧路面图像中所有SIFT特征点的灰度特征利用式10所示的最大最小值法分别计算SIFT特征点对(i，j)的相似度rij，得到SIFT特征点对(i，j)基于灰度特征的相似度矩阵r_gray；式中，i是指连续两帧路面图像中第1帧的任一SIFT特征点，j指第2帧中的任一SIFT特征点，P为特征向量中元素总个数，对于Hu矩，P＝7，对于灰度特征，P＝2；fik为第1帧路面图像中的第i个SIFT特征点的第k个特征向量的元素，fjk为第2帧路面图像中的第j个SIFT特征点的第k个特征向量的元素；N1表示第1帧路面图像SIFT特征点的个数；N2表示第2帧路面图像SIFT特征点的个数；利用式11对得到的基于Hu矩和基于灰度矩阵的相似度矩阵进行加权融合，得到最终匹配程度矩阵end_r；最后按照相似度rij降序排列，rij数值越大，相似度越大，取前3-5个SIFT特征点对作为最佳匹配点对，组成匹配点对集合；end_r＝weight×r_Hu+(1-weight)×r_gray(式11)式中，r_Hu为SIFT特征点对基于Hu矩的相似度矩阵，r_gray为SIFT特征点对基于灰度特征的相似度矩阵；weight为权重，取0.3-0.5；将第1步获得的匹配点对加入所述的匹配点对集合；所述第4步使用RANSAC算法消除错误的匹配点对，具体步骤如下：(1)将第1步获得的连续两帧路面图像匹配点对ma—ma’的坐标归一化，其中，a＝1,2,…,m_n，m_n表示匹配点对的总个数；(2)从匹配点对集合当中任取8个匹配点对，使用8点算法计算基本矩阵Ai；(3)在匹配点对集合ma—ma’寻找所有符合d<t条件的匹配点对，d表示sampson距离；将它们作为内点，并记录满足基本矩阵Ai约束的内点数量；若内点数量大于事先给定阈值，阈值等于匹配点对总数m_n的80％，则保留Ai，否则舍弃；(4)重复执行(2...

【专利技术属性】
技术研发人员：赵祥模，徐志刚，周经美，张立成，程鑫，任亮，白国柱，
申请(专利权)人：长安大学，
类型：发明
国别省市：