CN102207389A - 车辆位置识别系统 - Google Patents

Abstract

本发明涉及一种车辆位置识别系统，包括：计算车辆估计位置的车辆位置计算单元；计算基本误差范围的误差范围计算单元；计算至少一个第一估计误差量的第一估计误差量计算单元，所述至少一个第一估计误差量为由所述至少一个方向性误差因子引起的所述至少一个误差的至少一个估计量，所述至少一个方向性误差因子为在关于车辆行驶方向的至少一个特定方向上趋于引起至少一个误差的至少一个误差因子；以及第一误差范围调整单元，基于由所述至少一个方向性误差因子趋于引起至少一个误差所在的至少一个方向以及所述至少一个第一估计误差量来调整所述基本误差范围。本发明获得的调整误差范围更精确且更小，能够有效地提供误差范围内的多种向导。

Description

车辆位置识别系统

通过引用的合并

在2010年3月31日递交的日本专利申请第2010-084678号的披露内容包括说明书、附图以及摘要，其全部内容通过参考而援引于此。

技术领域

本发明涉及一种车辆位置识别系统，其包括基于卫星定位和航位推算导航来计算车辆的估计(estimate)位置的车辆位置计算单元，以及考虑到估计位置中的误差来基于估计位置计算误差范围的误差范围计算单元。

背景技术

包括车辆位置计算单元和误差范围计算单元的上述车辆位置识别系统用于计算车辆导航设备中的车辆位置。日本专利申请公开号2005-249654(JP-A-2005-249654)(第00006-0009段及0040段、图1和图5)描述了这样一种导航设备作为现有技术的实例，该导航设备使用卫星定位确定车辆位置并使用航位推算导航确定该车辆位置。在公开号2005-249654中所描述的导航设备中，基于使用卫星定位所测量的海拔高度的变化，计算车辆正行驶的道路的纵向坡度(longitudinal slope)作为实际测量的坡度，以及基于表示道路地图的地图数据，确定车辆当前正行驶的道路作为车辆行驶道路。此外，在该导航设备中，基于每条道路的纵向坡度或基于实际测量坡度偏离纵向坡度范围的程度，来计算使用卫星定位所确定的位置的可靠度。根据可靠度来改变表示误差范围的圆的半径。尤其是，表示误差范围的圆的半径会随着可靠度的降低而增大。

日本专利申请公开号11-37776(JP-A-11-37776)(第0008-0014段、图3和图4)描述了一种用于车辆的导航设备作为现有技术的另一实例。在公开号11-37776中所描述的导航设备中，基于使用来自车载传感器的信号所计算的车辆行驶位置以及所计算的车辆行驶位置中的精度的误差，获得行驶误差范围。基于使用差分GPS(DGPS)所确定的车辆位置和所获得的车辆位置中的精度的误差，获得DGPS误差范围。基于行驶误差范围和DGPS误差范围来设定更缩限的车辆存在范围。基于车辆存在范围和道路地图信息来估计道路上的车辆位置。此外，在该用于车辆的导航设备中，将车辆存在范围设定为行驶误差范围和DGPS误差范围互相重叠的范围，或者将车辆存在范围设定为行驶误差范围和DGPS误差范围中较小的那一个。因而，设定了小且精确的车辆存在范围。

发明内容

上述两个公开的每一个均描述了基于在估计车辆位置时引起误差的误差因子来改变误差范围的大小的技术。然而，在公开号2005-249654中所描述的技术中，仅仅增大或减小误差范围的半径。尤其是，由于在车辆正行驶的车辆行驶方向上误差范围的前部区域的尺寸等于在车辆行驶方向上误差范围的后部区域的尺寸，从而这种技术没有对精确估计车辆位置做出充分地贡献。在公开号11-37776中所描述的技术中，仅通过获取以不同方法所计算的两个误差范围的逻辑积(logical product)来调节误差范围。这一技术也没有对精确估计车辆位置做出充分地贡献。例如，在通过风景匹配等更精确地估计车辆位置的情况下，除非设定了尽可能精确且尽可能小的误差范围，否则将大量风景图像用作匹配备选，因而匹配效率下降。一般而言，在匹配处理中，准备多个参考图像，以便于该参考图像用作要进行匹配处理的对象图像(subject image)的匹配备选。在依次设定参考图像的同时，重复进行匹配处理。由于仅一个参考图像与对象图像匹配，从而在其它参考图像和对象图像之间的匹配处理为无用处理。因此，当为匹配所准备的参考图像(包括与对象图像相匹配的参考图像)的数目小时，匹配效率高。因而，需要更精确且更小的误差范围。考虑到这种情况，期望开发这样一种技术，在该技术中当基于卫星定位和航位推算导航来计算车辆的估计位置时，更精确地计算估计位置的误差范围。

本发明的第一方案涉及一种车辆位置识别系统，包括：车辆位置计算单元，基于卫星定位及航位推算导航来计算车辆的估计位置；误差范围计算单元，计算基本误差范围，其中所述车辆有可能存在于所述基本误差范围中；第一估计误差量计算单元，计算与至少一个方向性误差因子相关的至少一个第一估计误差量，其中所述至少一个方向性误差因子为在关于车辆行驶方向的至少一个特定方向上趋于引起至少一个误差的至少一个误差因子，所述至少一个第一估计误差量为由所述至少一个方向性误差因子引起的所述至少一个误差的至少一个估计量；以及第一误差范围调整单元，基于由所述至少一个方向性误差因子趋于引起至少一个误差所在的至少一个方向以及所述至少一个第一估计误差量来调整所述基本误差范围。

根据第一方案，通过估计在关于车辆行驶方向的特定方向上趋于引起误差的方向性误差因子所引起的误差量来调整基本误差范围。因而，考虑到关于车辆行驶方向趋于引起误差的方向以及所引起的误差的估计量，能够适当地调整基本误差范围。因此，由此获得的调整误差范围更精确且更小。例如当在导航系统中使用车辆位置识别系统时，这能够有效地提供误差范围内的多种向导。

附图说明

通过下述实例实施例的描述并参考附图，本发明的上述和其它的目的、特征以及优点将变得明显，其中相同的附图标记用于表示相同的元件，并且其中：

图1为用于通过使用根据本发明一实施例的车辆位置识别系统的风景匹配来说明车辆位置确定的基本原理的示意图，；

图2为示意性示出生成用于风景匹配的参考数据的图像处理系统的主要功能和操作的功能框图；

图3A-图3F为示意性示出当创建参考数据时使用调整系数调整权重系数的示意图；

图4为示意性示出采用根据本发明实施例的车辆位置识别系统的实例的汽车导航系统的功能的功能框图；

图5为示出根据本发明实施例的车辆位置识别系统的实例以及风景匹配单元的功能的功能框图；

图6为示出为根据本发明实施例的车辆位置识别系统的主要构成部件的误差计算模块的配置的功能框图；

图7A-图7C为示意性示出基于从误差计算模块输出的调整信息调整基本误差范围的说明图；以及

图8A-图8C为示意性示出基于与图7A-图7C中示出的实例不同的实例中的调整信息调整基本误差范围的说明图。

具体实施方式

在下文中，将参考附图详细描述本发明的实施例。图1示意性示出根据本发明实施例的车辆位置识别系统的基本原理，该车辆位置识别系统通过匹配处理识别在车辆正行驶的方向(在下文中，称为“车辆行驶方向”)上被布置为拍摄车辆前方的风景的图像的车载摄像机所拍摄的风景图像，以便于确定风景图像被拍摄的位置(即车辆位置)。

首先，将描述用于创建存储参考数据作为匹配备选的参考数据数据库(在下文中，简称为“参考数据DB”)92的过程。如图1所示，首先，输入通过拍摄从行驶期间的车辆所看到的风景而获得的拍摄图像以及图像拍摄属性信息(步骤01)。图像拍摄属性信息包括在图像拍摄时的拍摄图像的图像拍摄位置和拍摄图像的图像拍摄方向。术语“拍摄图像的图像拍摄位置”表示进行拍摄以获得拍摄图像时的位置。术语“拍摄图像的图像拍摄方向”表示进行拍摄以获得拍摄图像时的方向。接着，在所输入的拍摄图像上执行用于检测图像特征点的特征点检测处理，如边缘检测处理(步骤02)。与一个或多个像素相应的边缘点构成一条线段(例如轮廓线)的部分被称为“线段边缘”。多个线段边缘彼此交叉处的交叉点被称为“角”。构成线段边缘的边缘点被称为“线段边缘点”。在线段边缘点中，与角相应的边缘点被称为“角边缘点”。线段边缘点与角边缘点都为图像特征点的实例。从通过边缘检测处理所获得的边缘检测图像中提取包括角边缘点的线段边缘点作为图像特征点(步骤03)。

考虑到图像特征点用于风景图像识别，因此所有提取的图像特征点不需要具有相同的重要度(importance degree)。例如，每个图像特征点的重要度可依靠拍摄图像中的图像特征点的位置坐标。因此，优选通过应用降低不适于风景图像识别的图像特征点的重要度和/或增加对于风景图像识别来说重要的图像特征点的重要度的规则，来确定每个图像特征点的重要度(步骤04)。在确定了每个图像特征点的重要度之后，生成权重系数矩阵(步骤05)。权重系数矩阵规定了根据图像特征点的重要度对图像特征点进行权重系数的分配。

接着，通过使用权重系数执行对图像特征点的处理来生成用于每个拍摄图像的图像特征点数据(步骤07)。在创建图像特征点数据的处理期间，执行选择处理。即，丢弃权重系数等于或低于第一阈值的图像特征点，和/或丢弃除权重系数等于或高于第二阈值的特征点和权重系数等于或高于第二阈值的特征点周边的特征点之外的图像特征点。当对风景图像识别采用图案匹配(pattern matching)时，将本步骤中所生成的图像特征点数据用作图案。因此，为了取得匹配的高速性能和高精确性，图像特征点数据仅包括对风景图像的图案匹配有用的图像特征点是很重要的。所生成的图像特征点数据与相应于图像特征点数据的拍摄图像的图像拍摄位置和图像拍摄方向、以及车辆行为相关联。术语“拍摄图像的图像拍摄位置”表示进行拍摄以获得拍摄图像时的位置。术语“拍摄图像的图像拍摄方向”表示进行拍摄以获得拍摄图像时的方向。因而，所生成的图像特征点数据成为可以使用图像拍摄位置、图像拍摄方向以及车辆行为作为搜索条件进行搜索的数据库的数据(步骤08)。即，将图像特征点数据存储在参考数据DB 92中作为用于风景图像识别的参考数据，即，作为被提取作为图案候选的数据(步骤09)。

接着，将描述使用上述过程所创建的参考数据DB 92来确定车辆实际行驶时车辆的位置(车辆位置)的过程。如图1所示，输入使用GPS测量单元等所估计的估计车辆位置、通过使用车载摄像机拍摄风景图像所获得的且图像拍摄位置为估计车辆位置的实际拍摄图像、实际拍摄图像的图像拍摄方向、图像拍摄情况信息、以及来自传感器的信号组(在下文中可称为“传感器信号组”)。首先，基于所输入的拍摄图像和所输入的图像拍摄情况信息，通过步骤02-07生成用于匹配的数据(其为图像特征点数据)(步骤11)。

此外，基于估计车辆位置(其为所输入的图像拍摄位置)计算中心为估计车辆位置的基本误差范围(步骤12)。此外，估测(evaluate)所输入的传感器信号组，并计算至少一个误差因子量(步骤13)。通过量化(quantify)方向性误差因子获得误差因子量。方向性误差因子为在关于车辆行驶方向的特定方向上趋于引起误差的误差因子。接着，基于为相应误差因子所计算的误差因子量计算估计误差量(其为误差的估计值)(步骤14)。估计误差量具有一符号(sign)，因而该误差量包括趋于引起误差的方向(例如，车辆前向方向、或车辆后向方向)。将基于方向性误差因子的误差因子量所计算出的、包括趋于引起误差的方向的估计误差量用作上述基本误差范围的调整量(步骤15)。将使用基本误差量所调整的基本误差范围(即，调整的误差范围)用作用于从参考数据DB 92提取一组参考数据作为匹配候选的范围，即作为关于图像拍摄位置的搜索条件。使用该搜索条件从参考数据DB 92中提取一组参考数据，并且所提取的该组参考数据用作从实际拍摄图像所生成的用于匹配的数据的匹配候选(步骤16)。

将提取的匹配候选参考数据库中所包括的每个参考数据设定为图案，并且执行在每个图案和所生成的用于匹配的数据之间的图案匹配的处理，作为风景图像识别(步骤17)。当参考数据(被设定为图案)与所生成的用于匹配的数据相匹配时，取出(retrieve)与匹配于所生成的用于匹配的数据的参考数据相关联的图像拍摄位置(步骤18)。将所取出的图像拍摄位置确定为正式的车辆位置，代替估计车辆位置(步骤19)。

接着，将描述根据本发明实施例的图像处理系统，该图像处理系统从上述车辆位置识别系统中所使用的拍摄图像中生成参考数据。图2中的功能框图示意性示出尤其与本发明的实施例相关的图像处理系统的功能。

图像处理系统包括多个功能单元，如数据输入单元51、特征点提取单元52、特征点重要度确定单元53、加权单元55、调整系数设定单元54、图像特征点数据生成单元56以及参考数据数据库创建单元57。可通过硬件、软件或硬件和软件的组合来实施每个功能。

将通过使用设置在车辆中的摄像机拍摄风景的图像所获得的拍摄图像、包括图像拍摄时的图像拍摄位置和图像拍摄方向的图像拍摄属性信息、以及图像拍摄情况信息输入到数据输入单元51中。车辆可为以创建参考数据为目的进行行驶的车辆。在图像处理系统被设置在车辆中的实例中，将拍摄图像、图像拍摄属性信息、以及图像拍摄情况信息实时输入到数据输入单元51中。然而，在图像处理系统被安装在数据处理中心或类似地方的实例中，将拍摄图像、图像拍摄属性信息、以及图像拍摄情况信息暂时存储在存储介质中，并将这些数据以批处理方式输入到数据输入单元51中。由于生成拍摄图像和图像拍摄属性信息的方法是已知的，从而省略了对其的描述。

图像拍摄情况信息为指示拍摄图像包含特定对象的可能性的信息。特定对象的实例包括限定车辆行驶的行驶车道(traveling lane)的物体(如导轨和路肩处的沟槽)、移动物体(如附近的行驶车辆、迎面而来的车辆、自行车以及行人)、以及作为山区、郊区、市区以及高层建筑区等类似特征的风景物(如山脉和建筑物)。在实施例中，图像拍摄情况信息的内容包括行驶车道数据D_L、移动物体数据D_O以及区属性数据D_A。行驶车道数据D_L为在拍摄图像中表示行驶车道的区域及道路外侧区域的数据。基于白线、导轨以及安全地带(safety zone)的识别结果来获得行驶车道数据D_L。通过对拍摄图像执行的图像处理来识别白线、导轨以及安全地带。移动物体数据D_O为表示在拍摄图像中存在车辆附近的移动物体的区域的数据。通过检测障碍物的车载传感器(如雷达)来识别车辆附近的移动物体。区属性数据D_A为示出通过拍摄图像获得拍摄图像的图像拍摄区域的类型(即图像拍摄区域的区属性)的数据。区属性的实例包括山区、郊区、市区以及高层建筑区。基于在通过拍摄图像获得拍摄图像时的车辆位置和地图数据来识别该类型(即图像拍摄区域的区属性)。

特征点提取单元52使用适当的算子(operator)从拍摄图像提取边缘点作为图像特征点。特征点重要度确定单元53基于包括在图像拍摄情况信息中的每个数据的内容，来确定由特征点提取单元52所提取的图像特征点的重要度。例如，当使用行驶车道数据D_L的内容时，相比于被分配给拍摄图像中行驶车道内侧区域中的图像特征点的重要度，将高重要度分配给拍摄图像中的行驶车道外侧的路肩侧区域中的图像特征点。当使用移动物体数据D_O时，相比于被分配给在拍摄图像中不存在移动物体的区域中的图像特征点的重要度，将低重要度分配给在拍摄图像中存在移动物体的区域中的图像特征点。此外，当使用区属性数据D_A的内容时根据拍摄图像中图像特征点的位置向图像特征点分配重要度的规则根据上述区属性而改变。例如，在山区的拍摄图像中，由于很有可能在用于图像拍摄的中心光轴(central optical axis)上方是天空，在用于图像拍摄的中心光轴的左右侧是森林，所以相比于被分配给除了中心区域之外的区域中的图像特征点的重要度，将高重要度分配给用于图像拍摄的中心光轴周围的中心区域中的图像特征点。在郊区的拍摄图像中，由于交通量不大，并且四周具有如房子之类的结构性物体，所以相比于被分配给用于图像拍摄的中心光轴上方的区域中的图像特征点的重要度，将高重要度分配给用于图像拍摄的中心光轴下方的区域中的图像特征点。在市区的拍摄图像中，由于交通量很大，所以相比于用于图像拍摄的中心光轴下方的区域，将高重要度分配给用于图像拍摄的中心光轴上方的区域中的图像特征点。在高层建筑区的拍摄图像中，由于有很多高架路和高架桥，所以相比于用于图像拍摄的中心光轴下方的区域，将高重要度分配给用于图像拍摄的中心光轴上方的区域中的图像特征点。

加权单元55根据由特征点重要度确定单元53所分配的重要度将权重系数分配给图像特征点。由于将高重要度分配给了被认为对于执行精确图像识别(精确图案匹配)重要的图像特征点，所以将高权重系数分配给已经被分配了高重要度的图像特征点。另一方面，考虑到很有可能已经被分配了低重要度的图像特征点不用于实际图像识别，或从参考数据中删除，所以将低权重系数分配给已经被分配了低重要度的图像特征点，从而使用低权重系数确定是否选择或删除图像特征点。

调整系数设定单元54鉴于拍摄图像中的权重系数的分配状态，计算用于改变由加权单元55所分配的权重系数的调整系数。基于图像拍摄情况信息已经分配给由特征点提取单元52所提取的图像特征点的重要度包括一定的误差。结果是，认为已经被分配了高重要度的图像特征点可能是随机分布的。因此，当已经被分配了高重要度的图像特征点不均匀分布时，换言之，当已经由加权单元55分配了高权重系数的图像特征点不均匀分布时，调整系数设定单元54用于使得分配不那么不均匀。当通过计算处理所获得的图像特征点的分散度(dispersion)表示已经被分配了高重要度的图像特征点不均匀分布时，将调整系数设定为增加已经被分配了高权重系数的图像特征点的密度低的区域中的图像特征点的权重系数，以及将调整系数设定为降低已经被分配了高权重系数的图像特征点的密度高的区域中的图像特征点的权重系数。

图像特征点数据生成单元56通过基于由加权单元55所分配的权重系数或在某些情况下基于权重系数和所分配的调整系数执行对图像特征点的处理，生成用于每个拍摄图像的图像特征点数据。当生成图像特征点数据时，可通过删除权重系数等于或低于阈值的图像特征点来降低图像特征点的数量以有效地执行匹配处理。而且，图像特征点数据可设置有权重系数，从而也将该权重系数关联于参考数据中的图像特征点，并且当执行图案匹配处理时该权重系数用于计算加权相似度(weighted similarity)。

将参考图3A-图3F所示的示意性说明图，描述使用上述调整系数将图像特征点数据中的图像特征点尽可能广泛地分配在拍摄图像的整个区域上的处理。通过从拍摄图像(图3A)提取图像特征点，生成特征点图像(图3B)。将重要度分配给特征点图像中的每个图像特征点。图3C以相应于特征点图像的重要度层(layer)的形式示出了相应于图像特征点的重要度，以便能够示意性地理解如何分配重要度。使用重要度层将权重系数分配给每个图像特征点。图3D以图像特征点的尺寸随着图像特征点的权重系数的增加而增加的特征点图像的形式示出了已经被分配了权重系数的图像特征点。如果对图像特征点执行处理，例如，删除已经被分配了等于或低于阈值的权重系数的图像特征点，即例如，如果删除除了图3D中的大尺寸图像特征点之外的图像特征点，则去除位于特征点图像中的下部区域(lower region)中的图像特征点。结果是，剩余的图像特征点(即，图像特征点数据中的图像特征点)分布可能非常不均匀。为了避免图像特征点的不均匀分布，则计算特征点图像中的图像特征点的分布度，并且作为执行对图像特征点的处理的结果将调整系数设定为增加剩余图像特征点的密度低的区域中的图像特征点的权重系数。为了能够示意性地理解以上述方式设定的调整系数，图3E以相应于特征点图像的调整系数层的形式示出了调整系数组。在调整系数层中，调整系数排列成矩阵形式(即将调整系数分配给由多个像素区域组成的每个段(section))。图像特征点数据生成单元56使用权重系数以及基于调整系数而最终设定的权重系数来对图像特征点执行处理，从而对每个拍摄图像生成图3F所示的图像特征点数据。

参考数据数据库创建单元57通过将图像特征点数据生成单元56所生成的图像特征点数据与关于与图像特征点数据相应的拍摄图像的图像拍摄属性信息相关联，创建用于风景图像识别的参考数据，并创建参考数据的数据库。因而，参考数据数据库创建单元57创建了参考数据的数据库。同时，为了有助于风景图像识别，表示图像拍摄时的车辆行为的信息也与参考数据相关联。从车辆行为数据中取出(take out)表示图像拍摄时的车辆行为的信息，作为所记录的车辆行为。因而，参考数据存储在参考数据DB 92中。

上文已经描述了确定每个图像特征点的重要度，并由此设定每个图像特征点的权重系数的实例。然而，可对每个图像特征点组执行处理。在这种情况下，例如，可将拍摄图像的区域分为多个图像段，并且特征点重要度确定单元53可将图像特征点分成图像特征点组，从而每个图像特征点组包括同一图像段内的图像特征点，并可对每个图像特征点组执行处理。在这种情况下，特征点重要度确定单元53可将相同的重要度分配给包括在同一图像特征点组中的图像特征点。类似地，加权单元55可设定每个图像特征点组的权重系数。在这种情况下，可以每个图像段由拍摄图像中所包含的一个像素组成或每个图像段由多个像素组成的方式设定图像段。因而，在本发明的实施例中，每个图像段可由一个或多个像素组成。

接着，将描述车载汽车导航系统，该系统采用上述车辆位置识别系统的基本技术。图4示出汽车导航系统安装在车载LAN中的实例中的功能块。汽车导航系统包括输入操作模块21、导航控制模块3、车辆位置检测模块4、图像拍摄情况信息生成单元19、包括上述参考数据DB 92和存储有用于汽车导航的道路地图数据的道路地图数据库(在下文中，简称为“道路地图DB”)91的数据库9、以及车辆行为检测模块24。车辆行为检测模块24通过车载LAN接收表示各种车辆行为(例如车辆中的刹车行为、加速行为、转向行为)的传感器信号和控制信号。接着，车辆行为检测模块24生成并输出包括各种车辆行为的车辆行为数据。

导航控制模块3包括路线设定单元31、路线搜索单元32、以及路线向导单元33。例如，路线设定单元31设定出发点(如当前车辆位置)、已经输入的目的地、经过点、以及行驶条件(例如，关于是否使用高速道路的条件)。路线搜索单元32为执行用于基于由路线设定单元31所设定的条件来搜索从出发点到目的地的导引路线的计算处理的处理单元。路线向导单元33为执行用于根据作为搜索结果由路线搜索单元32取出的从出发点到目的地的路线向驾驶者提供适当路线向导的计算处理的处理单元。路线向导单元33使用显示在监视器12的屏幕上的向导、从扬声器13输出的语音向导等来提供路线向导。

车辆位置检测模块4具有对通过使用GPS执行传统位置计算和使用航位推测导航执行传统位置计算所获得的估计车辆位置进行校正的功能。车辆位置检测模块4基于使用估计车辆位置通过风景图像识别所确定的车辆位置来校正估计车辆位置。车辆位置检测模块4包括GPS处理单元41、航位推测导航处理单元42、车辆位置坐标计算单元43、地图匹配单元44、车辆位置确定单元45、拍摄图像处理单元5、以及风景匹配单元6。GPS处理单元41连接到从GPS卫星接收GPS信号的GPS测量单元15。GPS处理单元41分析由GPS测量单元15所接收的来自GPS卫星的信号，计算车辆的当前位置(即纬度和经度)，并将车辆的当前位置作为GPS位置坐标数据发送到车辆位置坐标计算单元43。航位推测导航处理单元42连接到距离传感器16和方向传感器17。距离传感器16为检测车辆的速度和移动距离的传感器。例如，距离传感器16包括每次车辆的驱动轴、车轮等旋转一定量时输出脉冲信号的车辆速度脉冲传感器、检测车辆加速度的偏航率(yaw rate)/加速度传感器、以及对加速度的检测值进行积分(integrate)的电路。距离传感器16将作为检测结果的关于车辆速度的信息和关于车辆移动距离的信息输出到航位推测导航处理单元42。例如，方向传感器17包括陀螺仪传感器、地磁传感器、与转向轮的旋转单元连接的光学角速率传感器和旋转式可变电阻器、以及附着到车轮单元的角度传感器。方向传感器17将作为检测结果的关于方向的信息输出到航位推测导航处理单元42。航位推测导航处理单元42基于每时刻传输给航位推测导航处理单元42的移动距离信息和方向信息来计算航位推测导航位置坐标，并将计算出的航位推测导航位置坐标作为航位推测导航位置坐标数据传输给车辆位置坐标计算单元43。车辆位置坐标计算单元43基于GPS位置坐标数据和航位推测导航位置坐标数据使用已知方法执行计算处理，以确定车辆位置的坐标。计算出的车辆位置信息包括测量误差等。因此，在某些情况下，计算出的车辆位置会偏离道路。因而，地图匹配单元44调整车辆位置信息，使得车辆位于道路地图中所示的道路上。将车辆位置的坐标作为估计车辆位置传输至车辆位置确定单元45。

拍摄图像处理单元5基本上包括构成图2中所示出的图像处理系统的参考图像数据生成单元50的大部分功能单元。拍摄地图像处理单元5包括数据输入单元51、特征点提取单元52、特征点重要度确定单元53、加权单元55、调整系数设定单元54以及图像特征点数据生成单元56。当车辆前方的风景的拍摄图像(其为由车载摄像机14所拍摄的图像)输入到数据输入单元51时，通过上述步骤从图像特征点数据生成单元56输出图像特征点数据。特征点重要度确定单元53所使用的图像拍摄情况信息通过设置在车辆中的图像拍摄情况信息生成单元19而产生，并被传输至拍摄图像处理单元5。图像拍摄情况信息生成单元19连接到车载摄像机14以生成上述行驶车道数据D_L，并且图像拍摄情况信息生成单元19接收与传输至拍摄图像处理单元5的拍摄图像相同的拍摄图像。通过使用已知算法对所接收的拍摄图像执行图像处理，创建行驶车道数据D_L。图像拍摄情况信息生成单元19连接到用于检测障碍物的传感器组18，以创建上述移动物体数据D_O。图像拍摄情况信息生成单元19基于从传感器组18传输的传感器信息创建移动物体数据D_O。此外，图像拍摄情况信息生成单元19连接到车辆位置确定单元45和数据库9，以创建上述区属性数据D_A。图像拍摄情况信息生成单元19通过使用从车辆位置确定单元45所传输的车辆位置的坐标作为搜索条件搜索数据库9，来获得车辆当前行驶的地区的区属性。区属性的实例包括山区和郊区。图像拍摄情况信息生成单元19基于获得的区属性来创建区属性数据D_A。

风景匹配单元6以在下文中将要详细描述的方式从参考数据DB 92提取包括预定数量参考数据的参考数据组(dataset)。在将参考数据组的每个参考数据顺序设定为匹配候选的同时，风景匹配单元6对从拍摄图像处理单元5所传输的图像特征点数据执行图案匹配处理。当参考数据与图像特征点数据匹配时，取出与匹配于图像特征点数据的参考数据相关联的图像拍摄位置。将取出的图像拍摄位置作为车辆位置传输到车辆位置确定单元45。车辆位置确定单元45校正车辆位置，即用传输的车辆位置来取代估计车辆位置。如在下文中将要详细描述的，在风景匹配单元6中，基于从车辆位置确定单元45所输入的估计车辆位置，计算基本误差范围。此外，基于从误差计算模块7所输入的调整信息，调整基本误差范围。当从参考数据DB 92中提取参考数据时，已经被调整的基本误差范围(即调整的基本误差范围)被用作提取范围。

汽车导航系统还包括作为外围设备的输入操作模块21、显示模块22、以及语音生成模块23。输入操作模块21包括输入设备11(包括触摸板和开关)和操作输入估测单元21a，其中所述操作输入估测单元21a通过输入设备11将操作输入转换成适当的操作信号并将操作信号传输到汽车导航系统。显示模块22使监视器12显示汽车导航所需要的图像信息。语音生成模块23使扬声器13和蜂鸣器输出汽车导航所需要的语音信息。

接着，将参见图5描述风景匹配单元6的功能配置。风景匹配单元6包括基本误差范围计算单元61、误差范围调整单元62、参考数据输出单元63、匹配执行单元64、匹配图像拍摄位置取得单元65。基本误差范围计算单元62从车辆位置确定单元45接收估计车辆位置，并使用已知的常规算法计算基本误差范围(中心为估计车辆位置)。车辆很可能存在于基本误差范围中。基本误差范围为圆形或长轴在沿着道路的方向上延伸的椭圆形。误差范围调整单元62基于从在下文中将要详细描述的误差计算模块7所传输的调整信息来调整基本误差范围，因而生成调整的误差范围。方向性误差因子为在特定方向(例如，车辆前向方向或车辆后向方向、车辆右向方向或车辆左向方向、或车辆斜方向)上趋于引起误差的误差因子。术语“车辆前向方向”表示当车辆行驶时从车辆朝向车辆前方位置的方向。术语“车辆后向方向”表示当车辆行驶时从车辆朝向车辆后方位置的方向。术语“车辆右向方向”和“车辆左向方向”表示关于车辆行驶方向以90°角延伸的方向。术语“车辆斜方向”表示关于车辆行驶方向例如以30°或60°角延伸的方向。非方向性误差因子为不在特定方向上趋于引起误差而在所有方向上均匀引起误差的误差因子。在实施例中，调整信息包括方向性估计误差量和非方向性估计误差量。方向性估计误差量为具有方向性属性的估计误差量。非方向性估计误差量为不具有这种方向性属性的估计误差量。方向性估计误差量为表示趋于引起误差的方向(例如车辆前向方向或车辆后向方向)的量以及误差量。因此，误差范围调整单元62包括基于方向性估计误差量调整基本误差范围的方向性误差范围调整单元62a，以及基于非方向性估计误差量调整基本误差范围的非方向性误差范围调整单元62b。方向性误差范围调整单元62a具有通过基于方向性估计误差量在车辆行驶方向上从估计车辆位置对基本误差范围的中心进行偏移来调整基本误差范围的功能，并具有基于估计车辆位置在车辆行驶方向上对基本误差范围的前部区域和后部区域中的至少之一进行调整的功能。非方向性误差范围调整单元62b具有前-后调整功能，即在车辆行驶方向上均匀地调整基本误差范围的前部区域和后部区域的功能。代替前-后调整功能，非方向性误差范围调整单元62b可具有左-右向调整功能，即在与水平面上的车辆行驶方向正交的方向上均匀地调整基本误差范围的右向区域和左向区域的功能。可代替地，非方向性误差范围调整单元62b可具有前-后调整功能和左-右向调整功能的两种功能。

参考数据输出单元63基于从误差范围调整单元62所传输的调整的误差范围，创建用于提取用于由拍摄图像处理单元5所生成的用于匹配的数据的适当匹配候选的搜索条件。此外，参考数据输出单元63将使用搜索条件从参考数据DB 92中所提取的一组参考数据传输到匹配执行单元64。将参考数据视为与估计车辆位置周围的周边区域相关的周边信息，并将基本误差范围视为用于获得周边信息的周边信息获取范围。因而，参考数据输出单元63用作确定用于获得周边信息的周边信息获取范围的周边信息获取范围确定单元。当通过误差范围调整单元62调整基本误差范围时，参考数据输出单元63(用作周边信息获取范围确定单元)基于调整的误差范围确定周边信息获取范围。在实施例中，周边信息为当基于通过拍摄从车辆看到的风景的图像所获得的拍摄图像执行风景图像识别时所使用的用于风景匹配的参考数据。此外，当通过在参考数据和从通过使用车载摄像机拍摄风景图像所获得的实际拍摄图像所生成的用于匹配的数据之间进行匹配精确确定车辆位置时，参考数据输出单元63(用作周边信息获取范围确定单元)将周边信息获取范围用作用于从数据库提取参考数据的提取范围。在顺序地将所提取的参考数据组中的每个参考数据设定为图案的同时，匹配执行单元64对用于匹配的数据执行图案匹配。当参考数据与用于匹配的数据相匹配时，匹配图像拍摄位置取得单元65取出与匹配于用于匹配的数据的参考数据相关联的图像拍摄位置(车辆位置)，并将所取出的图像拍摄位置作为高度精确车辆位置传输到车辆位置确定单元45。

接着，将参见图6示意性描述由误差计算模块7所执行的功能。误差计算模块7具有计算功能，即，当误差计算模块7从检测车辆驱动量的传感器接收传感器信号时、并从检测车辆控制量的传感器接收传感器信号时，误差计算模块7输出用于基本误差范围的调整量(其包括方向性估计误差量和非方向性估计误差量)。在这种情况下，以两个步骤执行该计算。误差计算模块7包括误差因子量计算单元71与估计误差量计算单元72，其中误差因子量计算单元71基于传感器信号计算误差因子量，该估计误差量计算单元72基于由误差因子量计算单元71所计算的误差因子量α(α₁至α_n)来计算方向性估计误差量和非方向性估计误差量。在误差因子量计算单元71中，以表格或条件方程式的形式存储用于基于传感器信号S₁至S_n导出误差因子量α₁到α_n的函数f₁至f_n。传感器信号S₁到S_n表示道路倾斜度、转向量、转向变化率、滑动量等。误差因子量为道路倾斜度、转向量、转向改变率、滑动量等影响估计车辆位置中的估计误差的量。在估计误差量计算单元72中，以表格、条件方程式、规则库(rule base)或神经网络的形式存储用于基于误差因子量α₁至α_n导出方向性估计误差量ΔD的函数G。方向性估计误差量ΔD为具有符号(sign)的量。例如，当方向性估计误差量ΔD为正量时，将方向性估计误差量ΔD用作用于在车辆前部方向上对上述基本误差范围进行偏移的调整量。当方向性估计误差量ΔD为负量时，方向性估计误差量ΔD被用作用于在车辆后部方向上对上述基本误差范围进行偏移的调整量。方向性估计误差量的典型实例包括与转换误差(起因于从关于斜坡路的三维数据到二维数据的转换)、行驶距离误差(起因于在道路宽度内以Z字形方式行驶)、行驶距离误差(起因于轮胎滑移)、行驶距离误差(起因于脉冲检测式距离传感器中的脉冲丢失)相关的量。在上述实例中，一般而言，当在脉冲检测式距离传感器中发生脉冲丢失时，方向性估计误差量ΔD为负量，因此在车辆后向方向上对基本误差范围进行偏移。在其它情况下，方向性估计误差量ΔD为正量，因此在车辆前向方向上对基本误差范围进行偏移。此外，在估计误差量计算单元72中，以表格、条件方程式、规则库或神经网络的形式存储函数H，该函数H用于基于从误差因子量α₁至α_n中选出的误差因子量导出非方向性估计误差量ΔL。非方向性估计误差量ΔL还具有正符号(正号)或负符号(负号)。然而，该符号不表示方向性属性。当非方向性估计误差量ΔL为正量时，非方向性估计误差量ΔL表示增加基本误差范围，当非方向性估计误差量ΔL为负量时，非方向性估计误差量ΔL表示减小基本误差量。

将调整量ΔD和ΔL(为从误差计算模块7所输出的调整信息)传输到误差范围调整单元62。当使用卫星定位所计算的车辆位置以及使用航位推算导航所计算的车辆位置被传输到车辆位置确定单元45时，将估计车辆位置输出到基本误差范围计算单元61。进一步地，在基本误差范围计算单元61中，基于估计车辆位置计算基本误差范围，并且将计算的基本误差范围输出到误差范围调整单元62。在误差范围调整单元62中，对基本误差范围调整相应于调整量ΔD和ΔL的量，接着将调整的误差范围传输到参考数据输出单元63。

接着，将参见图7A-图7C描述使用调整量ΔD和ΔL调整基本误差范围的方式。在图7A中示出的实例中，基本误差范围的中心P与估计车辆位置(图像拍摄位置)一致。在基本误差范围的长度L中，在车辆行驶方向上的基本误差范围的前部区域的长度等于在车辆行驶方向上的基本误差范围的后部区域的长度。因而，在车辆行驶方向上的基本误差范围的前部区域等于在车辆行驶方向上的基本误差范围的后部区域。一般而言，以圆形来表示基本误差范围。在本实例中，以长轴沿着道路延伸的方向延伸的椭圆形表示基本误差范围。当输入调整量ΔD时，根据调整量ΔD的符号，基本误差范围的中心P从在车辆前向方向上或车辆后向方向上的估计车辆位置偏移。当输入调整量ΔL时，基本误差范围根据调整量ΔL的符号而增加或减小。在图7B中示出的实例中，通过在车辆前向方向上根据调整量ΔD对基本误差范围进行偏移，生成调整的误差范围。在图7C中示出的实例中，通过在车辆前向方向上根据调整量ΔD对基本误差范围进行偏移、以及根据调整量ΔL减小在车辆行驶方向上的基本误差范围的前部区域和后部区域的每一个的长度，生成调整的误差范围，因而，根据行驶情况和道路情况，更精确地计算估计车辆位置的误差范围。尤其是，例如，能够计算对更精确地提取风景匹配中的一组参考数据所需要的误差范围，即精确且可较小的误差范围。

图8A-图8C示出与调整基本误差范围相关的另一实施例。在本实施例中，将调整量(估计误差量)分为用于在车辆行驶方向上基本误差范围的前部区域的前部调整量ΔF、用于在车辆行驶方向上基本误差范围的后部区域的后部调整量ΔR。将前部调整量ΔF和后部调整量ΔR看作被彼此独立的各函数所导出的量。也就是说，通过函数F导出前部调整量ΔF，即以方程ΔF＝F(α₁，α₂…α_n)表示前部调整量ΔF；通过函数R导出后部调整量ΔR，即以方程ΔR＝R(α₁，α₂…α_n)表示后部调整量ΔR。要注意，不需要将所有的误差因子量α₁到α_n用作函数F和R的每一个的变量。主要通过使变量的系数为0略去不需要的变量。此外，通过适当地设定变量的系数，可优化使用各种误差因子量。当适当地设定变量的系数时，可适当地设定系数的符号。系数可为变量的幂(power)，在图8B到图8C中，仅示出前部调整量ΔF的实例。然而，前部调整量ΔF和后部调整量ΔR的每一个均具有正符号或负符号。当前部调整量ΔF为正量时，前部调整量ΔF表示基本误差范围的前部区域增加；当前部调整量ΔF为负量时，前部调整量ΔF表示基本误差范围的前部区域减小。当后部调整量ΔR为正量时，后部调整量ΔR表示基本误差范围的后部区域增加；当后部调整量ΔR为负量时，后部调整量ΔR表示基本误差范围的后部区域减小。在本实施例中，基本误差范围的形状为图8A所示的圆形，并且调整的误差范围的形状为图8B和图8C所示的变形(distorted)的圆形。然而，基本误差范围的形状和调整的误差范围的形状的每一个不限于圆形(变形的圆形)或椭圆形。例如，基本误差范围的形状和调整的误差范围的形状的每一个可为矩形或其它形状。

当车辆在道路上行驶时，在车辆前向方向或后向方向上引起的误差尤其重要。在上述实施例中，考虑到每个误差因子是趋于引起车辆前向方向上的误差还是趋于引起后向方向上的误差，计算在车辆前向方向或后向方向上的偏离量作为估计误差量。因此，能够基于由此计算出的估计误差量来调整基本误差范围。

当具有多个方向性误差因子时，优选地，可基于多个不同的方向性误差因子来计算多个估计误差量，可计算该多个估计误差量的和，并且可基于该和来调整基本误差范围。多个估计误差量的和为根据由多个方向性误差因子趋于引起误差的方向的值。即，用具有符号的和表示基于多个方向性误差因子的总估计误差量。因此，能够抑制误差范围不必要地扩大。

在上述实施例中，当调整基本误差范围时，基于调整的误差范围来确定周边信息获取范围，其用于获得与估计车辆位置周围的周边区域相关的信息。当确定了车辆位置周围的周边区域时，能够以多种方式使用与周边区域相关的信息(即，所谓的周边信息)。在上述实施例中，该误差范围比现有技术中用作获取周边信息的范围的误差范围更精确。因而，能够使用以高精确度(pinpoint accuracy)获得的周边信息。

周边信息的实例包括用于风景匹配的参考数据，从通过拍摄从车辆看到的风景的图像所获得的拍摄图像来生成该参考数据。在通过在时间点拍摄风景的图像所获得的拍摄图像与参考图像(与精确车辆位置相关联)之间执行的风景匹配为精确确定车辆位置的有用技术。当执行风景匹配时，使用精确误差范围是有效的，该精确误差范围用来设定用于降低作为拍摄图像的匹配候选的参考数据的量的参考数据提取范围(搜索条件)。

优选通过在车辆行驶方向上从估计车辆位置偏移基本误差范围的中心来调整上述基本误差范围。在这种情况下，能够容易地将本发明结合到传统系统中，同时还使用用于计算基本误差范围的传统算法。此外，优选在车辆行驶方向上调整基本误差范围的前部区域和后部区域中的至少之一。在这种情况下，能够计算更精确且更小的误差范围，并能够提供有用的车辆位置识别系统。

在这些误差因子中，具有引起与车辆行驶方向无关的误差的误差因子，例如随机引起测量误差的误差因子。考虑到这种非方向性误差因子对于计算高可靠性的误差范围也是重要的。因此，如在上述实施例中，优选可计算与至少一个非方向性误差因子相关的估计误差量，并且可基于估计误差量均匀地调整在车辆行驶方向上的基本误差范围的前部区域和后部区域。通过将基于非方向性误差因子的基本误差范围的调整与基于方向性误差因子的基本误差范围的调整的组合，能够计算高可靠性的误差范围。如在上述实施例中，可将用作第一估计误差量计算单元以计算与至少一个方向性误差因子相关的估计误差量的模块或单元(误差计算模块7)也可用作第二估计误差量计算单元，以计算与至少一个非方向性误差因子相关的估计误差量。

优选地，方向性误差因子可包括转换误差(起因于从关于斜坡路的三维数据到二维数据的转换)、行驶距离误差(起因于在道路宽度内以Z字方式行驶)、行驶距离误差(起因于轮胎滑移)、行驶距离误差(起因于脉冲检测式距离传感器中的脉冲丢失)中的至少一个。方向性误差因子可基于传感器信号被相对容易地量化，并且误差的影响是大的。因而，当考虑到方向性误差因子来调整基本误差范围时，调整的效果是好的。

在上述实施例中，在通过边缘检测处理作为图像特征点获得的边缘点中，尤其是构成一个线段的线段边缘点(直线成分(component)边缘点)和角边缘点(交叉边缘点)，被视为有用的图像特征点。角边缘点(交叉边缘点)相应于线段彼此交叉处的交叉点(优选地，线段主要是互相正交)。匹配执行单元64采用用于普通图案匹配的算法。然而，匹配执行单元64可采用用于加权图案匹配的算法，在该算法中当在风景图像中具有高重要度的角边缘点彼此匹配时，与当其它边缘点彼此匹配时(即，当不是角边缘点的边缘点彼此匹配时)相比提供高匹配估测。在这种情况下，优选使用包括示出角边缘点的坐标的角属性的参考数据来创建参考数据DB 92。可替代地，每次提取参考数据时，可检测角边缘点。在从实际拍摄图像生成用于匹配的数据的处理期间，可将标识标签分配给用于匹配的数据中的角边缘点。

在本发明中使用的图像特征点不限于线段边缘点和角边缘点。可使用对于风景有用的图像特征点。例如，可使用形成几何形状(如圆形或矩形)的典型边缘点(当几何形状为圆形时，典型边缘点可为圆的圆周上的三个点)，或可使用图像中几何形状的重心或表示几何形状的重心的点。此外，优选采用边缘强度(intensity)作为用于计算重要度的因子。例如，当线段由具有高强度的边缘组成时，与分配给除了起点和终点之外的边缘点的重要度相比，线段的起点和终点可被视为分配有高重要度的图像特征点。此外，与分配给除了端点之外的边缘点的重要度相比，特征几何形状中的特定点(如对称物体中的端点)可被视为分配有高重要度的图像特征点。

此外，除了通过边缘检测处理所获得的边缘点之外，可采用拍摄图像中的色调和/或色度大幅度变化的点作为图像特征点。类似地，作为基于色彩信息的图像特征点，可将具有高色温的物体的端点视为具有高重要度的图像特征点。

即，任何图像特征点，只要对于确定参考数据和基于实际拍摄图像所生成的图像特征点数据之间的相似度(例如图案匹配)是有用的，便可用于本发明的实施例。

在上述实施例中，存储在参考数据DB 92中的参考数据与图像拍摄位置和图像拍摄方向(摄像机的光轴的方向)相关联。除了图像拍摄位置和图像拍摄方向之外，参考数据还可与上述图像拍摄情况信息、图像拍摄的日期、拍摄图像时的天气等相关联。

需要通过至少二维数据(例如包括纬度和经度的数据)来表示图像拍摄位置。可通过三维数据(包括纬度、经度以及海拔高度)来表示图像拍摄位置。

图像拍摄方向不一定需要与参考数据相关联。例如，在保证当创建参考数据时在车辆行驶的道路的方向(其与当使用参考数据执行风景图像识别时拍摄图像的方向基本相同)上拍摄图像的情况下，图像拍摄方向不就需要与参考数据相关联。

在图像拍摄方向与参考数据相关联、并且可通过从一个基本图像拍摄方向适当改变图像拍摄方向来准备多个参考图像的情况下，可基于从方向传感器等所传输的信息来计算车辆行驶的方向，并且仅图像拍摄方向与车辆行驶的方向一致的参考数据可用于风景图像识别。

用于本发明实施例的最适当的车载摄像机为在车辆行驶方向上拍摄车辆前方的风景图像的摄像机。然而，车载摄像机可为拍摄位于车辆斜前方位置处的风景图像的摄像机，或拍摄车辆后方的风景图像的摄像机。当使用拍摄车辆后方的风景图像的后部摄像机时，在车辆行驶期间图像特征点移动的方向与当使用前部摄像机时车辆行驶期间图像特征点移动的方向相反。因此，当图像特征点集中在外围区域上时，向前偏移参考点，而不是向后偏移参考点。当图像特征点集中在中心区域时，向后偏移参考点，而不是向前偏移参考点。即，由于可使用前部摄像机和后部摄像机的每一个，从而本发明中所使用的拍摄图像不限于通过在车辆行驶方向上拍摄车辆前方风景的图像而获得的拍摄图像。

在用于描述上述实施例的功能框图中，各功能单元彼此分离，从而描述较为易懂。然而，本发明不限于功能框图中所示出的各功能模块彼此分离的情况。至少两个功能单元可彼此自由地组合，和/或一个功能单元可进一步分割。

根据本发明的技术可不仅应用于汽车导航，还可应用于通过风景图像识别测量当前位置和当前方向的技术领域。

Claims (8)

1.一种车辆位置识别系统，包括：

车辆位置计算单元，基于卫星定位及航位推算导航来计算车辆的估计位置；

误差范围计算单元，计算基本误差范围，其中所述车辆有可能存在于所述基本误差范围中；

第一估计误差量计算单元，计算与至少一个方向性误差因子相关的至少一个第一估计误差量，其中所述至少一个方向性误差因子为在关于车辆行驶方向的至少一个特定方向上趋于引起至少一个误差的至少一个误差因子，所述至少一个第一估计误差量为由所述至少一个方向性误差因子引起的所述至少一个误差的至少一个估计量；以及

第一误差范围调整单元，基于由所述至少一个方向性误差因子趋于引起至少一个误差所在的至少一个方向以及所述至少一个第一估计误差量来调整所述基本误差范围。

2.根据权利要求1所述的车辆位置识别系统，其中，

所述第一估计误差量计算单元基于多个不同的所述方向性误差因子计算多个所述第一估计误差量，并依据由所述多个方向性误差因子趋于引起的误差所在的方向计算所述多个第一估计误差量的总和；以及

所述第一误差范围调整单元根据所述总和调整所述基本误差范围。

3.根据权利要求1所述的车辆位置识别系统，还包括：

周边信息获取范围确定单元，确定用来获取与在所述估计位置周围的周边区域相关的周边信息的周边信息获取范围，其中，

当所述第一误差范围调整单元调整所述基本误差范围时，所述周边信息获取范围确定单元基于所调整的误差范围确定所述周边信息获取范围。

4.根据权利要求3所述的车辆位置识别系统，其中，

所述周边信息为用于风景匹配的参考数据，在基于通过拍摄从车辆上看到的风景所获取的拍摄图像来执行风景图像识别时使用所述周边信息；以及

在通过在所述参考数据与用于匹配的数据之间进行匹配来确定所述车辆的位置时，由所述周边信息获取范围确定单元确定的所述周边信息获取范围用作从数据库中提取所述参考数据的提取范围，所述用于匹配的数据是由使用车载摄像机拍摄风景所获取的实际拍摄图像而生成的。

5.根据权利要求1所述的车辆位置识别系统，其中，

所述第一误差范围调整单元通过在所述车辆行驶方向上从所述估计位置对所述基本误差范围的中心进行偏移来调整所述基本误差范围。

6.根据权利要求1所述的车辆位置识别系统，其中，

所述第一误差范围调整单元在所述车辆行驶方向上调整所述基本误差范围的前部区域和后部区域中的至少一个。

7.根据权利要求1所述的车辆位置识别系统，还包括：

第二估计误差量计算单元，计算与至少一个非方向性误差因子相关的至少一个第二估计误差量，其中所述至少一个非方向性误差因子为引起与所述车辆行驶方向无关的至少一个误差的至少一个误差因子，所述至少一个第二估计误差量为由所述至少一个非方向性误差因子引起的所述至少一个误差的至少一个估计量；以及

第二误差范围调整单元，基于所述至少一个第二估计误差量，在所述车辆行驶方向上均匀地调整所述基本误差范围的前部区域和后部区域。

8.根据权利要求1所述的车辆位置识别系统，其中，

所述至少一个方向性误差因子包括下述中的至少一个：由于从与斜坡道路相关的三维数据向二维数据转换而导致的转换误差，由于在道路宽度内以Z字形方式行驶而导致的行驶距离误差，由于轮胎滑移而导致的行驶距离误差，以及由于脉冲检测式距离传感器中的脉冲丢失而导致的行驶距离误差。

Images