CN104794447A - 基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统 - Google Patents
基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统 Download PDFInfo
- Publication number
- CN104794447A CN104794447A CN201510195354.0A CN201510195354A CN104794447A CN 104794447 A CN104794447 A CN 104794447A CN 201510195354 A CN201510195354 A CN 201510195354A CN 104794447 A CN104794447 A CN 104794447A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vehicle
- opencv
- kalman filter
- equation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明提供了一种精度高的基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统。本发明提供了一种基于OpenCv卡尔曼滤波器的车载隧道识别方法，包括以下步骤：S1、对存储器中的车道模板进行匹配；S2、对隧道位置进行预测，并且进行计算；S3、判断距离是否超出阀值；S4、如果超出阀值，则报警，如果没有超出阀值，则更新存储器中的车道模板并返回步骤S1。本发明的有益效果是：提高了隧道识别的精度。
Description
技术领域
本发明涉及隧道识别方法，尤其涉及一种基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统。
背景技术
现有的隧道识别方法的误差较大，识别效果较差。
发明内容
为了解决现有技术中的问题，本发明提供了一种精度高的基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统。
本发明提供了一种基于OpenCv卡尔曼滤波器的车载隧道识别方法，包括以下步骤：
S1、对存储器中的车道模板进行匹配；
S2、对隧道位置进行预测，并且进行计算；
S3、判断距离是否超出阀值；
S4、如果超出阀值，则报警，如果没有超出阀值，则更新存储器中的车道模板并返回步骤S1。
作为本发明的进一步改进，步骤S1中：通过差分算法根据车道模板匹配图形，确定其相似度，定义一个变量，保存其相似度，当相似度大于0.85时，确定匹配成功。
作为本发明的进一步改进，步骤S2中的预测过程包括：调用成员函数predict得到当前状态变量的估计值，其卡尔曼滤波器由向前推算状态变量方程、向前推算误差协方差方程首先构造，得到下一个时间状态的预先估计；其过程调用成员函数predict的当前变量的估计值、卡尔曼增益方程所计算的卡尔曼增益、后验协方差方程计算的后验协方差，可对下一次的结果进行预测。
作为本发明的进一步改进，向前推算状态变量方程为：X(k|k-1)=A X(k-1|k-1)+B U(k)，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵；I:单位矩阵；X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。
作为本发明的进一步改进，向前推算误差协方差方程为：P(k|k-1)=A P(k-1|k-1) A’+Q，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵；I:单位矩阵；X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。
作为本发明的进一步改进，卡尔曼增益方程为：Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵；I:单位矩阵；X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。
作为本发明的进一步改进，下一次结果的预测方程为：X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1))，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵；I:单位矩阵；X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。
作为本发明的进一步改进，后验协方差方程为：P(k|k)=（I-Kg(k) H）P(k|k-1)，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵；I:单位矩阵；X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。
本发明还提供了一种基于OpenCv卡尔曼滤波器的车载隧道识别系统，包括微处理器、摄像头、报警器、图像处理器和存储器，其中，所述微处理器分别与所述摄像头、报警器、图像处理器连接，所述图像处理器与所述存储器连接。
本发明的有益效果是：通过上述方案，提高了识别精度。
附图说明
图1是本发明一种基于OpenCv卡尔曼滤波器的车载隧道识别方法的流程图；
图2是本发明一种基于OpenCv卡尔曼滤波器的车载隧道识别方法的流系统的结构框图。
具体实施方式
下面结合附图说明及具体实施方式对本发明进一步说明。
图2中的附图标号为：微处理器100；摄像头200；报警器300；图形处理器400；存储器500。
如图1所示，一种基于OpenCv卡尔曼滤波器的车载隧道识别方法，包括以下步骤：
S1、通过opencv库函数分别初始化ransitionMatrix；measurementMatrix；processNoiseCov；measurementNoiseCov；errorCovPost,等值于矩阵，对存储器中的车道模板进行匹配；
S2、对隧道位置进行预测，并且进行计算，其过程实现为调用成员函数correct用观测值来对测量值进行矫正；
S3、判断距离是否超出阀值；
S4、如果超出阀值，则报警，如果没有超出阀值，则更新存储器中的车道模板并返回步骤S1。
OpenCV的全称是：Open Source Computer Vision Library。OpenCV是一个基于（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
步骤S1中：通过差分算法根据车道模板匹配图形，确定其相似度，定义一个变量，保存其相似度，当相似度大于0.85时，确定匹配成功。
步骤S2中的预测过程包括：调用成员函数predict得到当前状态变量的估计值，其卡尔曼滤波器由向前推算状态变量方程、向前推算误差协方差方程首先构造，得到下一个时间状态的预先估计；其过程调用成员函数predict的当前变量的估计值、卡尔曼增益方程所计算的卡尔曼增益、后验协方差方程计算的后验协方差，可对下一次的结果进行预测。
向前推算状态变量方程为：X(k|k-1)=A X(k-1|k-1)+B U(k)；向前推算误差协方差方程为：P(k|k-1)=A P(k-1|k-1) A’+Q；卡尔曼增益方程为：Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ；下一次结果的预测方程为：X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1))；后验协方差方程为：P(k|k)=（I-Kg(k) H）P(k|k-1)，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵；I:单位矩阵；X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。
每一帧图像，预测完毕时及时更新模板。最后通过预测值与阀值进行比较，如果超出阀值，则立刻发出警报。
如图2所示，一种基于OpenCv卡尔曼滤波器的车载隧道识别系统，包括微处理器100、摄像头200、报警器300、图像处理器400和存储器500，其中，所述微处理器100分别与所述摄像头200、报警器300、图像处理器400连接，所述图像处理器400与所述存储器500连接。
其中，通过微处理器100检测到隧道距离小于阀值之后，报警器300通过扬声器发出报警，通过此系统，在预测的准确性以及及时性获得了极大的提高，平均反应速度比平常系统提高大概0.02s，对于需要高精度的车载，这0.02s是极为致命的。
本发明成功的在车载嵌入式领域引进OpenCv，通过车载的摄像头200、配合微处理器100、图像处理器400、存储器500，通过卡尔曼算法，预测以及实际测算比较，来实现对车道偏移的预测，及时性以及准确性都得到了大大的提高。
本发明提供的一种基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统的优点如下：
1. 使用卡尔曼算法对隧道进行预测，有更好的预警效果。
2. 将开源库opencv使用在车载嵌入式系统中，配合CPU以及GPU使得预测速度以及获得大大提高。
3. 使用opencv开源库算法，支持C,C++,MATLAB多种语言，在测试，以及开发过程中具有很大的便利性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于OpenCv卡尔曼滤波器的车载隧道识别方法，其特征在于，包括以下步骤：
S1、对存储器中的车道模板进行匹配；
S2、对隧道位置进行预测，并且进行计算；
S3、判断距离是否超出阀值；
S4、如果超出阀值，则报警，如果没有超出阀值，则更新存储器中的车道模板并返回步骤S1。
2.根据权利要求1所述的基于OpenCv卡尔曼滤波器的车载隧道识别方法，其特征在于：步骤S1中：通过差分算法根据车道模板匹配图形，确定其相似度，定义一个变量，保存其相似度，当相似度大于0.85时，确定匹配成功。
3.根据权利要求1所述的基于OpenCv卡尔曼滤波器的车载隧道识别方法，其特征在于：步骤S2中的预测过程包括：调用成员函数predict得到当前状态变量的估计值，其卡尔曼滤波器由向前推算状态变量方程、向前推算误差协方差方程首先构造，得到下一个时间状态的预先估计；其过程调用成员函数predict的当前变量的估计值、卡尔曼增益方程所计算的卡尔曼增益、后验协方差方程计算的后验协方差，可对下一次的结果进行预测。
4.根据权利要求3所述的基于OpenCv卡尔曼滤波器的车载隧道识别方法，其特征在于：向前推算状态变量方程为：X(k|k-1)=A X(k-1|k-1)+B U(k)，其中，A:状态转移矩阵；B:单位矩阵； X：状态变量； U:观测时噪音。
5.根据权利要求4所述的基于OpenCv卡尔曼滤波器的车载隧道识别方法，其特征在于：向前推算误差协方差方程为：P(k|k-1)=A P(k-1|k-1) A’+Q，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵； X：状态变量； U:观测时噪音。
6.根据权利要求5所述的基于OpenCv卡尔曼滤波器的车载隧道识别方法，其特征在于：卡尔曼增益方程为：Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵； X：状态变量； U:观测时噪音；R:测量噪音的协方差矩阵。
7.根据权利要求6所述的基于OpenCv卡尔曼滤波器的车载隧道识别方法，其特征在于：下一次结果的预测方程为：X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1))，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵； X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。
8.根据权利要求7所述的基于OpenCv卡尔曼滤波器的车载隧道识别方法，其特征在于：后验协方差方程为：P(k|k)=（I-Kg(k) H）P(k|k-1)，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵；I:单位矩阵；X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。
9.一种基于OpenCv卡尔曼滤波器的车载隧道识别系统，其特征在于：包括微处理器、摄像头、报警器、图像处理器和存储器，其中，所述微处理器分别与所述摄像头、报警器、图像处理器连接，所述图像处理器与所述存储器连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510195354.0A CN104794447A (zh) | 2015-04-22 | 2015-04-22 | 基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510195354.0A CN104794447A (zh) | 2015-04-22 | 2015-04-22 | 基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104794447A true CN104794447A (zh) | 2015-07-22 |
Family
ID=53559235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510195354.0A Pending CN104794447A (zh) | 2015-04-22 | 2015-04-22 | 基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104794447A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871759A (zh) * | 2019-01-15 | 2019-06-11 | 江苏大学 | 基于TensorFlow和OpenCV的车道线识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102320280A (zh) * | 2011-06-30 | 2012-01-18 | 清华大学 | 一种防止弯道车辆前撞的自动报警方法 |
| CN102494685A (zh) * | 2011-11-14 | 2012-06-13 | 东南大学 | 用于wsn/ins高精度实时组合导航的h无穷信息融合方法 |
| CN102928816A (zh) * | 2012-11-07 | 2013-02-13 | 东南大学 | 一种面向隧道环境的车辆高可靠组合定位方法 |
| CN103592662A (zh) * | 2013-11-29 | 2014-02-19 | 中国航天科工信息技术研究院 | 一种gps信号接收机的载波跟踪方法及环路 |
| US20140176714A1 (en) * | 2012-12-26 | 2014-06-26 | Automotive Research & Test Center | Collision prevention warning method and device capable of tracking moving object |
-
2015
- 2015-04-22 CN CN201510195354.0A patent/CN104794447A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102320280A (zh) * | 2011-06-30 | 2012-01-18 | 清华大学 | 一种防止弯道车辆前撞的自动报警方法 |
| CN102494685A (zh) * | 2011-11-14 | 2012-06-13 | 东南大学 | 用于wsn/ins高精度实时组合导航的h无穷信息融合方法 |
| CN102928816A (zh) * | 2012-11-07 | 2013-02-13 | 东南大学 | 一种面向隧道环境的车辆高可靠组合定位方法 |
| US20140176714A1 (en) * | 2012-12-26 | 2014-06-26 | Automotive Research & Test Center | Collision prevention warning method and device capable of tracking moving object |
| CN103592662A (zh) * | 2013-11-29 | 2014-02-19 | 中国航天科工信息技术研究院 | 一种gps信号接收机的载波跟踪方法及环路 |
Non-Patent Citations (3)
| Title |
|---|
| 孔金生 等: ""基于联合卡尔曼滤波的汽车防碰撞多传感器信息融合方法"", 《郑州大学学报(理学版)》 * |
| 曾祥平: ""公路隧道交通安全预警理论与方法研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 杨平 等: ""基于视频检测技术的智能隧道交通安全监控系统设计"", 《计算机应用与软件》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871759A (zh) * | 2019-01-15 | 2019-06-11 | 江苏大学 | 基于TensorFlow和OpenCV的车道线识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11062124B2 (en) | Face pose detection method, device and storage medium | |
| CN112966587A (zh) | 目标检测模型的训练方法、目标检测方法及相关设备 | |
| CN110969145B (zh) | 一种遥感图像匹配优化方法、装置、电子设备及存储介质 | |
| CN113012176B (zh) | 样本图像的处理方法、装置、电子设备及存储介质 | |
| CN113420682A (zh) | 车路协同中目标检测方法、装置和路侧设备 | |
| CN112785625A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN112800915A (zh) | 建筑物变化检测方法、装置、电子设备以及存储介质 | |
| CN112597837A (zh) | 图像检测方法、装置、设备、存储介质和计算机程序产品 | |
| CN110110604A (zh) | 目标对象检测方法、装置、可读存储介质及电子设备 | |
| WO2021056450A1 (zh) | 图像模板的更新方法、设备及存储介质 | |
| CN113219505A (zh) | 用于车路协同隧道场景的采集gps坐标的方法、装置和设备 | |
| CN104820822A (zh) | 基于OpenCv卡尔曼滤波器的车载道路偏移识别方法及系统 | |
| CN113688730A (zh) | 障碍物测距方法、装置、电子设备、存储介质及程序产品 | |
| CN104794447A (zh) | 基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统 | |
| CN104821100A (zh) | 基于OpenCv卡尔曼滤波器的车载向前碰撞预警方法及系统 | |
| CN104820823A (zh) | 基于OpenCv卡尔曼滤波器的车载行人识别方法及其系统 | |
| CN114299192B (zh) | 定位建图的方法、装置、设备和介质 | |
| CN114120252B (zh) | 自动驾驶车辆状态的识别方法、装置、电子设备及车辆 | |
| CN113762397B (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
| CN113450794B (zh) | 导航播报的检测方法、装置、电子设备和介质 | |
| CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
| CN115392407A (zh) | 基于无监督学习的危险源预警方法、装置、设备及介质 | |
| US20210390334A1 (en) | Vehicle association method and device, roadside equipment and cloud control platform | |
| CN108319960A (zh) | 基于概率图模型的行为识别系统及方法、设备及存储介质 | |
| CN114419564A (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150722 |
|
| RJ01 | Rejection of invention patent application after publication |