CN107123128A - 一种保证准确性的车辆运动状态估计方法 - Google Patents

一种保证准确性的车辆运动状态估计方法 Download PDF

Info

Publication number
CN107123128A
CN107123128A CN201710269892.9A CN201710269892A CN107123128A CN 107123128 A CN107123128 A CN 107123128A CN 201710269892 A CN201710269892 A CN 201710269892A CN 107123128 A CN107123128 A CN 107123128A
Authority
CN
China
Prior art keywords
mtd
mrow
msub
msubsup
matrix
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.)
Granted
Application number
CN201710269892.9A
Other languages
English (en)
Other versions
CN107123128B (zh
Inventor
张帅
岳文静
陈志�
白园
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201710269892.9A priority Critical patent/CN107123128B/zh
Publication of CN107123128A publication Critical patent/CN107123128A/zh
Application granted granted Critical
Publication of CN107123128B publication Critical patent/CN107123128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种保证准确性的车辆运动状态估计方法，包括特征提取、数据分析和结果验证三个部分，其中特征提取部分采用双向光流算法，保证所得的特征点对的可靠性，过滤噪声数据；数据分析部分采用随机采样一致算法和八点算法相结合，将所得的基本矩阵按对整个特征点对集合的匹配程度由高到低排序，求解对应的运动方向向量与旋转矩阵；结果验证部分对求得的运动方向向量与旋转矩阵进行校验，确保最终结果的合理性。本发明能考虑到平移向量和旋转矩阵的约束条件，从而提高了结果的准确性，并保证一定的运算效率，在保证效率的前提下进行数据处理，有助于实现对视频数据的在线分析。

Description

一种保证准确性的车辆运动状态估计方法
技术领域
本发明涉及一种保证准确性的车辆运动状态估计方法，属于计算机视觉、视频挖掘和计算机软件的交叉技术应用领域。
背景技术
车辆无人驾驶需要通过对视频数据进行处理，从而得到车辆的当前位置与运动轨迹，汽车状态参数的准确获得是保证汽车主动安全系统有效性的重要要求。通过对车辆的运动过程进行运动学或动力学建模，同时将相应的车载传感器(如轮速传感器、陀螺仪、加速度计等)信息作为观测信息，进而利用适当的滤波估计算法实现对汽车运行状态的估计。这种方法需要对车辆整体甚至各个轮胎分别进行建模，当这些模型或者模型参数不准时，估计误差较大。
随着计算机软硬件的不断发展，人们能越来越方便的获取和存储视频数据，对视频数据进行分析的需求也随之提高。因此根据车载视频数据对车辆运动状态估计成了广泛研究的课题。中国专利CN201210442082.6公开了一种基于光流的车辆运动状态估计方法，适用于估计道路交通环境下低速行驶在平坦沥青路面上的车辆的运动状态。首先在车辆后桥中心位置安装俯视高精度单目摄像机，并通过标定算法获取摄像机参数；接着采用直方图均衡化对获取的图像序列进行预处理，以凸显沥青路面角点特征，降低路况及光照变化带来的不利影响；再采用高效的哈里斯Harris角点检测算法进行实时路面角点特征检测；然后根据卢卡斯-柯乃德Lucas-Kanade光流算法进行前、后帧的角点匹配跟踪，选用随机采样一致RANSAC算法进一步优化匹配角点，进而获取较为准确的光流信息；最后，由图像光流重构出车辆载体坐标系下纵向速度、横向速度和质心侧偏角等车辆实时运动参数，由此获得较高精度的车辆对地运动状态的估计。
但是上述方法需要耗费较多计算机资源，而在计算机资源和内存有限的条件下，通过车载视频数据在线求得当前车辆运动状态准确性不高；因此，如何在有限的计算条件下，提出一种保证准确性的车辆运动状态估计方法，是有待解决的问题。
发明内容
本发明所要解决的技术问题是：针对车载视频数据在线求得当前车辆运动状态准确性不高的问题，提出一种保证准确性的车辆运动状态估计方法，该方法能够通过对运动状态的检验保证结果的准确性。
本发明为解决上述技术问题采用以下技术方案：
一种保证准确性的车辆运动状态估计方法，包括：
步骤一、特征提取：首先，根据装载于车辆上的视频摄像机，获得以帧为单位的待分析视频图像数据，每一帧视频图像对应一个二维点阵；然后，提取当前帧中图像特征点集合，采用光流算法计算当前帧图像特征点在下一帧图像中对应特征的位置，获得关于当前帧图像和下一帧图像中的特征点对集合；之后，反向使用光流算法过滤掉特征点对集合中的噪声数据；
步骤二、数据分析：首先，采用随机采样一致算法和八点算法相结合，从步骤一得到的特征点对集合中求得一个基本矩阵；然后，通过多次迭代采样过程，将所得的基本矩阵按对整个特征点对集合的匹配程度由高到低排序，并根据视频摄像机的固有参数求得本质矩阵；之后，对所得本质矩阵做分解，求解对应的运动方向向量与旋转矩阵；
步骤三、结果验证：对求得的运动方向向量与旋转矩阵进行校验，确定最终的车辆运动状态估计结果。
进一步的，本发明的车辆运动状态估计方法，步骤一具体如下：
步骤1)、设共获得n帧视频图像，所述的每一帧视频图像对应一个二维点阵，点阵中每一个点上的数值指该位置图像的灰度值，每一帧图像以左下角为起始位置，用元组(1,1)表示左下角位置的点，初始化数值k为2，对第k-1帧中图像提取所需特征点，形成点集S；
步骤2)、定义点集S′，表示集合S中的特征点在第k帧中的对应点集合，并将其初始化为空集，寻找S中的特征点在第k帧中的对应点加入集合S′；
步骤3)、反向计算集合S′中的对应点在第k-1帧的位置，并构成点集S″，比较集合S和集合S″中的对应点，如果距离大于设定阈值则在S和S′中将对应点删去。
进一步的，本发明的车辆运动状态估计方法，所述步骤1)具体如下：
步骤11)、定义点集S，将其初始化为空集，所述S是指第k-1帧中特征点的集合，所述的特征点是指二维平面上的点；
步骤12)、在第k-1帧中选取未计算过的点(i,j)，计算Mi,j：
其中，(i,j)指的是第k-1帧中第i行，第j列的点，W是以(i,j)为中点的矩形点集，Ix和Iy分别是图像水平和竖直方向的导数, I(x,y)指点(x,y)处的灰度值；
步骤13)、求矩阵Mi,j的特征值λ1，λ2，当其中模较小的特征值的模大于一个质量因子Mf，将点(i,j)加入点集S，所述λ1，λ2是关于λ的方程|Mi,j-λE|＝0的两个根，E指的是二阶单位矩阵，即λ是方程中的变量；
步骤14)、当第k-1帧中还有未计算的点时，转到步骤12)。
进一步的，本发明的车辆运动状态估计方法，所述步骤2)具体步骤如下：
步骤21)、选取点集S中未被选取的一点u，计算在S′的对应点为u′，具体步骤如下：
步骤211)对第k-1帧图像I，第k帧图像J，建立图像I和图像J的金字塔模型：{IL}L＝0,1...Lm，{JL}L＝0,1...Lm，其中IL，JL是原始帧图像I、图像J的第L层采样层，Lm是采样的最高层层数，原始图像对应的层数为0，初始化金字塔的光流估计量：并初始化gLm：符号T指的是矩阵的转置符号，将数值L初始化为Lm；
步骤212)定位图像IL上点u的位置用IL对x求偏导数，有用IL对y求偏导数，有计算矩阵其中wx，wy是指计算矩阵G时所考虑周围点的范围；
步骤213)定义数值P表示迭代次数，初始化P为1，初始化迭代向量v＝[0 0]T，光流估计矢量g＝[0 0]T，迭代步骤如下：
步骤a)计算图像像素差δIL(x,y)：
根据像素差计算图像的不匹配量
步骤b)计算光流η＝G-1b；
步骤c)对迭代中的v进行修改v←v+η；
步骤d)计算P←P+1，当P≤Pm时转到步骤a)，所述的Pm是设置的迭代次数；
步骤214)求得第L层的最终光流d＝v，当L不为0时，计算L-1层上的光流为并对L修改为L←L-1，转到步骤212)；
步骤215)计算最终的光流矢量d←g+d，得出u′＝u+d，所述的u′是点u在第k帧中的位置矢量；
步骤22)、根据步骤21)，将计算得到的点u′加入S′。
步骤23)、当没有将S中的点全部遍历时，转到步骤21)执行。
进一步的，本发明的车辆运动状态估计方法，所述步骤3)具体步骤如下：
步骤31)、对于点集S′中的任意一点u′，求得其在点集S″的对应点为u″，具体步骤如下：
步骤311)对第k-1帧图像I，第k帧图像J，建立图像I和图像J的金字塔模型：{IL′}L′＝0,1...Lm′，{JL′}L′＝0,1...Lm′，所述的IL′，JL′是原始帧图像I，J的第L′层采样层，Lm′是采样的最高层层数，原始图像对应的层数为0；初始化金字塔的光流估计量：并初始化g′Lm′＝[0 0]T，将数值L′初始化为Lm′；
步骤312)定位图像JL′上点u′的位置用JL′对x求偏导数，用JL′对y求偏导数，计算矩阵所述的w′x，w′y是指计算矩阵G′时所考虑周围点的范围；
步骤313)定义数值P′表示迭代次数，初始化P′为1，初始化迭代向量v′＝[0 0]T，光流估计矢量g′＝[0 0]T，迭代步骤如下：
步骤a)计算图像像素差δJ′L(x,y)：
根据像素差计算图像的不匹配量
步骤b)计算光流η′＝G′-1b′；
步骤c)对迭代中的v′进行修改v′←v′+η′；
步骤d)计算P′←P′+1，当P′≤P′m时转到步骤a)，所述的P′m是设置的迭代次数；
步骤314)求得第L′层的最终光流d′＝v′，当L′不为0时，计算L′-1层上的光流为并对L′修改为L′←L′-1，转到步骤312)；
步骤315)计算最终的光流矢量d′←g′+d′，得出u″＝u′+d′，所述的u″是点u′在第k-1帧中的位置矢量；
步骤32)、将点u″加入S″，当没有将S′中的点全部遍历时，转到步骤311)执行；
步骤33)、在S中的取未遍历一点u＝[x y]T，在S″中的对应的点为u′＝[x″ y″]T，如果两点的距离大于预设阈值thd，则在S中删去u，在S′中删去u的对应点u′；
步骤34)、当S中还有未遍历的点时，转到步骤33)执行。
进一步的，本发明的车辆运动状态估计方法，步骤二中求得本质矩阵的具体步骤如下：
步骤41)、在集合S和S′中随机选取8组对应点，分别记为(xl,yl)和(x′l,y′l)，l∈[1,8]，构造一个矩阵A:
步骤42)、对矩阵A进行分解得到A＝UADAVA，具体步骤如下：
步骤421)计算矩阵B＝ATA；
步骤422)初始化特征向量矩阵VA为9×9的单位矩阵，其中单位矩阵是指主对角线上元素全为1，其余元素为0的矩阵；
步骤423)在矩阵B中找到除主对角线外绝对值最大的元素brc，其中brc是指矩阵B中第r行第c列的元素，根据公式求得计算矩阵H，H是一个旋转矩阵，其中余下元素中主对角线元素为1，非对角线元素为0；
步骤424)迭代计算B←HTBH，VA←HVA，若此时B中除主对角线上的元素外绝对值最大的元素大于阈值thB，则返回步骤423)继续迭代，否则此时B中主对角元素就是矩阵ATA的特征值，对应列的矩阵VA中的列向量就是对应的特征向量；将特征值按绝对值大小依次排列，记为λ1,λ2,…,λ9，对应的特征向量为s1,s2,…,s9；得到DA＝diag(λ1,λ2,…,λ9)，VA＝(s1,s2,…,s9)；
步骤425)计算得到矩阵UA＝(w1,w2,…,w8)，得到A＝UADAVA；
步骤43)、选取VA的第9列作为向量s：
s＝[s1 s2 s3 s4 s5 s6 s7 s8 s9]T
步骤44)、计算得到基本矩阵F′：
步骤45)、计算矩阵其中，fx、fy为视频摄像机的焦距；x0、y0是视频摄像机相对于成像平面的主点坐标，w为坐标轴倾斜参数，理想状态下为0；
步骤46)计算求得本质矩阵E＝KTF′K。
进一步的，本发明的车辆运动状态估计方法，步骤二中，对所得本质矩阵做分解，求解对应的运动方向向量与旋转矩阵具体步骤如下：
步骤51)、对本质矩阵E按步骤42)的方法分解为并保证det(UE)＞0且det(VE)＞0，所述的det指的是求解矩阵的行列式值；
步骤52)、计算得到运动方向矢量其中u13，u23，u33分别是步骤51)中矩阵UE对应位置的元素的值；
步骤53)定义计算得旋转矩阵R＝UEMVT。
进一步的，本发明的车辆运动状态估计方法，步骤三根据运动方向和旋转矩阵的约束关系做验证，具体如下：
步骤61)、根据旋转矩阵R，求得前一帧时车辆的运动方向t0＝R-1t，以t0在xoz平面的投影为x′轴方向，原y轴为y′建立新的局部坐标系，将R和t在新的坐标系里记为R′和t′，车辆绕y′轴的旋转角度，记为β；
步骤62)、计算|t′ztan(β/2)-t′x|，其中t′x、t′z是运动方向t′在x′、z′方向的分量，当该值小于预设的阈值，那得到的R，t即为所求的旋转矩阵和运动方向向量，否则转向步骤41)。
进一步的，本发明的一种保证准确性的车辆运动状态估计方法，所述的矩阵A是8×9的矩阵，矩阵B是实对称矩阵。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所述的保证准确性的车辆运动状态估计方法包括特征提取、数据分析和结果验证三个部分，其中特征提取部分采用双向光流算法，保证所得的特征点对的可靠性；数据分析部分采用随机采样一致算法和八点算法相结合，保证运算过程的高效；结果验证部分对求得的运动方向向量与旋转矩阵进行校验，确保最终结果的合理性。
具体来说，本发明所述的方法具有如下的有益效果：
(1)本发明所述的保证准确性的车辆运动状态估计方法，采用双向光流算法来选取特征点对，过滤了不易追踪的特征点和一些噪声数据，减小了后续运算量，有助于提高最终计算结果的可靠性。
(2)本发明所述的保证准确性的车辆运动状态估计方法，采用随机采样一致算法和八点算法相结合对特征数据点对进行分析，在保证效率的前提下进行数据处理，有助于实现对视频数据的在线分析。
(3)本发明所述的保证准确性的车辆运动状态估计方法，将计算得到的运动方向向量和旋转矩阵进行验证，确保计算结果的合理性，有助于提高本方法的准确性。
附图说明
图1是本发明保证准确性的车辆运动状态估计方法流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明提出一种保证准确性的车辆运动状态估计方法，由特征提取、数据分析和结果验证三个部分，通过双向光流算法提取特征点对，使用随机采样一致算法和八点算法相结合迭代求解基本矩阵进而求得运动方向向量与旋转矩阵，并根据车辆本身的运动路径约束对最终的结果进行验证。该算法的特征提取部分采用双向光流算法，保证所得的特征点对的可靠性，过滤噪声数据。数据分析部分采用随机采样一致算法和八点算法相结合，将所得的基本矩阵按对整个特征点对集合的匹配程度由高到低排序，求解对应的运动方向向量与旋转矩阵。结果验证部分对求得的运动方向向量与旋转矩阵进行校验，确保最终结果的合理性。
根据附图1，以下对本发明保证准确性的车辆运动状态估计方法具体实施例作更详细的描述。
一、提取图像特征点对时，采用以下的具体实施步骤：
步骤1)、设共获得n帧视频图像，所述的每一帧视频图像对应一个二维点阵，点阵中每一个点上的数值指该位置图像的灰度值，每一帧图像以左下角为起始位置，用元组(1,1)表示左下角位置的点，初始化数值k为2，对第k-1帧中图像提取所需特征点，形成点集S；
步骤2)、定义点集S′，表示集合S中的特征点在第k帧中的对应点集合，并将其初始化为空集，寻找S中的特征点在第k帧中的对应点加入集合S′；
步骤3)、反向计算集合S′中的对应点在第k-1帧的位置，并构成点集S″，比较集合S和集合S″中的对应点，如果距离大于设定阈值则在S和S′中将对应点删去。
进一步的，本发明的车辆运动状态估计方法，所述步骤1)具体如下：
步骤11)、定义点集S，将其初始化为空集，所述S是指第k-1帧中特征点的集合，所述的特征点是指二维平面上的点；
步骤12)、在第k-1帧中选取未计算过的点(i,j)，计算Mi,j：
其中，(i,j)指的是第k-1帧中第i行，第j列的点，W是以(i,j)为中点的矩形点集，Ix和Iy分别是图像水平和竖直方向的导数, I(x,y)指点(x,y)处的灰度值。在具体实施过程中，W取得太大过于模糊，太小易受噪声干扰，通常我们取以(i,j)为中点、边长为7的正方形点集；
步骤13)、求矩阵Mi,j的特征值λ1，λ2，当其中模较小的特征值的模大于一个质量因子Mf，将点(i,j)加入点集S，所述λ1，λ2是关于λ的方程|Mi,j-λE|＝0的两个根，E指的是二阶单位矩阵，即λ是方程中的变量；
步骤14)、当第k-1帧中还有未计算的点时，转到步骤12)。
进一步的，本发明的车辆运动状态估计方法，所述步骤2)具体步骤如下：
步骤21)、选取点集S中未被选取的一点u，计算在S′的对应点为u′，具体步骤如下：
步骤211)、对第k-1帧图像I，第k帧图像J，建立图像I和图像J的金字塔模型：{IL}L＝0,1...Lm，{JL}L＝0,1...Lm，其中IL，JL是原始帧图像I、图像J的第L层采样层，Lm是采样的最高层层数，原始图像对应的层数为0，初始化金字塔的光流估计量：并初始化gLm：符号T指的是矩阵的转置符号，将数值L初始化为Lm。使用金字塔结构分层匹配，可以大大减少计算量，金字塔的层数Lm通常为3～4层，具体由摄像机本身的像素决定；
步骤212)、定位图像IL上点u的位置用IL对x求偏导数，有用IL对y求偏导数，有计算矩阵其中wx，wy是指计算矩阵G时所考虑周围点的范围；
步骤213)、定义数值P表示迭代次数，初始化P为1，初始化迭代向量v＝[0 0]T，光流估计矢量g＝[0 0]T，迭代步骤如下：
步骤a)计算图像像素差δIL(x,y)：
根据像素差计算图像的不匹配量
步骤b)计算光流η＝G-1b；
步骤c)对迭代中的v进行修改v←v+η；
步骤d)计算P←P+1，当P≤Pm时转到步骤a)，所述的Pm是设置的迭代次数；
步骤214)、求得第L层的最终光流d＝v，当L不为0时，计算L-1层上的光流为并对L修改为L←L-1，转到步骤212)；
步骤215)、计算最终的光流矢量d←g+d，得出u′＝u+d，所述的u′是点u在第k帧中的位置矢量；
步骤22)、根据步骤21)，将计算得到的点u′加入S′。
步骤23)、当没有将S中的点全部遍历时，转到步骤21)执行。
进一步的，本发明的车辆运动状态估计方法，所述步骤3)具体步骤如下：
步骤31)、对于点集S′中的任意一点u′，求得其在点集S″的对应点为u″，具体步骤如下：
步骤311)对第k-1帧图像I，第k帧图像J，建立图像I和图像J的金字塔模型：{IL′}L′＝0,1...Lm′，{JL′}L′＝0,1...Lm′，所述的IL′，JL′是原始帧图像I，J的第L′层采样层，Lm′是采样的最高层层数，原始图像对应的层数为0；初始化金字塔的光流估计量：并初始化g′Lm′＝[0 0]T，将数值L′初始化为Lm′。具体实施时，Lm′通常与步骤2)中的Lm保持一致；
步骤312)定位图像JL′上点u′的位置用JL′对x求偏导数，用JL′对y求偏导数，计算矩阵所述的w′x，w′y是指计算矩阵G′时所考虑周围点的范围；
步骤313)定义数值P′表示迭代次数，初始化P′为1，初始化迭代向量v′＝[0 0]T，光流估计矢量g′＝[0 0]T，迭代步骤如下：
步骤a)计算图像像素差δJ′L(x,y)：
根据像素差计算图像的不匹配量
步骤b)计算光流η′＝G′-1b′；
步骤c)对迭代中的v′进行修改v′←v′+η′；
步骤d)计算P′←P′+1，当P′≤P′m时转到步骤a)，所述的P′m是设置的迭代次数；
步骤314)求得第L′层的最终光流d′＝v′，当L′不为0时，计算L′-1层上的光流为并对L′修改为L′←L′-1，转到步骤312)；
步骤315)计算最终的光流矢量d′←g′+d′，得出u″＝u′+d′，所述的u″是点u′在第k-1帧中的位置矢量；
步骤32)、将点u″加入S″，当没有将S′中的点全部遍历时，转到步骤311)执行；
步骤33)、在S中的取未遍历一点u＝[x y]T，在S″中的对应的点为u′＝[x″ y″]T，如果两点的距离大于预设阈值thd，则在S中删去u，在S′中删去u的对应点u′。阈值thd与摄像机像素有关，通常取2～3；
步骤34)、当S中还有未遍历的点时，转到步骤33)执行。
进一步的，本发明的车辆运动状态估计方法，步骤二中求得本质矩阵的具体步骤如下：
步骤41)、在集合S和S′中随机选取8组对应点，分别记为(xl,yl)和(x′l,y′l)，l∈[1,8]，构造一个矩阵A:
步骤42)、对矩阵A进行分解得到A＝UADAVA，具体步骤如下：
步骤421)计算矩阵B＝ATA；
步骤422)初始化特征向量矩阵VA为9×9的单位矩阵，其中单位矩阵是指主对角线上元素全为1，其余元素为0的矩阵；
步骤423)在矩阵B中找到除主对角线外绝对值最大的元素brc，其中brc是指矩阵B中第r行第c列的元素，根据公式求得计算矩阵H，H是一个旋转矩阵，其中余下元素中主对角线元素为1，非对角线元素为0；
步骤424)迭代计算B←HTBH，VA←HVA，若此时B中除主对角线上的元素外绝对值最大的元素大于阈值thB，则返回步骤423)继续迭代，否则此时B中主对角元素就是矩阵ATA的特征值，对应列的矩阵VA中的列向量就是对应的特征向量；将特征值按绝对值大小依次排列，记为λ1,λ2,…,λ9，对应的特征向量为s1,s2,…,s9；得到DA＝diag(λ1,λ2,…,λ9)，VA＝(s1,s2,…,s9)；
步骤425)计算得到矩阵UA＝(w1,w2,…,w8)，得到A＝UADAVA；
步骤43)、选取VA的第9列作为向量s：
s＝[s1 s2 s3 s4 s5 s6 s7 s8 s9]T
步骤44)、计算得到基本矩阵F′：
步骤45)、计算矩阵其中，fx、fy为视频摄像机的焦距，通常情况下相等；x0、y0是视频摄像机相对于成像平面的主点坐标，w为坐标轴倾斜参数，理想状态下为0；
步骤46)计算求得本质矩阵E＝KTF′K。
二、特征点对筛选完成后，依据求得的本质矩阵计算车辆的运动状态，采用以下的具体实施步骤：
步骤51)、对本质矩阵E按步骤42)的方法分解为并保证det(UE)＞0且det(VE)＞0，所述的det指的是求解矩阵的行列式值；
步骤52)、计算得到运动方向矢量其中u13，u23，u33分别是步骤51)中矩阵UE对应位置的元素的值；
步骤53)定义计算得旋转矩阵R＝UEMVT。
三、求得车辆的运动方向向量和旋转矩阵后，需要对其进行检验，采用以下的具体实施步骤：
步骤61)、根据旋转矩阵R，求得前一帧时车辆的运动方向t0＝R-1t，以t0在xoz平面的投影为x′轴方向，原y轴为y′建立新的局部坐标系，将R和t在新的坐标系里记为R′和t′，车辆绕y′轴的旋转角度，记为β；
步骤62)、计算|t′ztan(β/2)-t′x|，其中t′x、t′z是运动方向t′在x′、z′方向的分量，当该值小于预设的阈值thc，那得到的R，t即为所求的旋转矩阵和运动方向向量，否则转向步骤41)。在具体实施过程中，thc过大会导致检验过于宽松，难以分辨出错误的结果；thc过小会使检验过于严格，容易造成过拟合的情况。thc的具体取值与摄像机像素和帧率有关。
本发明的方法根据装载在车辆上的单个摄像机获得的录像来对车辆运动、转向进行估计。该方法选取图像中较易于追踪的特征，对特征进行筛选去除数据中噪声，通过随机采样一致性算法对特征点对进行随机采样，计算本质矩阵最终得到平移向量和旋转矩阵并进行验证。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种保证准确性的车辆运动状态估计方法，其特征在于，包括：
步骤一、特征提取：首先，根据装载于车辆上的视频摄像机，获得以帧为单位的待分析视频图像数据，每一帧视频图像对应一个二维点阵；然后，提取当前帧中图像特征点集合，采用光流算法计算当前帧图像特征点在下一帧图像中对应特征的位置，获得关于当前帧图像和下一帧图像中的特征点对集合；之后，反向使用光流算法过滤掉特征点对集合中的噪声数据；
步骤二、数据分析：首先，采用随机采样一致算法和八点算法相结合，从步骤一得到的特征点对集合中求得一个基本矩阵；然后，通过多次迭代采样过程，将所得的基本矩阵按对整个特征点对集合的匹配程度由高到低排序，并根据视频摄像机的固有参数求得本质矩阵；之后，对所得本质矩阵做分解，求解对应的运动方向向量与旋转矩阵；
步骤三、结果验证：对求得的运动方向向量与旋转矩阵进行校验，确定最终的车辆运动状态估计结果。
2.根据权利要求1所述的车辆运动状态估计方法，其特征在于，步骤一具体如下：
步骤1)、设共获得n帧视频图像，所述的每一帧视频图像对应一个二维点阵，点阵中每一个点上的数值指该位置图像的灰度值，每一帧图像以左下角为起始位置，用元组(1,1)表示左下角位置的点，初始化数值k为2，对第k-1帧中图像提取所需特征点，形成点集S；
步骤2)、定义点集S′，表示集合S中的特征点在第k帧中的对应点集合，并将其初始化为空集，寻找S中的特征点在第k帧中的对应点加入集合S′；
步骤3)、反向计算集合S′中的对应点在第k-1帧的位置，并构成点集S″，比较集合S和集合S″中的对应点，如果距离大于设定阈值则在S和S′中将对应点删去。
3.根据权利要求2所述的车辆运动状态估计方法，其特征在于，步骤1)具体如下：
步骤11)、定义点集S，将其初始化为空集，所述S是指第k-1帧中特征点的集合，所述的特征点是指二维平面上的点；
步骤12)、在第k-1帧中选取未计算过的点(i,j)，计算Mi,j：
<mrow> <msub> <mi>M</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>W</mi> </mrow> </munder> <msubsup> <mi>I</mi> <mi>x</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>W</mi> </mrow> </munder> <msub> <mi>I</mi> <mi>x</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <msub> <mi>I</mi> <mi>y</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>W</mi> </mrow> </munder> <msub> <mi>I</mi> <mi>x</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <msub> <mi>I</mi> <mi>y</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> <mo>&amp;Element;</mo> <mi>W</mi> </mrow> </munder> <msubsup> <mi>I</mi> <mi>y</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，(i,j)指的是第k-1帧中第i行，第j列的点，W是以(i,j)为中点的矩形点集，Ix和Iy分别是图像水平和竖直方向的导数, I(x,y)指点(x,y)处的灰度值；
步骤13)、求矩阵Mi,j的特征值λ1，λ2，当其中模较小的特征值的模大于一个质量因子Mf，将点(i,j)加入点集S，所述λ1，λ2是关于λ的方程|Mi,j-λE|＝0的两个根，E指的是二阶单位矩阵，即λ是方程中的变量；
步骤14)、当第k-1帧中还有未计算的点时，转到步骤12)。
4.根据权利要求3所述的车辆运动状态估计方法，其特征在于，步骤2)具体步骤如下：
步骤21)、选取点集S中未被选取的一点u，计算在S′的对应点为u′，具体步骤如下：
步骤211)对第k-1帧图像I，第k帧图像J，建立图像I和图像J的金字塔模型：{IL}L＝0,1...Lm，{JL}L＝0,1...Lm，其中IL，JL是原始帧图像I、图像J的第L层采样层，Lm是采样的最高层层数，原始图像对应的层数为0，初始化金字塔的光流估计量：并初始化gLm：符号T指的是矩阵的转置符号，将数值L初始化为Lm；
步骤212)定位图像IL上点u的位置用IL对x求偏导数，有用IL对y求偏导数，有计算矩阵其中wx，wy是指计算矩阵G时所考虑周围点的范围；
步骤213)定义数值P表示迭代次数，初始化P为1，初始化迭代向量v＝[0 0]T，光流估计矢量g＝[0 0]T，迭代步骤如下：
步骤a)计算图像像素差δIL(x,y)：
<mrow> <msup> <mi>&amp;delta;I</mi> <mi>L</mi> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>I</mi> <mi>L</mi> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>J</mi> <mi>L</mi> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>+</mo> <msubsup> <mi>g</mi> <mi>x</mi> <mi>L</mi> </msubsup> <mo>+</mo> <msub> <mi>v</mi> <mi>x</mi> </msub> <mo>,</mo> <mi>y</mi> <mo>+</mo> <msubsup> <mi>g</mi> <mi>y</mi> <mi>L</mi> </msubsup> <mo>+</mo> <msub> <mi>v</mi> <mi>y</mi> </msub> <mo>)</mo> </mrow> </mrow>
根据像素差计算图像的不匹配量
步骤b)计算光流η＝G-1b；
步骤c)对迭代中的v进行修改v←v+η；
步骤d)计算P←P+1，当P≤Pm时转到步骤a)，所述的Pm是设置的迭代次数；
步骤214)求得第L层的最终光流d＝v，当L不为0时，计算L-1层上的光流为并对L修改为L←L-1，转到步骤212)；
步骤215)计算最终的光流矢量d←g+d，得出u′＝u+d，所述的u′是点u在第k帧中的位置矢量；
步骤22)、根据步骤21)，将计算得到的点u′加入S′。
步骤23)、当没有将S中的点全部遍历时，转到步骤21)执行。
5.根据权利要求4所述的车辆运动状态估计方法，其特征在于，步骤3)具体步骤如下：
步骤31)、对于点集S′中的任意一点u′，求得其在点集S″的对应点为u″，具体步骤如下：
步骤311)对第k-1帧图像I，第k帧图像J，建立图像I和图像J的金字塔模型：{IL′}L′＝0,1...Lm′，{JL′}L′＝0,1...Lm′，所述的IL′，JL′是原始帧图像I，J的第L′层采样层，Lm′是采样的最高层层数，原始图像对应的层数为0；初始化金字塔的光流估计量：并初始化g′Lm′＝[0 0]T，将数值L′初始化为Lm′；
步骤312)定位图像JL′上点u′的位置用JL′对x求偏导数，用JL′对y求偏导数，计算矩阵所述的w′x，w′y是指计算矩阵G′时所考虑周围点的范围；
步骤313)定义数值P′表示迭代次数，初始化P′为1，初始化迭代向量v′＝[0 0]T，光流估计矢量g′＝[0 0]T，迭代步骤如下：
步骤a)计算图像像素差δJ′L(x,y)：
<mrow> <msup> <mi>&amp;delta;J</mi> <msup> <mi>L</mi> <mo>&amp;prime;</mo> </msup> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>J</mi> <msup> <mi>L</mi> <mo>&amp;prime;</mo> </msup> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>i</mi> <msup> <mi>L</mi> <mo>&amp;prime;</mo> </msup> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>+</mo> <msubsup> <mi>g</mi> <mi>x</mi> <mrow> <mo>&amp;prime;</mo> <msup> <mi>L</mi> <mo>&amp;prime;</mo> </msup> </mrow> </msubsup> <mo>+</mo> <msubsup> <mi>v</mi> <mi>x</mi> <mo>&amp;prime;</mo> </msubsup> <mo>,</mo> <mi>y</mi> <mo>+</mo> <msubsup> <mi>g</mi> <mi>y</mi> <mrow> <mo>&amp;prime;</mo> <msup> <mi>L</mi> <mo>&amp;prime;</mo> </msup> </mrow> </msubsup> <mo>+</mo> <msubsup> <mi>v</mi> <mi>y</mi> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> </mrow>
根据像素差计算图像的不匹配量
步骤b)计算光流η′＝G′-1b′；
步骤c)对迭代中的v′进行修改v′←v′+η′；
步骤d)计算P′←P′+1，当P′≤Pm′时转到步骤a)，所述的Pm′是设置的迭代次数；
步骤314)求得第L′层的最终光流d′＝v′，当L′不为0时，计算L′-1层上的光流为并对L′修改为L′←L′-1，转到步骤312)；
步骤315)计算最终的光流矢量d′←g′+d′，得出u″＝u′+d′，所述的u″是点u′在第k-1帧中的位置矢量；
步骤32)、将点u″加入S″，当没有将S′中的点全部遍历时，转到步骤311)执行；
步骤33)、在S中的取未遍历一点u＝[x y]T，在S″中的对应的点为u′＝[x″ y″]T，如果两点的距离大于预设阈值thd，则在S中删去u，在S′中删去u的对应点u′；
步骤34)、当S中还有未遍历的点时，转到步骤33)执行。
6.根据权利要求1或5所述的车辆运动状态估计方法，其特征在于，步骤二中求得本质矩阵的具体步骤如下：
步骤41)、在集合S和S′中随机选取8组对应点，分别记为(xl,yl)和(x′l,y′l)，l∈[1,8]，构造一个矩阵A:
<mrow> <mi>A</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mn>1</mn> </msub> <msubsup> <mi>x</mi> <mn>1</mn> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> <mtd> <mrow> <msub> <mi>x</mi> <mn>1</mn> </msub> <msubsup> <mi>y</mi> <mn>1</mn> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> <mtd> <msub> <mi>x</mi> <mn>1</mn> </msub> </mtd> <mtd> <mrow> <msub> <mi>y</mi> <mn>1</mn> </msub> <msubsup> <mi>x</mi> <mn>1</mn> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> <mtd> <mrow> <msub> <mi>y</mi> <mn>1</mn> </msub> <msubsup> <mi>y</mi> <mn>1</mn> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> <mtd> <msub> <mi>y</mi> <mn>1</mn> </msub> </mtd> <mtd> <msubsup> <mi>x</mi> <mn>1</mn> <mo>&amp;prime;</mo> </msubsup> </mtd> <mtd> <msubsup> <mi>y</mi> <mn>1</mn> <mo>&amp;prime;</mo> </msubsup> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mn>2</mn> </msub> <msubsup> <mi>x</mi> <mn>2</mn> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> <mtd> <mrow> <msub> <mi>x</mi> <mn>2</mn> </msub> <msubsup> <mi>y</mi> <mn>2</mn> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> <mtd> <msub> <mi>x</mi> <mn>2</mn> </msub> </mtd> <mtd> <mrow> <msub> <mi>y</mi> <mn>2</mn> </msub> <msubsup> <mi>x</mi> <mn>2</mn> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> <mtd> <mrow> <msub> <mi>y</mi> <mn>2</mn> </msub> <msubsup> <mi>y</mi> <mn>2</mn> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> <mtd> <msub> <mi>y</mi> <mn>2</mn> </msub> </mtd> <mtd> <msubsup> <mi>x</mi> <mn>2</mn> <mo>&amp;prime;</mo> </msubsup> </mtd> <mtd> <msubsup> <mi>y</mi> <mn>2</mn> <mo>&amp;prime;</mo> </msubsup> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mn>8</mn> </msub> <msubsup> <mi>x</mi> <mn>8</mn> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> <mtd> <mrow> <msub> <mi>x</mi> <mn>8</mn> </msub> <msubsup> <mi>y</mi> <mn>8</mn> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> <mtd> <msub> <mi>x</mi> <mn>8</mn> </msub> </mtd> <mtd> <mrow> <msub> <mi>y</mi> <mn>8</mn> </msub> <msubsup> <mi>x</mi> <mn>8</mn> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> <mtd> <mrow> <msub> <mi>y</mi> <mn>8</mn> </msub> <msubsup> <mi>y</mi> <mn>8</mn> <mo>&amp;prime;</mo> </msubsup> </mrow> </mtd> <mtd> <msub> <mi>y</mi> <mn>8</mn> </msub> </mtd> <mtd> <msubsup> <mi>x</mi> <mn>8</mn> <mo>&amp;prime;</mo> </msubsup> </mtd> <mtd> <msubsup> <mi>y</mi> <mn>8</mn> <mo>&amp;prime;</mo> </msubsup> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mfenced> </mrow>
步骤42)、对矩阵A进行分解得到A＝UADAVA，具体步骤如下：
步骤421)计算矩阵B＝ATA；
步骤422)初始化特征向量矩阵VA为9×9的单位矩阵，其中单位矩阵是指主对角线上元素全为1，其余元素为0的矩阵；
步骤423)在矩阵B中找到除主对角线外绝对值最大的元素brc，其中brc是指矩阵B中第r行第c列的元素，根据公式求得计算矩阵H，H是一个旋转矩阵，其中余下元素中主对角线元素为1，非对角线元素为0；
步骤424)迭代计算B←HTBH，VA←HVA，若此时B中除主对角线上的元素外绝对值最大的元素大于阈值thB，则返回步骤423)继续迭代，否则此时B中主对角元素就是矩阵ATA的特征值，对应列的矩阵VA中的列向量就是对应的特征向量；将特征值按绝对值大小依次排列，记为λ1,λ2,…,λ9，对应的特征向量为s1,s2,…,s9；得到DA＝diag(λ1,λ2,…,λ9)，VA＝(s1,s2,…,s9)；
步骤425)计算得到矩阵UA＝(w1,w2,…,w8)，得到A＝UADAVA；
步骤43)、选取VA的第9列作为向量s：
s＝[s1 s2 s3 s4 s5 s6 s7 s8 s9]T
步骤44)、计算得到基本矩阵F′：
<mrow> <msup> <mi>F</mi> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>s</mi> <mn>1</mn> </msub> </mtd> <mtd> <msub> <mi>s</mi> <mn>4</mn> </msub> </mtd> <mtd> <msub> <mi>s</mi> <mn>7</mn> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>s</mi> <mn>2</mn> </msub> </mtd> <mtd> <msub> <mi>s</mi> <mn>5</mn> </msub> </mtd> <mtd> <msub> <mi>s</mi> <mn>8</mn> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>s</mi> <mn>3</mn> </msub> </mtd> <mtd> <msub> <mi>s</mi> <mn>6</mn> </msub> </mtd> <mtd> <msub> <mi>s</mi> <mn>9</mn> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow>
步骤45)、计算矩阵其中，fx、fy为视频摄像机的焦距；x0、y0是视频摄像机相对于成像平面的主点坐标，w为坐标轴倾斜参数，理想状态下为0；
步骤46)计算求得本质矩阵E＝KTF′K。
7.根据权利要求6所述的车辆运动状态估计方法，其特征在于，步骤二中，对所得本质矩阵做分解，求解对应的运动方向向量与旋转矩阵具体步骤如下：
步骤51)、对本质矩阵E按步骤42)的方法分解为并保证det(UE)＞0且det(VE)＞0，所述的det指的是求解矩阵的行列式值；
步骤52)、计算得到运动方向矢量其中u13，u23，u33分别是步骤51)中矩阵UE对应位置的元素值；
步骤53)定义计算得旋转矩阵R＝UEMVT。
8.根据权利要求7所述的车辆运动状态估计方法，其特征在于，步骤三根据运动方向和旋转矩阵的约束关系做验证，具体如下：
步骤61)、根据旋转矩阵R，求得前一帧时车辆的运动方向t0＝R-1t，以t0在xoz平面的投影为x′轴方向，原y轴为y′建立新的局部坐标系，将R和t在新的坐标系里记为R′和t′，车辆绕y′轴的旋转角度，记为β；
步骤62)、计算|t′ztan(β/2)-t′x|，其中t′x、t′z是运动方向t′在x′、z′方向的分量，当该值小于预设的阈值，那得到的R，t即为所求的旋转矩阵和运动方向向量，否则转向步骤41)。
9.根据权利要求6所述的一种保证准确性的车辆运动状态估计方法，其特征在于：所述的矩阵A是8×9的矩阵。
10.根据权利要求6所述的一种保证准确性的车辆运动状态估计方法，其特征在于所述的矩阵B是实对称矩阵。
CN201710269892.9A 2017-04-24 2017-04-24 一种保证准确性的车辆运动状态估计方法 Active CN107123128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710269892.9A CN107123128B (zh) 2017-04-24 2017-04-24 一种保证准确性的车辆运动状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710269892.9A CN107123128B (zh) 2017-04-24 2017-04-24 一种保证准确性的车辆运动状态估计方法

Publications (2)

Publication Number Publication Date
CN107123128A true CN107123128A (zh) 2017-09-01
CN107123128B CN107123128B (zh) 2019-07-16

Family

ID=59726126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710269892.9A Active CN107123128B (zh) 2017-04-24 2017-04-24 一种保证准确性的车辆运动状态估计方法

Country Status (1)

Country Link
CN (1) CN107123128B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697387A (zh) * 2017-10-23 2019-04-30 北京京东尚科信息技术有限公司 运动方向预测方法、装置、电子设备及存储介质
CN110503740A (zh) * 2018-05-18 2019-11-26 杭州海康威视数字技术股份有限公司 一种车辆状态判定方法、装置、计算机设备及系统
CN113615186A (zh) * 2018-12-21 2021-11-05 Vid拓展公司 对称运动矢量差译码
WO2022156652A1 (zh) * 2021-01-25 2022-07-28 腾讯科技（深圳）有限公司 交通工具运动状态评估方法、装置、设备以及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999759A (zh) * 2012-11-07 2013-03-27 东南大学 一种基于光流的车辆运动状态估计方法
JP5833887B2 (ja) * 2011-10-27 2015-12-16 東芝アルパイン・オートモティブテクノロジー株式会社 自車移動推定方法および自車移動推定プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5833887B2 (ja) * 2011-10-27 2015-12-16 東芝アルパイン・オートモティブテクノロジー株式会社 自車移動推定方法および自車移動推定プログラム
CN102999759A (zh) * 2012-11-07 2013-03-27 东南大学 一种基于光流的车辆运动状态估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孟琳: "基于计算机视觉的相对导航运动估计研究", 《中国优秀硕士学位论文全文数据库 工程科技辑II辑》 *
徐光柱等: "《实用性目标检测与跟踪算法原理与应用》", 30 June 2015 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697387A (zh) * 2017-10-23 2019-04-30 北京京东尚科信息技术有限公司 运动方向预测方法、装置、电子设备及存储介质
CN110503740A (zh) * 2018-05-18 2019-11-26 杭州海康威视数字技术股份有限公司 一种车辆状态判定方法、装置、计算机设备及系统
CN110503740B (zh) * 2018-05-18 2021-11-26 杭州海康威视数字技术股份有限公司 一种车辆状态判定方法、装置、计算机设备及系统
CN113615186A (zh) * 2018-12-21 2021-11-05 Vid拓展公司 对称运动矢量差译码
CN113615186B (zh) * 2018-12-21 2024-05-10 Vid拓展公司 对称运动矢量差译码
US12095998B2 (en) 2018-12-21 2024-09-17 Vid Scale, Inc. Symmetric motion vector difference coding
WO2022156652A1 (zh) * 2021-01-25 2022-07-28 腾讯科技（深圳）有限公司 交通工具运动状态评估方法、装置、设备以及介质

Also Published As

Publication number Publication date
CN107123128B (zh) 2019-07-16

Similar Documents

Publication Publication Date Title
CN110533722B (zh) 一种基于视觉词典的机器人快速重定位方法及系统
CN110084195B (zh) 基于卷积神经网络的遥感图像目标检测方法
CN111540193B (zh) 一种基于图卷积时序生成对抗网络的交通数据修复方法
CN107123128A (zh) 一种保证准确性的车辆运动状态估计方法
CN110490928A (zh) 一种基于深度神经网络的相机姿态估计方法
CN104766058B (zh) 一种获取车道线的方法和装置
CN109726627A (zh) 一种神经网络模型训练及通用接地线的检测方法
CN107748895A (zh) 基于dct‑cnn模型的无人机着陆地貌图像分类方法
CN107480772A (zh) 一种基于深度学习的车牌超分辨率处理方法及系统
CN111738314A (zh) 基于浅层融合的多模态图像能见度检测模型的深度学习方法
CN107424181A (zh) 一种改进的图像拼接关键帧快速提取方法
CN109685732A (zh) 一种基于边界捕捉的深度图像高精度修复方法
CN104050685B (zh) 基于粒子滤波视觉注意力模型的运动目标检测方法
CN109389057A (zh) 一种基于多尺度高级语义融合网络的物体检测方法
CN110956154A (zh) 一种基于cnn-lstm的振动信息地形分类识别方法
CN113111727B (zh) 一种基于特征对齐的遥感场景下旋转目标检测方法
CN106384092A (zh) 面向监控场景的在线低秩异常视频事件检测方法
CN107167826A (zh) 一种自动驾驶中基于可变网格的图像特征检测的车辆纵向定位系统及方法
Gao et al. Enhance sample efficiency and robustness of end-to-end urban autonomous driving via semantic masked world model
CN115222650A (zh) 一种混合工业零件缺陷检测算法
KR102373493B1 (ko) V2x 정보 융합 기술을 통해 획득된, 각 객체에 대한 깊이 예측 정보 및 각 객체에 대한 클래스 정보를 이용해 3d 공간을 재구축함으로써 hd 맵을 업데이트하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치
CN107194366A (zh) 基于稠密轨迹协方差描述子的行为识别方法
CN107945127A (zh) 一种基于图像列灰度概率一致性的高速运动图像去模糊方法
CN117935333A (zh) 基于轻量化改进YOLOv8模型的驾驶员人脸检测方法及介质
CN115691134B (zh) 一种基于对抗生成网络的智能汽车测试场景库构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: No. 66, New Model Road, Gulou District, Nanjing City, Jiangsu Province, 210000

Applicant after: Nanjing Post & Telecommunication Univ.

Address before: 210023 9 Wen Yuan Road, Ya Dong new town, Nanjing, Jiangsu.

Applicant before: Nanjing Post & Telecommunication Univ.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant