CN109035759A - 一种护栏检测评估方法 - Google Patents

Abstract

本发明涉及一种护栏检测评估方法，属于智能交通技术领域。该方法分为坐标系转换、护栏模型建立和模型评估三个部分。在坐标系转换阶段，即将有可能存在的三维点集信息转化为二维点集信息；在模型建立阶段，于护栏检测结果的基础上进行护栏函数模型建立；在模型评估阶段，即将护栏的真实标定点集代入到模型中生成模型的预测点集，然后运用护栏评估机制实现护栏检测结果的评估。本发明采用的护栏检测评估方法，可在在不同维度的检测结果情况下，也能能够准确快速实时的反映出当前检测结果的可信程度，为辅助驾驶或自动驾驶中做出的驾驶行为提供可靠的依据。

Description

一种护栏检测评估方法

技术领域

本发明属于智能交通技术领域，涉及一种护栏检测评估方法。

背景技术

随着科技飞速发展，智能汽车作为智能交通系统的重要部分，将在人们的生活中起到越来越重要的作用。护栏检测识别系统作为智能汽车环境感知的重要部分，在智能交通系统中起到了重要作用。随着智能汽车技术的发展，智能交通决策系统需要知道车辆所处环境的相关信息，从而做出正确决策。

众所周知，在道路两侧会存在与车道平行的护栏，旨在减少车辆驶离车道几率，一定程度上的保证驾驶员的安全，此外护栏能够划分出车辆最大安全行车区间，且能够一定程度反映前方车道的变化，提醒驾驶员注意前方车道变化。因此护栏检测识别系统是为了告诉车辆如何最大限度的安全行驶，为智能车的决策系统提供周围道路环境信息。现如今虽有了一些护栏检测识别系统，但是缺乏一种统一有效评估算法来判定检测结果的可信度，可能会对运用周围环境感知信息提供的决策产生不确定性的影响，导致交通安全事故的发生，因此需要一种统一有效的评估算法来评价检测结果的可信度，为智能车的决策系统提供更加安全可靠的道路环境信息。

发明内容

有鉴于此，本发明的目的在于提供一种护栏检测评估方法，在得到检测结果的基础上能够快速有效的判定检测结果的可信度，为智能车的决策系统提供更多的道路环境信息，增强导航设备的导航能力。

为达到上述目的，本发明提供如下技术方案：

一种护栏检测评估方法，该方法包括以下步骤：

S1：判定输入的护栏特征点是否拥有三维坐标信息，若拥有，则转至S2中坐标点三维转二维，若不拥有，则转至S3；

S2：坐标点三维转二维，即运用相关算法把护栏特征点中三维信息的高度信息消去，使检测结果映射到图像中，为护栏模型建立提供符合要求的格式；

S3：护栏模型建立，运用最小二乘法实现对护栏特征点的横纵坐标信息进行拟合，计算出一个符合要求的一元二次多项式作为该护栏的模型；

S4：真实护栏点集标定，在样本图像中标定出真实护栏上任意多个点作为该帧样本的真实点集，记录其横纵坐标信息；

S5：计算护栏预测点集，即将真实点集中点的横坐标或纵坐标信息代入护栏模型方程，计算出对应的纵坐标或横坐标信息，作为模型预测点，最终计算出对应真实护栏点集的护栏预测点集；

S6：检测结果可信度评估，即计算出真实点集与预测点集之间的L2平均距离和相关协方差矩阵作为衡量检测结果可信度指标。

进一步，所述S2具体包括：

S21：得到检测结果三维坐标点与相机三维坐标系下坐标点之间的配准矩阵，使用已经有的配准信息，得到相关的转移矩阵

其中A_3×4代表两类信息的配准矩阵，为相机校正后的投影矩阵，为相机的矫正矩阵，为三维坐标系与相机三维坐标系之间的旋转矩阵，为三维坐标系与相机三维坐标系之间的平移矩阵，为三维坐标系转移至相机三维坐标系下未做矫正时的转移矩阵；

S22：应用配准矩阵A_3×4将输入的检测结果，即在三维坐标系下的坐标矩阵转换到相机的三维坐标系中

其中代表在三维坐标系下检测结果矩阵的扩展矩阵，代表在相机三维坐标系下的检测结果矩阵；

S23：提取在相机三维坐标下检测结果矩阵的第三列，并复制两列，生成三维转二维的转换矩阵B_n×2；

S24：将相机三维坐标下的检测结果矩阵转化为相机图片中的二维坐标矩阵

其中代表两矩阵的点除运算，即两个矩阵中各行列对应的元素对应相除。

进一步，所述S3具体包括：

S31：假设拟合出的一元二次多项式为

y＝a₀+a₁x+a₂x² (8)

S32：生成需要拟合的点集L，矩阵中每一行为一点的x轴坐标与y轴坐标，因此点集表示为

L((p₁₁,p₁₂),(p₂₁,p₂₂),...,(p_k1,p_k2),...,(p_n1,p_n2)) (9)

其中p_k1与p_k2分别表示图片中二维矩阵的第k行的第一列和第二列数据，组合成点(p_k1,p_k2)为待拟合点集L中的第k点；

S33：求解假设的一元二次多项式中的参数a₀、a₁和a₂；

进一步，所述S6具体包括：

S61：标定真实护栏点集其中代表真实护栏点集中的第i点；

S62：将护栏标定的真实点集P^g中每点的横坐标或纵坐标代入到S3求得的护栏模型，生成对应的预测点集其中P^c点集中的与点集P^g中的对应；

S63：计算标定真实护栏点集P^g与预测点集P^c之间的L2平均距离d_cg：

其中指标d_cg直观反映出两者之间位置上的差距，能间接反映出检测结果可信度的高低；若指标d_cg值越小则代表可信度越高，反之则越低；

S64：计算标定真实护栏点集P^g与预测点集P^c之间的协方差矩阵由于只关注两点集间同坐标系下的点，令斜对角的值恒等于0，即

S65：计算协方差矩阵的行列式：det(C')＝cov(x^g,x^c)*cov(y^g,y^c)，结果在0到1之间；其中指标det(C')直观的反映出两点集间的相关性，间接反映出检测结果可信度高低；若结果越接近1便代表检测结果可信度越高，反之则越低；

S66：综合协方差矩阵C协方差矩阵的行列式det(C')两个评价指标，分别由用户根据实际情况自定义出L2平均距离的最小阈值D_{cg min}和协方差矩阵行列式的最小阈值C_{cg min}，若求得指标满足d_cg＜D_{cg min}且det(C')＞D_{cg min}，则认为护栏检测结果符合要求。

本发明的有益效果在于：本发明在得到检测结果的基础上，对三维检测结果或二维检测结果进行可信度评估，能够稳定有效的评判出护栏检测算法的可信度，为智能车的决策系统提供更多的道路环境信息，增强导航设备的导航能力。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为护栏检测俯视示意图；

图2为护栏检测结果评估方法的整体详细流程图；

图3为护栏检测点集三维转二维结果示意图，a为检测结果的三维坐标信息示意图，b为转换后的二维坐标信息示意图，c为二维坐标信息映射到对应图像示意图；

图4为本发明主要流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1所示为护栏检测俯视示意图，左右两侧为护栏，扇形区域为检测范围图；

图3为护栏检测点集三维转二维结果示意图，a为检测结果的三维坐标信息示意图，b为转换后的二维坐标信息示意图，c为二维坐标信息映射到对应图像示意图；

如图2、图4所示，本发明大致可分为坐标系转换、护栏模型建立和模型评估三个部分，其中坐标转换部分流程大致下：

(1)得到检测结果三维坐标点与相机三维坐标系下坐标点之间的配准矩阵，这里涉及到点集的配准，但是并不是本发明的重点内容且相关内容已经较为成熟，此处便不再赘述，直接使用已经存在的配准信息，得到相关的转移矩阵

其中A_3×4代表两类信息的配准矩阵，为相机校正后的投影矩阵，为相机的矫正矩阵，为三维坐标系与相机三维坐标系之间的旋转矩阵，为三维坐标系与相机三维坐标系之间的平移矩阵,为三维坐标系转移至相机三维坐标系下未做矫正时的转移矩阵；

(2)应用配准矩阵A_3×4将输入的检测结果，即在三维坐标系下的坐标矩阵转换到相机的三维坐标系中

其中代表在三维坐标系下检测结果矩阵的扩展矩阵，代表在相机三维坐标系下的检测结果矩阵；

(3)提取在相机三维坐标下检测结果矩阵的第三列，并复制两列，生成三维转二维的转换矩阵B_n×2；

(4)将相机三维坐标下的检测结果矩阵转化为相机图片中的二维坐标矩阵

其中代表两矩阵的点除运算，即两个矩阵中各行列对应的元素对应相除。

在护栏模型建立阶段流程大致如下：

(5)假设拟合出的一元二次多项式为

y＝a₀+a₁x+a₂x² (8)

(6)生成需要拟合的点集L，矩阵中每一行为一点的x轴坐标与y轴坐标，因此点集可表示为

L((p₁₁,p₁₂),(p₂₁,p₂₂),...,(p_k1,p_k2),...,(p_n1,p_n2)) (9)

其中p_k1与p_k2分别表示图片中二维矩阵的第k行的第一列和第二列数据，组合成点(p_k1,p_k2)为待拟合点集L中的第k点；

(7)求解假设的一元二次多项式中的参数a₀、a₁和a₂；

在模型评估阶段流程大致如下：

(8)标定真实护栏点集其中代表真实护栏点集中的第i点；

(9)将护栏标定的真实点集P^g中每点的横坐标(纵坐标)代入到步骤3求得的护栏模型，生成对应的预测点集其中P^c点集中的与点集P^g中的对应；

(10)计算标定真实护栏点集P^g与预测点集P^c之间的L2平均距离d_cg：

其中指标d_cg直观反映出两者之间位置上的差距，能间接反映出检测结果可信度的高低。若指标d_cg值越小则代表可信度越高，反之则越低；

(11)计算标定真实护栏点集P^g与预测点集P^c之间的协方差矩阵由于本方法目标只关注两点集间同坐标系下的点，因此令斜对角的值恒等于0，即

(12)计算协方差矩阵的行列式:det(C')＝cov(x^g,x^c)*cov(y^g,y^c)，其结果必定在0到1之间。其中指标det(C')直观的反映出两点集间的相关性，能间接反映出检测结果可信度高低。若结果越接近1便代表检测结果可信度越高，反之则越低；

(13)综合上述两个评价指标，分别由用户根据实际情况自定义出L2平均距离的最小阈值D_{cg min}和协方差矩阵行列式的最小阈值C_{cg min}，若求得指标满足d_cg＜D_{cg min}且det(C')＞D_{cg min}，则可认为护栏检测结果符合要求。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种护栏检测评估方法，其特征在于：该方法包括以下步骤：

S1：判定输入的护栏特征点是否拥有三维坐标信息，若拥有，则转至S2中坐标点三维转二维，若不拥有，则转至S3；

S2：坐标点三维转二维，即运用相关算法把护栏特征点中三维信息的高度信息消去，使检测结果映射到图像中，为护栏模型建立提供符合要求的格式；

S3：护栏模型建立，运用最小二乘法实现对护栏特征点的横纵坐标信息进行拟合，计算出一个符合要求的一元二次多项式作为该护栏的模型；

S4：真实护栏点集标定，在样本图像中标定出真实护栏上任意多个点作为该帧样本的真实点集，记录其横纵坐标信息；

S5：计算护栏预测点集，即将真实点集中点的横坐标或纵坐标信息代入护栏模型方程，计算出对应的纵坐标或横坐标信息，作为模型预测点，最终计算出对应真实护栏点集的护栏预测点集；

S6：检测结果可信度评估，即计算出真实点集与预测点集之间的L2平均距离和相关协方差矩阵作为衡量检测结果可信度指标。

2.根据权利要求1所述的一种护栏检测评估方法，其特征在于：所述S2具体包括：

S21：得到检测结果三维坐标点与相机三维坐标系下坐标点之间的配准矩阵，使用已经有的配准信息，得到相关的转移矩阵

其中A_3×4代表两类信息的配准矩阵，为相机校正后的投影矩阵，为相机的矫正矩阵，为三维坐标系与相机三维坐标系之间的旋转矩阵，为三维坐标系与相机三维坐标系之间的平移矩阵，为三维坐标系转移至相机三维坐标系下未做矫正时的转移矩阵；

S22：应用配准矩阵A_3×4将输入的检测结果，即在三维坐标系下的坐标矩阵转换到相机的三维坐标系中

其中代表在三维坐标系下检测结果矩阵的扩展矩阵，代表在相机三维坐标系下的检测结果矩阵；

S23：提取在相机三维坐标下检测结果矩阵的第三列，并复制两列，生成三维转二维的转换矩阵B_n×2；

S24：将相机三维坐标下的检测结果矩阵转化为相机图片中的二维坐标矩阵

其中⊙代表两矩阵的点除运算，即两个矩阵中各行列对应的元素对应相除。

3.根据权利要求1所述的一种护栏检测评估方法，其特征在于：所述S3具体包括：

S31：假设拟合出的一元二次多项式为

y＝a₀+a₁x+a₂x² (8)

S32：生成需要拟合的点集L，矩阵中每一行为一点的x轴坐标与y轴坐标，因此点集表示为

L((p₁₁,p₁₂),(p₂₁,p₂₂),...,(p_k1,p_k2),...,(p_n1,p_n2)) (9)

其中p_k1与p_k2分别表示图片中二维矩阵的第k行的第一列和第二列数据，组合成点(p_k1,p_k2)为待拟合点集L中的第k点；

S33：求解假设的一元二次多项式中的参数a₀、a₁和a₂；

4.根据权利要求1所述的一种护栏检测评估方法，其特征在于：所述S6具体包括：

S61：标定真实护栏点集其中代表真实护栏点集中的第i点；

S62：将护栏标定的真实点集P^g中每点的横坐标或纵坐标代入到S3求得的护栏模型，生成对应的预测点集其中P^c点集中的与点集P^g中的对应；

S63：计算标定真实护栏点集P^g与预测点集P^c之间的L2平均距离d_cg：

其中指标d_cg直观反映出两者之间位置上的差距，能间接反映出检测结果可信度的高低；若指标d_cg值越小则代表可信度越高，反之则越低；

S64：计算标定真实护栏点集P^g与预测点集P^c之间的协方差矩阵由于只关注两点集间同坐标系下的点，令斜对角的值恒等于0，即

S65：计算协方差矩阵的行列式：det(C')＝cov(x^g,x^c)*cov(y^g,y^c)，结果在0到1之间；其中指标det(C')直观的反映出两点集间的相关性，间接反映出检测结果可信度高低；若结果越接近1便代表检测结果可信度越高，反之则越低；

S66：综合协方差矩阵C协方差矩阵的行列式det(C')两个评价指标，分别由用户根据实际情况自定义出L2平均距离的最小阈值D_cgmin和协方差矩阵行列式的最小阈值C_cgmin，若求得指标满足d_cg＜D_cgmin且det(C')＞D_cgmin，则认为护栏检测结果符合要求。