CN109285169A - 一种基于车轮识别的道路救援装备侧方位拖牵诱导方法 - Google Patents
一种基于车轮识别的道路救援装备侧方位拖牵诱导方法 Download PDFInfo
- Publication number
- CN109285169A CN109285169A CN201810915669.1A CN201810915669A CN109285169A CN 109285169 A CN109285169 A CN 109285169A CN 201810915669 A CN201810915669 A CN 201810915669A CN 109285169 A CN109285169 A CN 109285169A
- Authority
- CN
- China
- Prior art keywords
- wheel
- image
- point set
- point
- edge
- 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
Links
- 238000013459 approach Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 86
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 230000006698 induction Effects 0.000 claims abstract description 13
- 238000003708 edge detection Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000001965 increasing effect Effects 0.000 claims description 17
- 238000007670 refining Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30268—Vehicle interior
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于车轮识别的道路救援装备侧方位拖牵诱导方法，该方法结合道路救援装备的结构及侧方位拖牵作业的特点，首先确定被拖车辆车轮待检测区域；接着对该区域图像进行高斯平滑滤波及边缘检测，并计算各图像点梯度方向，二值化后得到非零边缘图像点集；进而根据边缘连续性特征对图像点进行聚类；之后对聚类得到的边缘点集建立梯度方向直方图并计算相关参数；然后提出车轮边缘点集初精两步筛选算法；从而根据精选得到的车轮中心位置实施拖牵诱导；最后通过卡尔曼滤波进行预测并设置下一帧图像的车轮待检测区域。本发明提出的诱导方法具有良好的实时性、环境适应力和抗干扰能力，有效提高了道路救援装备的救援效率。
Description
技术领域
本发明属于道路救援装备智能化操作领域，涉及一种基于车轮识别的道路救援装备侧方位拖牵诱导方法。
背景技术
随着社会经济的不断发展，道路交通基础设施条件逐渐改善，机动车保有量逐年大幅增长，中国目前已进入了汽车社会。但在享受汽车带来便利的同时，汽车故障和交通事故已经成为影响国民经济发展的社会问题。因此，道路车辆事故救援、城市违章车辆处理以及自然灾害抢险救援等社会需求也快速增多，进而作为汽车后市场的道路救援行业逐渐被重视，并且得到了快速的发展。但是根据相关调查结果显示，目前我国道路救援装备科技水平不够先进，智能化程度低，在实施作业的过程中，往往因救援环境相对比较复杂，存在着操作难度大，不能实施有效救援的情况，比如道路救援装备无法快速准确从侧方位把事故车从两辆车中间拖牵出来就是其中之一。究其原因，一方面侧方位救援环境比较复杂，被拖车夹在前后两车之间，呈现“一”字型排列，而且被拖车与前后车的间距很小，此时道路救援装备只能从被拖车的侧面实施拖牵作业，该过程难度比较大；另一方面道路救援装备智能化水平低，没有利用现有科学技术手段，对拖牵作业进行诱导辅助，过于依赖作业人员技术水平和经验也是导致救援效率低的一个重要因素，但目前对于道路救援装备侧方位拖牵诱导相关技术尚未见有研究。
道路救援装备的拖牵装置，主要包括折臂、伸缩臂、摆臂及两侧的托臂。在侧方位拖牵作业实施的过程中，道路救援装备始终与被拖车方向保持基本垂直，并以道路救援装备所在一侧为被拖车的待对准侧。道路救援装备首先通过倒车作业，使被拖车的待对准侧前轮与相应托臂对准，之后通过摆臂的旋转，实现被拖车的另一侧前轮与相应托臂的对准，然后两侧托臂分别对被拖车两前轮进行抱胎固定，最后通过折臂牵拉起吊，将被拖车拖离事故现场。在传统的侧方位拖牵作业过程中，将被拖车前轮与道路救援装备托臂进行对准这一操作，其效率主要依赖于驾驶员技术经验等人为因素，通常需要多次反复倒车进行位置修正，作业耗时过长，救援效率低下。
为了解决上述问题，本发明提出一种基于车轮识别的侧方位拖牵诱导方法辅助实施拖牵作业，从而达到提高道路救援装备救援效率的目的。由于拖牵环境的复杂多变性，侧方位拖牵诱导方法不仅应具有良好的实时性，还应具有适应各种车型及环境变化的能力以及抗各种噪声和干扰的能力，这也是该方法可靠性的前提保证。
发明内容
发明目的：针对以上现有技术存在的问题，本发明提出一种既具有良好实时性，又具有较强环境自适应能力和抗干扰能力的道路救援装备侧方位拖牵诱导方法。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于车轮识别的道路救援装备侧方位拖牵诱导方法，该方法包括如下步骤：
(1)采集作业区域图像并确定车轮待检测区域；
(2)对车轮待检测区域图像预处理；
(3)对预处理后的图像进行边缘图像点聚类以得到车轮边缘图像点集；
(4)建立梯度方向直方图并计算相关参数；
(5)对车轮边缘图像点集进行筛选确定车轮中心坐标；
(6)根据确定的车轮中心坐标进行拖牵诱导；
(7)预测出下一帧图像中车轮的中心坐标。
其中，在步骤(1)中，采集作业区域图像并确定车轮待检测区域方法如下：在道路救援装备尾部折臂上安装车载摄像头，采集范围为包含道路救援装备摆臂、托臂及被拖车前车轮的后方作业区域，对于采集的道路救援装备后方作业区域序列图像的首帧，初始化被拖车的车轮待检测区域O1为整幅图像；而对于序列图像中的非首帧图像，若上一帧图像处理过程中成功检测到被拖车车轮，则将被拖车的车轮待检测区域O1更新为上一帧图像中通过卡尔曼滤波预测所设置的车轮待检测区域；否则仍将车轮待检测区域设置为整幅图像。
其中，在步骤(2)中，图像预处理方法如下：先将采集的彩色图像转成灰度图像，然后对车轮待检测区域灰度图像进行高斯平滑滤波，在此基础上进行边缘检测，并且根据边缘检测的幅度大小对图像进行二值化处理，得到车轮待检测区域边缘二值图O2，把二值图像中所有的非零图像点存储在边缘点集A中。
其中，在步骤(3)中，边缘图像点聚类方法如下：对点集A中的图像点进行聚类，进而得到与二值图像中边缘轮廓相对应的边缘图像点集Bn，n＝1,2,3…,N，其中n为点集Bn的序号，N为n的最大值，图像点聚类步骤为：
(3.1)初始化n＝1；
(3.2)按照点集A中边缘图像点横纵坐标依次递增的顺序，选取点集A中的一点，存储在点集Bn中，并在内存中开辟相应区域存储点集Bn中图像点对应的梯度方向，然后在该点的3×3邻域内搜索非零图像点，若搜索到，则将搜索到的点归类并存储在点集Bn中，其对应梯度方向存储在新分配的内存中，进入步骤(3.3)；若搜索不到，则该点是离散点，将其归类为干扰点并从点集A中删除，重新开始步骤(3.2)；
(3.3)在搜索到的新点的3×3邻域内继续搜索非零图像点，若搜索到新的非零图像点，则将搜索到的新点存储在Bn中，其对应梯度方向存储在新分配的内存中，并重复此步骤(3.3)；若没有搜索到新的非零图像点，则转入步骤(3.4)；
(3.4)此次搜索新点的过程结束，对点集A进行更新，将已经进行过聚类的点从点集A中删除；
(3.5)判断更新后的点集A是否为空，若否，则将n的值增1，重新返回上述步骤(3.2)；若是，则令n＝N，并结束图像点聚类过程。
其中，在步骤(4)中，建立梯度方向直方图并计算相关参数方法如下：经过对边缘图像点聚类，可得到与二值图像中边缘轮廓相对应的边缘图像点集Bn，n＝1,2,3…,N，对各点集建立梯度方向直方图并进行相关统计，进而计算各点集梯度方向直方图中各梯度方向区间所对应的图像点数均方差，以及各点集梯度方向覆盖率，其方法为：
(4.1)初始化n＝1；
(4.2)建立边缘图像点集Bn的梯度方向直方图：将整个梯度方向区间0～2π均匀分为12个离散的级别，并定义梯度方向统计直方图函数为其中，为整个梯度方向区间中第j个梯度方向区间的右端点值；为梯度方向统计直方图函数；为边缘图像点集Bn中图像点总数；为边缘图像点集Bn中梯度方向在第j个梯度方向区间内的图像点总数。根据上述梯度方向统计直方图函数的定义，以梯度方向区间的右端点值为横坐标，以为纵坐标，得到边缘点集Bn的梯度方向直方图；
(4.3)利用常规直方图统计方法，确定点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数及图像点梯度方向出现的范围即点集Bn中图像点梯度方向的最大值与最小值的差值；
(4.4)计算点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数平均值 并进一步计算点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数均方差
(4.5)根据边缘图像点集Bn的梯度方向直方图中图像点梯度方向出现的范围，定义并计算边缘图像点集Bn的梯度方向覆盖率
(4.6)若n＜N，则将n的值增1，重新返回上述步骤(4.2)；否则结束建立梯度方向直方图并进行相关计算的过程。
其中，在步骤(5)中，车轮边缘图像点集初精两步筛选方法如下：
车确定车轮边缘预选点集的初选过程：根据边缘图像点集的图像点数，梯度方向直方图中各梯度方向区间所对应的图像点数均方差，及该点集梯度方向覆盖率，将点集Bn中的部分点集归为车轮边缘预选点集Ck，具体步骤为：
(5.1)初始化n＝1，k＝0；
(5.2)若图像点集Bn满足则进入步骤(5.3)；否则判定该点集为干扰点集并舍弃，进入步骤(5.4)。该步骤的判别条件中，为点集Bn的图像点总数；Mth为图像点总数阈值，为了保证在下述精选过程中能够对点集Bn采用最小二乘法进行椭圆拟合，点集Bn中的图像点数不应少于6，故该阈值其中为得到的所有边缘点集Bn中图像点总数的平均值，即
(5.3)点集Bn满足且则将k值增1，并将点集Bn归为车轮边缘预选点集Ck；否则认为该点集为干扰点集并舍弃，该步骤的判别条件中，为点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数均方差；σth为点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数均方差阈值，该阈值在5～10内取值；为点集Bn的梯度方向覆盖率；pth为点集的梯度方向覆盖率阈值，该阈值在0.6～0.8内取值；
(5.4)若n＜N，则将n的值增1，并重新返回上述步骤(5.2)；否则令K＝k，进入步骤(5.5)；
(5.5)若K≠0，则对得到的K个车轮边缘预选点集，进行下述精选过程；否则返回步骤(1)确定车轮待检测区域。
确定车轮边缘准确点集的精选过程：对初选得到的K个车轮边缘预选点集，通过曲线拟合提取其椭圆特征参数，并根据拟合椭圆的离心率与匹配点数，确定车轮边缘准确点集D，具体步骤为：
(5.6)初始化k＝1；
(5.7)对车轮边缘预选点集Ck，采用最小二乘法进行椭圆拟合，确定该点集拟合所得椭圆的一般方程提取该椭圆的几何特征参数：椭圆中心坐标长轴短轴以及倾斜角并计算其椭圆离心率 若则进入步骤(5.8)，否则进入步骤(6.0)，该步骤的判别条件中，为椭圆离心率；eth为椭圆离心率阈值，该阈值在0.2～0.6内取值；
(5.8)统计车轮边缘预选点集Ck中与其拟合椭圆相匹配的图像点数初始化为0，按照图像点横纵坐标依次递增的顺序遍历点集Ck中的图像点，若满足则认为该点集中的图像点与点集Ck拟合椭圆相匹配，并将值增1；否则认为该点与点集Ck拟合椭圆不匹配，值保持不变，该步骤的判别条件中，x和y分别为二值图像O2中的图像点的横、纵坐标；和分别为车轮边缘预选点集Ck拟合椭圆的中心横、纵坐标；为拟合椭圆的长轴；为拟合椭圆的短轴；为拟合椭圆的倾斜角；S为二值图像O2中的图像点与拟合椭圆匹配关系判别阈值；
(5.9)确定车轮边缘准确点集D：若车轮边缘预选点集Ck满足则确定该车轮边缘预选点集Ck为车轮边缘准确点集D，进而确定点集D的拟合椭圆特征参数：椭圆的中心坐标(xD,yD)，长轴aD，短轴bD以及倾斜角θD，即 并将该拟合椭圆作为车轮边缘，参见说明书附图9，将该拟合椭圆的中心坐标(xD,yD)作为车轮中心坐标(x0,y0)，即x0＝xD，y0＝yD，直接进入步骤(6)拖牵诱导；否则认为该点集是干扰点集，进入步骤(6.0)；该步骤的判别条件中，为车轮边缘预选点集Ck中与其拟合椭圆相匹配的边缘图像点数；sth为车轮边缘预选点集Ck中与其拟合椭圆相匹配的图像点数阈值， 为车轮边缘预选点集Ck的图像点总数，对于不同车型及不同时刻的车轮边缘，应该有不同的匹配图像点数阈值sth，(6.0)若k＜K，则将k的值增1，并重新返回上述步骤(5.7)，否则结束精选过程，返回步骤(1)确定车轮待检测区域。
其中，在步骤(6)中，拖牵诱导方法如下：利用步骤(5)车轮边缘图像点集初精两步筛选中已确定的车轮中心坐标(x0,y0)，根据图像中所显示的被拖车前轮与对应侧托臂的相对位置关系，实时给出方向提示，诱导驾驶员进行倒车作业：若图像中被拖车前轮中心在对应托臂中心的左侧，则提示驾驶员向右倒；若图像中被拖车前轮中心在对应托臂中心的右侧，则提示驾驶员向左倒，从而完成被拖车待对准侧前轮与对应侧托臂的对准，进而对被拖车进行抱胎固定，将其牵拉拖离。
其中，在步骤(7)中，采用卡尔曼滤波进行预测方法如下：本发明利用步骤(5)轮边缘图像点集初精两步筛选确定的车轮中心坐标(x0,y0)，通过卡尔曼滤波预测，跟踪车轮中心在图像坐标系中横轴和纵轴方向上的运动，预测出下一帧图像中车轮的中心坐标缩小下一帧图像中对车轮的搜索区域，其方法如下：
(7.1)建立离散化卡尔曼滤波的状态方程： 式中，i为离散化时刻，即当前帧图像所对应的时刻；X为系统状态向量，分别为通过卡尔曼滤波预测所得的车轮中心横、纵坐标，vx和vy分别为车轮中心在图像坐标系横轴及纵轴方向上的运动速度；上角标′表示对矩阵转置，W(i)为零均值的系统高斯白噪声向量且W(i)＝[w1 w2 w3 w4]′，其中w1、w2、w3、w4分别表示四个系统高斯白噪声分量，W(i)对应的系统噪声协方差阵为Q(i)，其中分别为系统高斯白噪声w1、w2、w3、w4对应的方差；状态转移矩阵这是因为道路救援装备在侧方位拖牵作业的过程中，倒车速度很慢，在两帧图像的时间间隔T内可以认为是匀速行驶，因此车轮中心在图像中运动的轨迹投影在时间间隔T内的速度均可看作常量。
(7.2)建立离散化卡尔曼滤波的观测方程：Z(i)＝H(i)X(i)+V(i)，式中，Z为观测向量，H为观测阵，V表示与W互不相关的零均值观测白噪声向量，设置 其中，x0(i)、y0(i)分别表示由步骤(5)中确定的车轮中心坐标(x0,y0)，x0(i)＝x0，y0(i)＝y0；表示车轮中心横坐标的观测噪声且是均值为0、方差为的高斯白噪声；表示车轮中心纵坐标的观测噪声且是均值为0、方差为的高斯白噪声；V对应的观测噪声方差阵R表示为
(7.3)对上述所描述的系统状态方程和观测方程，运用卡尔曼滤波理论，建立标准递推过程，该递推过程包括时间更新和测量更新，下面递推过程的前两步为时间更新，剩余的三步为测量更新：
时间更新：
状态一步预测方程：
一步预测误差方差阵：
测量更新：
滤波增益矩阵：K(i+1)＝P(i+1,i)H′(i)[H(i)P(i+1,i)H′(i)+R(i)]-1
状态估计：
估计误差方差阵：P(i+1)＝[I-K(i+1)H(i)]P(i+1,i)
其中，为状态一步预测结果；P(i+1,i)一步预测误差方差矩阵；K(i+1)滤波增益矩阵；状态估计所得的系统状态量；P(i+1)估计误差方差矩阵；为的转置；H′(i)为H(i)的转置；I为单位矩阵，经过上述递推计算，实时预测出下一帧图像中车轮中心坐标
(7.4)设置下一帧图像的车轮待检测区域：若以上述卡尔曼滤波预测所得的车轮中心为中心，边长为车轮边缘准确点集D拟合椭圆长轴aD的二倍的正方形区域不超出原始采集图像边界，则设置车轮待检测区域为该正方形区域；否则设置车轮待检测区域为该正方形与原始采集图像重叠的区域。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
1.针对道路救援装备的结构及侧方位拖牵作业工作特点而提出，能有效加快侧方位拖牵车轮固定过程，对拖牵作业形成诱导，提高道路救援装备救援效率。
2.诱导可靠性高，抗干扰能力能。诱导方法充分考虑并利用了车轮的椭圆形状特征，制定了有效的筛选算法，能够排除路面上的下水道井盖等干扰，准确找到被拖车辆车轮的位置。
3.良好的环境适应能力。诱导方法中设置了自适应匹配点数阈值，能够适应各种大小及远近的车型。
4.处理速度快，实时性好。诱导方法中采用卡尔曼滤波进行预测并设置车轮待检测区域，有效提高了诱导方法的运行速度，保证了实时性。
附图说明
图1是本发明提出的道路救援装备侧方位拖牵诱导方法的流程图；
图2是道路救援装备侧方位拖牵作业的立体示意图；
图3是道路救援装备侧方位拖牵作业的俯视图；
图4是道路救援装备拖牵装置结构及摄像头安装位置示意图；
图5是采集的某帧原图像；
图6是车轮待检测区域图像；
图7是车轮待检测区域边缘二值化图像；
图8是梯度方向直方图；
图9是车轮识别结果图；
图10是车轮示廓线的设置示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
随着我国经济的快速增长，机动车保有量也逐年增长，因此道路车辆事故救援、城市违章车辆处理以及自然灾害抢险救援等社会需求也快速增多，进而作为汽车后市场的道路救援行业逐渐被重视，并且得到了快速的发展。但是根据相关调查结果显示，目前我国道路救援装备科技水平不够先进，智能化程度低，在实施作业的过程中，往往因救援环境相对比较复杂，存在着操作难度大，不能实施有效救援的情况，比如道路救援装备无法快速准确从侧方位把被拖车从两辆车中间拖牵出来就是其中之一。究其原因，一方面侧方位救援环境比较复杂，如附图2及附图3所示，被拖车夹在前后两车之间，呈现“一”字型排列，而且被拖车车头与前面车车尾的间距很小，此时道路救援装备只能从被拖车的侧面实施拖牵作业，该过程难度相对较大，过于依赖作业人员技术水平和经验；另一方面道路救援装备智能化水平低，没有利用现有科学技术手段，对侧方位拖牵作业进行诱导辅助，也是导致救援效率低的一个重要因素，但目前对于道路救援装备侧方位拖牵诱导相关技术尚未见有研究。
以皮卡救援车为例的道路救援装备的结构组成如附图4所示，其拖牵装置主要包括折臂、伸缩臂、摆臂及两侧的托臂。在侧方位拖牵作业实施的过程中，道路救援装备始终与被拖车方向保持基本垂直，并以道路救援装备所在一侧为被拖车的待对准侧。道路救援装备首先通过倒车作业，使被拖车的待对准侧前轮与对应侧托臂对准，之后通过摆臂的旋转，实现被拖车的另一侧前轮与另一侧托臂的对准，然后两侧托臂分别对被拖车两前轮进行抱胎固定，最后通过折臂牵拉起吊，将被拖车拖离事故现场。在传统的侧方位拖牵作业过程中，将被拖车前轮与道路救援装备托臂进行对准这一操作，其效率主要依赖于驾驶员技术经验等人为因素，通常需要多次反复倒车进行位置修正，作业耗时过长，救援效率低下。
针对道路救援装备的结构以及侧方位拖牵作业的工作特点和难点，本发明提出了一种既具有良好实时性，又具有较强环境自适应能力和抗干扰能力的道路救援装备侧方位拖牵诱导方法(总流程见图1)。此外，在本发明中，定义整体图像坐标系为：其坐标原点与采集到的原始图像的左上角顶点一致，横轴沿图像水平向右，纵轴沿图像垂直向下；如不特别说明，文中涉及到的图像点的纵、横坐标值均为相对于该整体图像坐标系的数值。该方法主要包括下面几个大步：
(1)确定车轮待检测区域
在道路救援装备尾部折臂上离地面40～60厘米处的中间位置上安装车载摄像头，摄像头水平朝向道路救援装备的正后方，其采集范围为包含道路救援装备摆臂、托臂及被拖车前车轮的后方作业区域，具体形式如附图4所示。对于采集的道路救援装备后方作业区域序列图像的首帧，初始化被拖车的车轮待检测区域O1为整幅图像，参见说明附图5。而对于序列图像中的非首帧图像，若上一帧图像处理过程中成功检测到被拖车车轮，则将被拖车的车轮待检测区域O1更新为上一帧图像中通过卡尔曼滤波预测所设置的车轮待检测区域，参见说明书附图6；否则仍将车轮待检测区域设置为整幅图像。
(2)图像预处理
对于被拖车的车轮，边缘特征是最基本的特征，对于不同的车型，车轮的边缘轮廓均为椭圆形，因此要找到车轮中心位置，只需要确定车轮边缘对应的中心位置即可。为了节省内存资源、提高算法的实时性，在进行以下图像处理工作之前先将彩色图像转成灰度图像。而为了得到理想的车轮边缘，在进行边缘检测前，对车轮待检测区域灰度图像采用7×7邻域高斯平滑滤波，只对图像细节进行模糊，更好地保留原始图像的全局特征。
边缘检测算法有很多种，如Roberts梯度法、Sobel算法和Laplacian算法等，这些算法的主要区别在于所用的梯度算子不同。为了保证该诱导方法的实时性，本发明采用快速、实用并具有一定噪声抑制能力的索贝尔(Sobel)梯度算子，相应地，在图像点(x,y)处的梯度幅度计算公式为：
式中，f(x,y)为图像灰度值函数；Gx(x,y)、Gy(x,y)分别为图像点(x,y)处沿x方向和沿y方向的灰度梯度；为图像点(x,y)处的梯度幅度。
为进行后续的梯度方向直方图统计，还要计算各图像点的梯度方向
为了便于接下来的图像处理工作，还需根据边缘检测的幅度大小对图像进行二值化处理，为保证二值图像中车轮边缘的完整性，本发明中二值化处理的阈值在60～100内取值，可得到车轮待检测区域边缘二值图O2，参见说明书附图7，并把二值图像中所有的非零图像点存储在边缘点集A中，以便进行图像点聚类。二值化后的图像比灰度图像存储容量更小，计算速度更快，也更容易反映车轮边缘信息。
(3)边缘图像点聚类
道路救援装备在实施侧方位拖牵作业时，被拖车辆的侧面一般为无遮挡情况，边缘检测所得到的车轮边缘很完整，而且二值化处理选择的阈值很小，二值图像中车轮边缘几乎无损坏，因此可根据边缘的连续性特征来对点集A中的图像点进行聚类，进而得到与二值图像中边缘轮廓相对应的边缘图像点集Bn，n＝1,2,3…,N，其中n为点集Bn的序号，N为n的最大值，图像点聚类的具体步骤为：
(3.1)初始化n＝1；
(3.2)按照点集A中边缘图像点横纵坐标依次递增的顺序，选取点集A中的一点，存储在点集Bn中，并在内存中开辟相应区域存储点集Bn中图像点对应的梯度方向，然后在该点的3×3邻域内搜索非零图像点，若搜索到，则将搜索到的点归类并存储在点集Bn中，其对应梯度方向存储在新分配的内存中，进入步骤(3.3)；若搜索不到，则该点是离散点，将其归类为干扰点并从点集A中删除，重新开始步骤(3.2)；
(3.3)在搜索到的新点的3×3邻域内继续搜索非零图像点，若搜索到新的非零图像点，则将搜索到的新点存储在Bn中，其对应梯度方向存储在新分配的内存中，并重复此步骤(3.3)；若没有搜索到新的非零图像点，则转入步骤(3.4)；
(3.4)此次搜索新点的过程结束，对点集A进行更新，将已经进行过聚类的点从点集A中删除；
(3.5)判断更新后的点集A是否为空，若否，则将n的值增1，重新返回上述步骤(3.2)；若是，则令n＝N，并结束图像点聚类过程。
(4)建立梯度方向直方图并计算相关参数
经过对边缘图像点聚类，可得到与二值图像中边缘轮廓相对应的边缘图像点集Bn，n＝1,2,3…,N。为了便于比较各边缘轮廓上图像点的梯度方向规律特点，本发明对各点集建立梯度方向直方图并进行相关统计，进而计算各点集梯度方向直方图中各梯度方向区间所对应的图像点数均方差，以及各点集梯度方向覆盖率，具体步骤为：
(4.1)初始化n＝1；
(4.2)建立边缘图像点集Bn的梯度方向直方图：将整个梯度方向区间0～2π均匀分为12个离散的级别，并定义梯度方向统计直方图函数为其中，为整个梯度方向区间中第j个梯度方向区间的右端点值；为梯度方向统计直方图函数；为边缘图像点集Bn中图像点总数；为边缘图像点集Bn中梯度方向在第j个梯度方向区间内的图像点总数。根据上述梯度方向统计直方图函数的定义，以梯度方向区间的右端点值为横坐标，以为纵坐标，得到边缘点集Bn的梯度方向直方图，参见说明书附图8；
(4.3)利用常规直方图统计方法，确定点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数及图像点梯度方向出现的范围即点集Bn中图像点梯度方向的最大值与最小值的差值；
(4.4)计算点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数平均值 并进一步计算点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数均方差
(4.5)根据边缘图像点集Bn的梯度方向直方图中图像点梯度方向出现的范围，定义并计算边缘图像点集Bn的梯度方向覆盖率
(4.6)若n＜N，则将n的值增1，重新返回上述步骤(4.2)；否则结束建立梯度方向直方图并进行相关计算的过程。
(5)车轮边缘图像点集初精两步筛选
通过边缘图像点聚类过程，我们仅可去除一些离散噪点，但在得到的一系列边缘点集中，绝大部分为干扰点集，因此，有必要对聚类得到的边缘点集进行筛选。筛选的主要依据是车轮边缘典型的圆形特征，这种圆形特征在边缘点梯度方向上表现为边缘点出现的梯度方向范围极广，接近整个梯度方向区间且均匀分布，而且每个边缘点的梯度方向一般都不一样，几乎不重叠；其次，摄像头安装在道路救援装备的中间位置且水平朝向正后方，拖牵作业过程中，被拖车前轮位于图像中间位置附近，其成像接近于正圆，离心率很小。车轮边缘点集的筛选包括两个步骤：先进行初选确定车轮边缘预选点集，再经过精选得到车轮边缘准确点集。初选过程利用了车轮边缘轮廓图像点集的梯度方向信息，根据边缘图像点集的图像点数，梯度方向直方图中各梯度方向区间所对应的图像点数均方差，及该点集梯度方向覆盖率，将点集Bn中的部分点集归为车轮边缘预选点集Ck，k＝1,2,3…,K，K≤N，其中k为点集Ck的序号，K为k的最大值；而精选过程则对初选得到的K个预选点集，通过曲线拟合提取其椭圆特征参数，并根据拟合椭圆的离心率及相匹配的图像点数，确定其中的车轮边缘准确点集D。具体筛选时，可按照下面两个过程先后进行初选和精选。
确定车轮边缘预选点集的初选过程：根据边缘图像点集的图像点数，梯度方向直方图中各梯度方向区间所对应的图像点数均方差，及该点集梯度方向覆盖率，将点集Bn中的部分点集归为车轮边缘预选点集Ck，具体步骤为：
(5.1)初始化n＝1，k＝0；
(5.2)若图像点集Bn满足则进入步骤(5.3)；否则判定该点集为干扰点集并舍弃，进入步骤(5.4)。该步骤的判别条件中，为点集Bn的图像点总数；Mth为图像点总数阈值，为了保证在下述精选过程中能够对点集Bn采用最小二乘法进行椭圆拟合，点集Bn中的图像点数不应少于6，故该阈值其中为得到的所有边缘点集Bn中图像点总数的平均值，即
(5.3)点集Bn满足且则将k值增1，并将点集Bn归为车轮边缘预选点集Ck；否则认为该点集为干扰点集并舍弃。该步骤的判别条件中，为点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数均方差；σth为点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数均方差阈值，该阈值在5～10内取值；为点集Bn的梯度方向覆盖率；pth为点集的梯度方向覆盖率阈值，该阈值在0.6～0.8内取值；
(5.4)若n＜N，则将n的值增1，并重新返回上述步骤(5.2)；否则令K＝k，进入步骤(5.5)；
(5.5)若K≠0，则对得到的K个车轮边缘预选点集，进行下述精选过程；否则返回步骤(1)确定车轮待检测区域。
确定车轮边缘准确点集的精选过程：对初选得到的K个车轮边缘预选点集，通过曲线拟合提取其椭圆特征参数，并根据拟合椭圆的离心率与匹配点数，确定车轮边缘准确点集D，具体步骤为：
(5.6)初始化k＝1；
(5.7)对车轮边缘预选点集Ck，采用最小二乘法进行椭圆拟合，确定该点集拟合所得椭圆的一般方程提取该椭圆的几何特征参数：椭圆中心坐标长轴短轴以及倾斜角并计算其椭圆离心率 若则进入步骤(5.8)，否则进入步骤(6.0)。该步骤的判别条件中，为椭圆离心率；eth为椭圆离心率阈值，该阈值在0.2～0.6内取值；
(5.8)统计车轮边缘预选点集Ck中与其拟合椭圆相匹配的图像点数初始化为0，按照图像点横纵坐标依次递增的顺序遍历点集Ck中的图像点，若满足则认为该点集中的图像点与点集Ck拟合椭圆相匹配，并将值增1；否则认为该点与点集Ck拟合椭圆不匹配，值保持不变。该步骤的判别条件中，x和y分别为二值图像O2中的图像点的横、纵坐标；和分别为车轮边缘预选点集Ck拟合椭圆的中心横、纵坐标；为拟合椭圆的长轴；为拟合椭圆的短轴；为拟合椭圆的倾斜角；S为二值图像O2中的图像点与拟合椭圆匹配关系判别阈值，该阈值在0.1～0.2内取值；
(5.9)确定车轮边缘准确点集D：若车轮边缘预选点集Ck满足则确定该车轮边缘预选点集Ck为车轮边缘准确点集D，进而确定点集D的拟合椭圆特征参数：椭圆的中心坐标(xD,yD)，长轴aD，短轴bD以及倾斜角θD，即 并将该拟合椭圆作为车轮边缘，参见说明书附图9，将该拟合椭圆的中心坐标(xD,yD)作为车轮中心坐标(x0,y0)，即x0＝xD，y0＝yD，直接进入步骤(6)拖牵诱导；否则认为该点集是干扰点集，进入步骤(6.0)。该步骤的判别条件中，为车轮边缘预选点集Ck中与其拟合椭圆相匹配的边缘图像点数；sth为车轮边缘预选点集Ck中与其拟合椭圆相匹配的图像点数阈值， 为车轮边缘预选点集Ck的图像点总数。对于不同车型及不同时刻的车轮边缘，应该有不同的匹配图像点数阈值sth，该自适应阈值有效提高了本发明所提出的诱导方法的环境适应力；
(6.0)若k＜K，则将k的值增1，并重新返回上述步骤(5.7)，否则结束精选过程，返回步骤(1)确定车轮待检测区域。
上述精选算法的两点补充说明：①椭圆特征参数的提取方法有很多，但是目前主流方法主要是曲线拟合法和Hough变换法，Hough变换法需要消耗大量的时间和内存，而曲线拟合执行速度快且效果好，因此本发明中选择简单直观且能达到较高拟合精度的最小二乘拟合法提取车轮边缘椭圆特征参数；②利用最小二乘法进行椭圆拟合，由于利用的图像点数较少，因此具有很大的误检率，本发明中通过统计与拟合椭圆相匹配的图像点数，并设置自适应匹配点数阈值进行筛选，可以去除大部分误检椭圆。
(6)拖牵诱导
利用步骤(5)车轮边缘图像点集初精两步筛选中已确定的车轮中心坐标(x0,y0)，在图像中被拖车的前轮处设置车轮示廓线，参见说明书附图10，并通过可视化界面显示输出。由于车载摄像头安装于道路救援装备折臂上中间固定位置处，且水平朝向道路救援装备正后方，而驾驶员始终面向正前方，因而摄像头所输出画面视角相对于驾驶员固定不变，且道路救援装备两托臂在图像中的位置也相对不变。从而在拖牵作业的过程中，可根据图像中所显示的被拖车前轮与对应侧托臂的相对位置关系，实时给出方向提示，诱导驾驶员进行倒车作业：若图像中被拖车前轮中心在对应托臂中心的左侧，则提示驾驶员向右倒；若图像中被拖车前轮中心在对应托臂中心的右侧，则提示驾驶员向左倒，从而完成被拖车待对准侧前轮与对应侧托臂的对准，进而对被拖车进行抱胎固定，将其牵拉拖离。
(7)采用卡尔曼滤波进行预测
为了进一步提高所提出诱导方法的实时性，本发明采用卡尔曼滤波器的预测功能对下一帧图像中的车轮位置进行预测。考虑到道路救援装备的运动速度对车轮中心位置预测的影响，本发明利用步骤(5)轮边缘图像点集初精两步筛选确定的车轮中心坐标(x0,y0)，通过卡尔曼滤波预测，跟踪车轮中心在图像坐标系中横轴和纵轴方向上的运动，预测出下一帧图像中车轮的中心坐标缩小下一帧图像中对车轮的搜索区域，不仅可为系统节省大量内存空间，而且有效提高了该诱导方法的实时性和稳定性，具体步骤如下:
(7.1)建立离散化卡尔曼滤波的状态方程： 式中，i为离散化时刻，即当前帧图像所对应的时刻；X为系统状态向量，分别为通过卡尔曼滤波预测所得的车轮中心横、纵坐标，vx和vy分别为车轮中心在图像坐标系横轴及纵轴方向上的运动速度；上角标′表示对矩阵转置，W(i)为零均值的系统高斯白噪声向量且W(i)＝[w1 w2 w3 w4]′，其中w1、w2、w3、w4分别表示四个系统高斯白噪声分量，W(i)对应的系统噪声协方差阵为Q(i)，其中分别为系统高斯白噪声w1、w2、w3、w4对应的方差；状态转移矩阵这是因为道路救援装备在侧方位拖牵作业的过程中，倒车速度很慢，在两帧图像的时间间隔T内可以认为是匀速行驶，因此车轮中心在图像中运动的轨迹投影在时间间隔T内的速度均可看作常量。
(7.2)建立离散化卡尔曼滤波的观测方程：Z(i)＝H(i)X(i)+V(i)，式中，Z为观测向量，H为观测阵，V表示与W互不相关的零均值观测白噪声向量，设置 其中，x0(i)、y0(i)分别表示由步骤(5)中确定的车轮中心坐标(x0,y0)，x0(i)＝x0，y0(i)＝y0；表示车轮中心横坐标的观测噪声且是均值为0、方差为的高斯白噪声；表示车轮中心纵坐标的观测噪声且是均值为0、方差为的高斯白噪声；V对应的观测噪声方差阵R表示为
(7.3)对上述所描述的系统状态方程和观测方程，运用卡尔曼滤波理论，建立标准递推过程，该递推过程包括时间更新和测量更新，下面递推过程的前两步为时间更新，剩余的三步为测量更新：
时间更新：
状态一步预测方程：
一步预测误差方差阵：
测量更新：
滤波增益矩阵：K(i+1)＝P(i+1,i)H′(i)[H(i)P(i+1,i)H′(i)+R(i)]-1
状态估计：
估计误差方差阵：P(i+1)＝[I-K(i+1)H(i)]P(i+1,i)
其中，为状态一步预测结果；P(i+1,i)一步预测误差方差矩阵；K(i+1)滤波增益矩阵；状态估计所得的系统状态量；P(i+1)估计误差方差矩阵；为的转置；H′(i)为H(i)的转置；I为单位矩阵，经过上述递推计算，实时预测出下一帧图像中车轮中心坐标
(7.4)设置下一帧图像的车轮待检测区域：若以上述卡尔曼滤波预测所得的车轮中心为中心，边长为车轮边缘准确点集D拟合椭圆长轴aD的二倍的正方形区域不超出原始采集图像边界，则设置车轮待检测区域为该正方形区域；否则设置车轮待检测区域为该正方形与原始采集图像重叠的区域。
经过上述步骤，本发明提出的方法能够实现道路救援装备侧方位拖牵作业过程中的实时诱导，有效提高了道路救援装备救援效率。
Claims (8)
1.一种基于车轮识别的道路救援装备侧方位拖牵诱导方法，其特征在于，该方法包括如下步骤：
(1)采集作业区域图像并确定车轮待检测区域；
(2)对车轮待检测区域图像预处理；
(3)对预处理后的图像进行边缘图像点聚类以得到车轮边缘图像点集；
(4)建立梯度方向直方图并计算相关参数；
(5)对车轮边缘图像点集进行筛选确定车轮中心坐标；
(6)根据确定的车轮中心坐标进行拖牵诱导；
(7)预测出下一帧图像中车轮的中心坐标。
2.根据权利要求1所述的一种基于车轮识别的道路救援装备侧方位拖牵诱导方法，其特征在于，在步骤(1)中，采集作业区域图像并确定车轮待检测区域方法如下：在道路救援装备尾部折臂上安装车载摄像头，采集范围为包含道路救援装备摆臂、托臂及被拖车前车轮的后方作业区域，对于采集的道路救援装备后方作业区域序列图像的首帧，初始化被拖车的车轮待检测区域O1为整幅图像；而对于序列图像中的非首帧图像，若上一帧图像处理过程中成功检测到被拖车车轮，则将被拖车的车轮待检测区域O1更新为上一帧图像中通过卡尔曼滤波预测所设置的车轮待检测区域；否则仍将车轮待检测区域设置为整幅图像。
3.根据权利要求2所述的一种基于车轮识别的道路救援装备侧方位拖牵诱导方法，其特征在于，在步骤(2)中，图像预处理方法如下：先将采集的彩色图像转成灰度图像，然后对车轮待检测区域灰度图像进行高斯平滑滤波，在此基础上进行边缘检测，并且根据边缘检测的幅度大小对图像进行二值化处理，得到车轮待检测区域边缘二值图O2，把二值图像中所有的非零图像点存储在边缘点集A中。
4.根据权利要求3所述的一种基于车轮识别的道路救援装备侧方位拖牵诱导方法，其特征在于，在步骤(3)中，边缘图像点聚类方法如下：对点集A中的图像点进行聚类，进而得到与二值图像中边缘轮廓相对应的边缘图像点集Bn，n＝1,2,3…,N，其中n为点集Bn的序号，N为n的最大值，图像点聚类步骤为：
(3.1)初始化n＝1；
(3.2)按照点集A中边缘图像点横纵坐标依次递增的顺序，选取点集A中的一点，存储在点集Bn中，并在内存中开辟相应区域存储点集Bn中图像点对应的梯度方向，然后在该点的3×3邻域内搜索非零图像点，若搜索到，则将搜索到的点归类并存储在点集Bn中，其对应梯度方向存储在新分配的内存中，进入步骤(3.3)；若搜索不到，则该点是离散点，将其归类为干扰点并从点集A中删除，重新开始步骤(3.2)；
(3.3)在搜索到的新点的3×3邻域内继续搜索非零图像点，若搜索到新的非零图像点，则将搜索到的新点存储在Bn中，其对应梯度方向存储在新分配的内存中，并重复此步骤(3.3)；若没有搜索到新的非零图像点，则转入步骤(3.4)；
(3.4)此次搜索新点的过程结束，对点集A进行更新，将已经进行过聚类的点从点集A中删除；
(3.5)判断更新后的点集A是否为空，若否，则将n的值增1，重新返回上述步骤(3.2)；若是，则令n＝N，并结束图像点聚类过程。
5.根据权利要求4所述的一种基于车轮识别的道路救援装备侧方位拖牵诱导方法，其特征在于，在步骤(4)中，建立梯度方向直方图并计算相关参数方法如下：经过对边缘图像点聚类，可得到与二值图像中边缘轮廓相对应的边缘图像点集Bn，n＝1,2,3,…,N，对各点集建立梯度方向直方图并进行相关统计，进而计算各点集梯度方向直方图中各梯度方向区间所对应的图像点数均方差，以及各点集梯度方向覆盖率，其方法为：
(4.1)初始化n＝1；
(4.2)建立边缘图像点集Bn的梯度方向直方图：将整个梯度方向区间0～2π均匀分为12个离散的级别，并定义梯度方向统计直方图函数为其中，为整个梯度方向区间中第j个梯度方向区间的右端点值；为梯度方向统计直方图函数；为边缘图像点集Bn中图像点总数；为边缘图像点集Bn中梯度方向在第j个梯度方向区间内的图像点总数，根据上述梯度方向统计直方图函数的定义，以梯度方向区间的右端点值为横坐标，以为纵坐标，得到边缘点集Bn的梯度方向直方图；
(4.3)利用常规直方图统计方法，确定点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数及图像点梯度方向出现的范围即点集Bn中图像点梯度方向的最大值与最小值的差值；
(4.4)计算点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数平均值 并进一步计算点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数均方差
(4.5)根据边缘图像点集Bn的梯度方向直方图中图像点梯度方向出现的范围，定义并计算边缘图像点集Bn的梯度方向覆盖率
(4.6)若n＜N，则将n的值增1，重新返回上述步骤(4.2)；否则结束建立梯度方向直方图并进行相关计算的过程。
6.根据权利要求5所述的一种基于车轮识别的道路救援装备侧方位拖牵诱导方法，其特征在于，在步骤(5)中，对车轮边缘图像点集进行筛选方法如下：
车确定车轮边缘预选点集的初选过程：根据边缘图像点集的图像点数，梯度方向直方图中各梯度方向区间所对应的图像点数均方差，及该点集梯度方向覆盖率，将点集Bn中的部分点集归为车轮边缘预选点集Ck，具体步骤为：
(5.1)初始化n＝1，k＝0；
(5.2)若图像点集Bn满足则进入步骤(5.3)；否则判定该点集为干扰点集并舍弃，进入步骤(5.4)，该步骤的判别条件中，为点集Bn的图像点总数；Mth为图像点总数阈值，为了保证在下述精选过程中能够对点集Bn采用最小二乘法进行椭圆拟合，点集Bn中的图像点数不应少于6，故该阈值其中为得到的所有边缘点集Bn中图像点总数的平均值，即
(5.3)点集Bn满足且则将k值增1，并将点集Bn归为车轮边缘预选点集Ck；否则认为该点集为干扰点集并舍弃，该步骤的判别条件中，为点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数均方差；σth为点集Bn梯度方向直方图中各梯度方向区间所对应的图像点数均方差阈值，该阈值在5～10内取值；为点集Bn的梯度方向覆盖率；pth为点集的梯度方向覆盖率阈值，该阈值在0.6～0.8内取值；
(5.4)若n＜N，则将n的值增1，并重新返回上述步骤(5.2)；否则令K＝k，进入步骤(5.5)；
(5.5)若K≠0，则对得到的K个车轮边缘预选点集，进行下述精选过程；否则返回步骤(1)确定车轮待检测区域；
确定车轮边缘准确点集的精选过程：对初选得到的K个车轮边缘预选点集，通过曲线拟合提取其椭圆特征参数，并根据拟合椭圆的离心率与匹配点数，确定车轮边缘准确点集D，具体步骤为：
(5.6)初始化k＝1；
(5.7)对车轮边缘预选点集Ck，采用最小二乘法进行椭圆拟合，确定该点集拟合所得椭圆的一般方程提取该椭圆的几何特征参数：椭圆中心坐标长轴短轴以及倾斜角并计算其椭圆离心率 若则进入步骤(5.8)，否则进入步骤(6.0)；该步骤的判别条件中，为椭圆离心率；eth为椭圆离心率阈值，该阈值在0.2～0.6内取值；
(5.8)统计车轮边缘预选点集Ck中与其拟合椭圆相匹配的图像点数初始化为0，按照图像点横纵坐标依次递增的顺序遍历点集Ck中的图像点，若满足则认为该点集中的图像点与点集Ck拟合椭圆相匹配，并将值增1；否则认为该点与点集Ck拟合椭圆不匹配，值保持不变，该步骤的判别条件中，x和y分别为二值图像O2中的图像点的横、纵坐标；和分别为车轮边缘预选点集Ck拟合椭圆的中心横、纵坐标；为拟合椭圆的长轴；为拟合椭圆的短轴；为拟合椭圆的倾斜角；S为二值图像O2中的图像点与拟合椭圆匹配关系判别阈值；
(5.9)确定车轮边缘准确点集D：若车轮边缘预选点集Ck满足则确定该车轮边缘预选点集Ck为车轮边缘准确点集D，进而确定点集D的拟合椭圆特征参数：椭圆的中心坐标(xD,yD)，长轴aD，短轴bD以及倾斜角θD，即 并将该拟合椭圆作为车轮边缘，将该拟合椭圆的中心坐标(xD,yD)作为车轮中心坐标(x0,y0)，即x0＝xD，y0＝yD，直接进入步骤(6)拖牵诱导；否则认为该点集是干扰点集，进入步骤(6.0)；该步骤的判别条件中，为车轮边缘预选点集Ck中与其拟合椭圆相匹配的边缘图像点数；sth为车轮边缘预选点集Ck中与其拟合椭圆相匹配的图像点数阈值， 为车轮边缘预选点集Ck的图像点总数，对于不同车型及不同时刻的车轮边缘，应该有不同的匹配图像点数阈值sth；
(6.0)若k＜K，则将k的值增1，并重新返回上述步骤(5.7)，否则结束精选过程，返回步骤(1)确定车轮待检测区域。
7.根据权利要求6所述的一种基于车轮识别的道路救援装备侧方位拖牵诱导方法，其特征在于，在步骤(6)中，拖牵诱导方法如下：利用步骤(5)车轮边缘图像点集初精两步筛选中已确定的车轮中心坐标(x0,y0)，根据图像中所显示的被拖车前轮与对应侧托臂的相对位置关系，实时给出方向提示，诱导驾驶员进行倒车作业：若图像中被拖车前轮中心在对应托臂中心的左侧，则提示驾驶员向右倒；若图像中被拖车前轮中心在对应托臂中心的右侧，则提示驾驶员向左倒，从而完成被拖车待对准侧前轮与对应侧托臂的对准，进而对被拖车进行抱胎固定，将其牵拉拖离。
8.根据权利要求1所述的一种基于车轮识别的道路救援装备侧方位拖牵诱导方法，其特征在于，在步骤(7)中，采用卡尔曼滤波进行预测方法如下：利用步骤(5)中轮边缘图像点集初精两步筛选确定的车轮中心坐标(x0,y0)，通过卡尔曼滤波预测，跟踪车轮中心在图像坐标系中横轴和纵轴方向上的运动，预测出下一帧图像中车轮的中心坐标缩小下一帧图像中对车轮的搜索区域，其方法如下：
(7.1)建立离散化卡尔曼滤波的状态方程： 式中，i为离散化时刻，即当前帧图像所对应的时刻；X为系统状态向量，分别为通过卡尔曼滤波预测所得的车轮中心横、纵坐标，vx和vy分别为车轮中心在图像坐标系横轴及纵轴方向上的运动速度；上角标′表示对矩阵转置，W(i)为零均值的系统高斯白噪声向量且W(i)＝[w1 w2 w3 w4]′，其中w1、w2、w3、w4分别表示四个系统高斯白噪声分量，W(i)对应的系统噪声协方差阵为Q(i)，其中分别为系统高斯白噪声w1、w2、w3、w4对应的方差；状态转移矩阵T是两帧图像的时间间隔；
(7.2)建立离散化卡尔曼滤波的观测方程：Z(i)＝H(i)X(i)+V(i)，式中，Z为观测向量，H为观测阵，V表示与W互不相关的零均值观测白噪声向量，设置 其中，x0(i)、y0(i)分别表示由步骤(5)中确定的车轮中心坐标(x0,y0)，x0(i)＝x0，y0(i)＝y0；表示车轮中心横坐标的观测噪声且是均值为0、方差为的高斯白噪声；表示车轮中心纵坐标的观测噪声且是均值为0、方差为的高斯白噪声；V对应的观测噪声方差阵R表示为
(7.3)对上述所描述的系统状态方程和观测方程，运用卡尔曼滤波理论，建立标准递推过程，该递推过程包括时间更新和测量更新，下面递推过程的前两步为时间更新，剩余的三步为测量更新：
时间更新：
状态一步预测方程：
一步预测误差方差阵：
测量更新：
滤波增益矩阵：K(i+1)＝P(i+1,i)H′(i)[H(i)P(i+1,i)H′(i)+R(i)]-1
状态估计：
估计误差方差阵：P(i+1)＝[I-K(i+1)H(i)]P(i+1,i)
其中，为状态一步预测结果；P(i+1,i)一步预测误差方差矩阵；K(i+1)滤波增益矩阵；状态估计所得的系统状态量；P(i+1)估计误差方差矩阵；为的转置；H′(i)为H(i)的转置；I为单位矩阵，经过上述递推计算，实时预测出下一帧图像中车轮中心坐标
(7.4)设置下一帧图像的车轮待检测区域：若以上述卡尔曼滤波预测所得的车轮中心为中心，边长为车轮边缘准确点集D拟合椭圆长轴aD的二倍的正方形区域不超出原始采集图像边界，则设置车轮待检测区域为该正方形区域；否则设置车轮待检测区域为该正方形与原始采集图像重叠的区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810915669.1A CN109285169B (zh) | 2018-08-13 | 2018-08-13 | 一种基于车轮识别的道路救援装备侧方位拖牵诱导方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810915669.1A CN109285169B (zh) | 2018-08-13 | 2018-08-13 | 一种基于车轮识别的道路救援装备侧方位拖牵诱导方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109285169A true CN109285169A (zh) | 2019-01-29 |
| CN109285169B CN109285169B (zh) | 2022-08-26 |
Family
ID=65183160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810915669.1A Active CN109285169B (zh) | 2018-08-13 | 2018-08-13 | 一种基于车轮识别的道路救援装备侧方位拖牵诱导方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109285169B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298247A (zh) * | 2019-05-23 | 2019-10-01 | 东南大学 | 一种基于深度学习的道路救援装备正方位拖牵诱导方法 |
| CN110907132A (zh) * | 2019-12-13 | 2020-03-24 | 中国人民解放军军事科学院国防科技创新研究院 | 一种波向探测方法、系统、设备、介质 |
| CN111145184A (zh) * | 2019-06-12 | 2020-05-12 | 东南大学 | 一种基于多尺度特征融合的拖牵过程安全预警方法 |
| CN116092039A (zh) * | 2023-04-10 | 2023-05-09 | 智道网联科技(北京)有限公司 | 自动驾驶仿真系统的显示控制方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1945596A (zh) * | 2006-11-02 | 2007-04-11 | 东南大学 | 用于车道偏离报警的车道线鲁棒识别方法 |
| CN103863170A (zh) * | 2014-04-01 | 2014-06-18 | 徐州重型机械有限公司 | 吊牵救援装置及安装方法 |
| CN207657694U (zh) * | 2017-08-07 | 2018-07-27 | 刘媛 | 一种新型道路救援车 |
-
2018
- 2018-08-13 CN CN201810915669.1A patent/CN109285169B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1945596A (zh) * | 2006-11-02 | 2007-04-11 | 东南大学 | 用于车道偏离报警的车道线鲁棒识别方法 |
| CN103863170A (zh) * | 2014-04-01 | 2014-06-18 | 徐州重型机械有限公司 | 吊牵救援装置及安装方法 |
| CN207657694U (zh) * | 2017-08-07 | 2018-07-27 | 刘媛 | 一种新型道路救援车 |
Non-Patent Citations (1)
| Title |
|---|
| 陈荣章等: "国内汽车道路救援发展模式研究", 《上海汽车》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298247A (zh) * | 2019-05-23 | 2019-10-01 | 东南大学 | 一种基于深度学习的道路救援装备正方位拖牵诱导方法 |
| CN110298247B (zh) * | 2019-05-23 | 2022-04-12 | 东南大学 | 一种基于深度学习的道路救援装备正方位拖牵诱导方法 |
| CN111145184A (zh) * | 2019-06-12 | 2020-05-12 | 东南大学 | 一种基于多尺度特征融合的拖牵过程安全预警方法 |
| CN111145184B (zh) * | 2019-06-12 | 2022-07-29 | 东南大学 | 一种基于多尺度特征融合的拖牵过程安全预警方法 |
| CN110907132A (zh) * | 2019-12-13 | 2020-03-24 | 中国人民解放军军事科学院国防科技创新研究院 | 一种波向探测方法、系统、设备、介质 |
| CN110907132B (zh) * | 2019-12-13 | 2022-06-07 | 中国人民解放军军事科学院国防科技创新研究院 | 一种波向探测方法、系统、设备、介质 |
| CN116092039A (zh) * | 2023-04-10 | 2023-05-09 | 智道网联科技(北京)有限公司 | 自动驾驶仿真系统的显示控制方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109285169B (zh) | 2022-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109285169A (zh) | 一种基于车轮识别的道路救援装备侧方位拖牵诱导方法 | |
| CN101408942B (zh) | 一种复杂背景下的车牌定位方法 | |
| Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
| CN109635656A (zh) | 基于神经网络的车辆属性识别方法、装置、设备及介质 | |
| CN103258213B (zh) | 一种用于智能交通系统中的动态车辆车型识别方法 | |
| CN102509291B (zh) | 基于无线网络视频传感器的公路路面病害检测及识别方法 | |
| CN108537099A (zh) | 一种复杂背景的车牌识别方法 | |
| CN103985182B (zh) | 一种公交客流自动计数方法及自动计数系统 | |
| CN103984949B (zh) | 基于高低帽变换和连通域的车牌定位方法及其系统 | |
| CN104036262B (zh) | 一种lpr车牌筛选识别的方法和系统 | |
| CN103077384A (zh) | 一种车标定位识别的方法与系统 | |
| CN106097308A (zh) | 一种基于机器视觉的新能源电动车辆充电孔检测与定位方法 | |
| CN102419820A (zh) | 一种快速检测视频与图像中汽车车标的方法 | |
| CN105335710A (zh) | 一种基于多级分类器的精细车辆型号识别方法 | |
| CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
| CN104463241A (zh) | 一种智能交通监控系统中的车辆类型识别方法 | |
| CN103914701B (zh) | 一种基于图像的夜间车辆检测方法 | |
| CN101634705B (zh) | 基于方向信息测度的sar图像目标变化检测方法 | |
| CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
| CN104050477A (zh) | 基于道路辅助信息和显著性检测的红外图像车辆检测方法 | |
| CN101246553B (zh) | 一种基于三角剖分变换的车型识别方法 | |
| CN106940784A (zh) | 一种基于视频的公交车检测与识别方法及系统 | |
| CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测系统 | |
| CN103049788B (zh) | 基于计算机视觉的待过行人数目的检测系统及方法 | |
| CN107909047A (zh) | 一种汽车及其应用的车道检测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |