CN110031829A - 一种基于单目视觉的目标精准测距方法 - Google Patents

Abstract

一种基于单目视觉的目标精准测距方法属于计算机视觉计算领域，主要应用于智能驾驶场景感知中前方车辆目标测距技术中。该方法主要分为相机标定、目标测距关键点选取、目标测距、误差修正四大部分。通过选取合适的测距关键点，结合多种测距算法以及对测距误差进行修正，最终得到目标的精准距离。该方法可以应用在基于视觉计算的很多行业中，如应用于无人驾驶汽车前方车辆目标测距，城市交通车辆检测与行为意图分析，智能机器人目标测距等应用中。本方法较其他视觉测距方法精度更高。

Description

一种基于单目视觉的目标精准测距方法

技术领域：

本发明是一种用于对图像中目标进行精准测距的方法，属于计算机视觉计算领域。

背景技术：

随着人工智能技术的迅速发展，传统汽车行业与信息技术结合，在汽车智能驾驶技术方面的研究取得了长足进步，很多大公司都在此领域投入巨资进行研发，如国外的谷歌、丰田，国内的百度、比亚迪等公司都推出了智能驾驶汽车，且实验结果令人满意。视觉计算主要用计算机来模拟人的视觉功能，也就是把客观事物的图像信息提取、处理并理解，最终用于实际检测、测量和控制。视觉是人类观察世界、认识世界的重要功能手段，人类从外界获得的信息约有75％来自视觉系统，特别是驾驶员驾驶需要的信息90％来自视觉。在目前汽车辅助驾驶所采用的环境感知手段中，视觉传感器比超声、激光雷达等可获得更高、更精确、更丰富的道路结构环境信息，且价格更为低廉。

视觉测距涉及范围广泛，如车辆、行人、树木、马路边缘、交通标志和路面标记等信息。视觉测距最早起源于摄影测量学，是把图像当作检测和传递信息的载体，从图像中获取被测对象的实际距离信息，基于视觉的测距方法通常有单目视觉测距和多目视觉测距两种方式。单目视觉测距技术相对于多目视觉测距技术具有成本低廉、系统安装简单、稳定性好等特点，而且不会出现复杂的图像匹配问题。目前，一般的基于单目视觉的测距方法精度不够，无法满足智能驾驶汽车决策系统对目标高精度测距的需求，因此，寻找一种基于单目视觉的目标精准测距方法是值得研究的。

发明内容：

本发明的目的在于解决采用视觉计算的方式对图像中的目标进行测距的问题，提出了一种基于单目视觉的目标精准测距方法。

为了实现上述目的，本发明采取了如下的技术方案：

步骤1：相机标定；

步骤1-1：打印一张用于相机标定的黑白相间的棋盘格，每个黑白方格的边长为d(d≥25)mm，棋盘格尺寸为m×n(m,n≥3)，把它贴在一个平面上，作为标定物；

步骤1-2：使用需要标定的相机捕获棋盘格图像，要求整张棋盘格在图像内，每个棋盘格边长不能少于10个像素，并且捕获从不同角度拍摄的N(10≤N≤30)张图像；

步骤1-3：打开MATLAB软件中相机标定模块，点击“add images”，然后输入模板的方格大小d mm，选中步骤1-2中获取到的N张图像；

步骤1-4：添加完N张图像之后，选择“calibrate”命令，出现标定结果统计图，点击保存calibration.mat文件，相机标定完成；

步骤1-5：从calibration.mat中取出内参矩阵其中，f_x、f_y分别是相机水平方向和垂直方向相对单位像素的焦距，(u₀,v₀)是光学中心坐标，外参矩阵其中，分别是世界坐标到相机坐标的旋转矩阵、平移矩阵。

步骤2：目标测距关键点选取；

步骤2-1：由已知的目标检测结果得到待测目标的矩形框位置(u v w h)，其中(uv)表示矩形框在图像中左上角顶点的坐标值，(w h)表示矩形框的宽度和高度像素值；

步骤2-2：计算目标测距关键点C的像素坐标

步骤2-3：校验测距关键点坐标合法性，需要满足条件C＝{(x,y)|0＜x＜W,0＜y＜H}，其中W是图像总的像素宽度，H是图像总的像素高度。

步骤3：目标测距；

步骤3-1：选取世界坐标系，世界坐标系的坐标原点在相机正下方的水平路面上，x轴方向为正前方，y轴方向为正左方，z轴方向为正上方，符合右手定则；

步骤3-2：从步骤1中得到相机参数的内参矩阵K和外参矩阵P，从步骤2中得到待测目标的测距关键点C的像素坐标(u₁,v₁)，其中令测距关键点C的世界坐标为(X_w，Y_w，Z_w)，由于所计算的关键点C的世界坐标点位于水平地面上，所以Z_w＝0，最后通过矩阵变换公式计算得到关键点C的相关性未知尺度因子s；

步骤3-3：根据步骤3-2所求的相关性未知尺度因子s，关键点C的像素坐标以及相机参数的内参矩阵K和外参矩阵P，代入公式①，计算出像素坐标C点对应的世界坐标(X₁，Y₁，0)，其中X₁即为待测目标关键点的纵向物理距离值，Y₁即为待测目标关键点的横向物理距离值，记为D₁(X₁，Y₁)；

步骤3-4：由已知的目标检测结果获取到待测目标的矩形框位置(u v w h)，从中取得待测目标的像素宽度w,从步骤2中得到测距关键点C的像素坐标，计算出该点距离像素中心的横向像素距离由相似三角形原理得到公式其中，从步骤1中得到相机内参矩阵K中f_x的值，dx为相机横向像素单位大小，相机焦距f＝f_x·dx，W₁为目标实际物理宽度，X₂,Y₂分别是需要求的目标纵向和横向物理距离，记为D₂(X₂，Y₂)。

步骤4：误差修正；

步骤4-1：对计算结果D₁进行滤波处理，得到新的D₁；

步骤4-2：对D₁，D₂进行卡尔曼滤波处理，得到滤波之后的结果(D_cor1,D_cor2)＝Kalman(D₁,D₂)；

步骤4-3：分配权重并进行滤波处理，得到最终距离值D＝Kalman(0.7D_cor1+0.3D_cor2)。

上述方案需要特别说明的是：

1、步骤1中的相机标定至关重要，决定了目标测距的准确性。

2、步骤2中目标测距关键点的选取是在检测到目标的外接矩形框的基础上选取的，所以需要前期通过目标检测算法得到目标的外接矩形框。

本发明的有益效果是：

本发明通过可行的技术方案，具有以下几点有益效果：

1、解决了通过雷达进行测距易受恶劣天气环境影响而无法准确测距的问题，并且解决了通过雷达进行测距很难将测距目标与图像画面中目标进行匹配的问题。

2、本发明中的测距方法所需要的硬件环境简单，且安装容易、成本低廉、稳定性好、实用性强。

3、本发明中测距的方法相对于传统的视觉测距方法精度更高，且鲁棒性强、稳定性好。

4、可以根据目标测距环境调整部分参数，满足实际应用要求，适应性强；

附图说明：

图1本发明的流程示意图

图2相机标定示例图

图3目标测距关键点选取示例图

图4目标测距原理图

图5目标关键点选取图

图6连续帧图像测量值与真值对比图

具体实施方式：

采用本发明的方法，给出一个非限定性的实例，结合图1进一步对本发明的具体实施过程进行说明。

本发明的实施方式如下：

1、按照步骤1对所使用的相机进行相机标定，得到该相机的内参矩阵：

外参数矩阵：

2、按照步骤2中的说明选取图像中目标的测距关键点，如图5中所示,得到测距关键点像素坐标(390,488)；

3、根据步骤3中的测距过程对选取的目标关键点进行测距，得到测量值D₁＝(16.761826,3.163548)，D₂＝(18.503681,3.618550)(单位：米)；

4、根据步骤4，将得到的两个距离值进行误差修正，输出最终修正过的目标测量值D＝(17.284383,3.300049)(单位：米)；

5、测量值与真值对比如下表：(单位：米)

方向	测量值	真值	误差百分比
				纵向	17.284383	17.253180	0.18
横向	3.300049	3.304029	0.12

6、连续帧图像测试，测量值与真值对比如图6所示。(横轴表示横向距离，纵轴表示纵向距离，单位：米)。

Claims (1)

1.一种基于单目视觉的目标精准测距方法，其特征在于，包括以下步骤：

步骤1：相机标定；

步骤1-1：打印一张用于相机标定的黑白相间的棋盘格，把它贴在一个平面上，作为标定物；

步骤1-2：使用需要标定的相机捕获棋盘格图像，要求整张棋盘格在图像内，每个棋盘格边长不能少于10个像素，并且捕获从不同角度拍摄的N张图像；

步骤1-3：打开MATLAB软件中相机标定模块，点击“add images”，然后输入模板的方格大小d mm，选中步骤1-2中获取到的N张图像；

步骤1-4：添加完N张图像之后，选择“calibrate”命令，出现标定结果统计图，点击保存calibration.mat文件，相机标定完成；

步骤1-5：从calibration.mat中取出内参矩阵其中，f_x、f_y分别是相机水平方向和垂直方向相对单位像素的焦距，(u₀,v₀)是光学中心坐标，外参矩阵其中，分别是世界坐标到相机坐标的旋转矩阵、平移矩阵；

步骤2：目标测距关键点选取；

步骤2-1：由已知的目标检测结果得到待测目标的矩形框位置(u v w h)，其中(u v)表示矩形框在图像中左上角顶点的坐标值，(w h)表示矩形框的宽度和高度像素值；

步骤2-2：计算目标测距关键点C的像素坐标

步骤2-3：校验测距关键点坐标合法性，需要满足条件C＝{(x,y)|0＜x＜W,0＜y＜H}，其中W是图像总的像素宽度，H是图像总的像素高度；

步骤3：目标测距；

步骤3-1：选取世界坐标系，世界坐标系的坐标原点在相机正下方的水平路面上，x轴方向为正前方，y轴方向为正左方，z轴方向为正上方，符合右手定则；

步骤3-2：从步骤1中得到相机参数的内参矩阵K和外参矩阵P，从步骤2中得到待测目标的测距关键点C的像素坐标(u₁,v₁)，其中令测距关键点C的世界坐标为(X_w，Y_w，Z_w)，由于所计算的关键点C的世界坐标点位于水平地面上，所以Z_w＝0，最后通过矩阵变换公式计算得到关键点C的相关性未知尺度因子s；

步骤3-3：根据步骤3-2所求的相关性未知尺度因子s，关键点C的像素坐标以及相机参数的内参矩阵K和外参矩阵P，代入公式①，计算出像素坐标C点对应的世界坐标(X₁，Y₁，0)，其中X₁即为待测目标关键点的纵向物理距离值，Y₁即为待测目标关键点的横向物理距离值，记为D₁(X₁，Y₁)；

步骤3-4：由已知的目标检测结果获取到待测目标的矩形框位置(u v w h)，从中取得待测目标的像素宽度w,从步骤2中得到测距关键点C的像素坐标，计算出该点距离像素中心的横向像素距离由相似三角形原理得到公式其中，从步骤1中得到相机内参矩阵K中f_x的值，dx为相机横向像素单位大小，相机焦距f＝f_x·dx，W₁为目标实际物理宽度，X₂,Y₂分别是需要求的目标纵向和横向物理距离，记为D₂(X₂，Y₂)；

步骤4：误差修正；

步骤4-1：对计算结果D₁进行滤波处理，得到新的D₁；

步骤4-2：对D₁，D₂进行卡尔曼滤波处理，得到滤波之后的结果(D_cor1,D_cor2)＝Kalman(D₁,D₂)；

步骤4-3：分配权重并进行滤波处理，得到最终距离值D＝Kalman(0.7D_cor1+0.3D_cor2)。