CN110077393A - 一种基于图像视觉的自动泊车车速控制的方法 - Google Patents

Abstract

本发明涉及一种基于图像视觉的自动泊车车速控制的方法，包括通过采集的车辆移动过程中目标车位的实时序列图像计算目标车位的运动轨迹；将目标车位的运动轨迹与泊车路径进行相似性匹配，计算综合评估值；当综合评估值大于等于第一预设阈值时，泊车车速不变，当综合评估值小于第一预设阈值时，则根据车辆的偏向角变化率调整泊车车速；当车辆的偏向角变化率大于等于第二预设阈值时，降低泊车车速，当车辆的偏向角变化率小于第二预设阈值时，提高泊车车速。本发明通过将目标车位的运动轨迹与泊车路径进行相似性匹配，并根据匹配后的综合评估值及车辆的偏向角标化率对泊车车速进行分段标定，提高自动泊车车速控制的平滑度，增强用户的体验感。

Description

一种基于图像视觉的自动泊车车速控制的方法

技术领域

本发明涉及泊车技术领域，特别是涉及一种基于图像视觉的自动泊车车速控制的方法。

背景技术

近年来，随着人工智能技术的快速发展，汽车技术开始朝着智能化方向发展，自动泊车系统是自动驾驶技术L3级别以下的自动驾驶辅助系统，逐渐成为汽车技术研发的一个热点。自动泊车系统通常通过驾驶员按键启动系统后，系统自动控制汽车完成转向、前进和后退等一系列操作，在无需驾驶员干预的情况下，最终实现停车入库的功能。自动泊车系统作为一种辅助驾驶系统，如今已在许多中高档车型中实现了该功能，未来会在其他车型中普及应用，自动泊车系统为广大经验不足的驾驶员解决了停车难的问题，也进一步提高泊车的安全性。

自动泊车系统通常包括停车位检测模块、路径规划模块及车身控制模块。其中，车身控制模块是核心技术之一，直接关系到用户的使用体验问题。目前，泊车入库的车速控制存在着以下几个问题：一、车辆泊车车速慢，常常拥堵交通。泊车路径规划后，在执行过程中由于传感器的计算误差及轮胎摩擦系数的影响往往会出现偏差，因此需要降低车速并使用跟踪控制的方法对车辆的路径进行实时纠正；二、车辆需要进行多次的前进和后退的操作，车速不均匀，用户体验感差。因为前进和后退的过程中，车身传感器会对前后障碍物进行检测，经常出现急停刹车的现象，用户体验感极差。

发明内容

本发明为克服上述现有技术所述的不足，提供一种基于图像视觉的自动泊车车速控制的方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于图像视觉的自动泊车车速控制的方法，包括如下步骤：

采集车辆移动过程中目标车位的实时序列图像，并通过实时序列图像计算目标车位的运动轨迹；

将计算的目标车位的运动轨迹与泊车系统所规划的泊车路径进行相似性匹配，以计算目标车位的运动轨迹与泊车系统所规划的泊车路径的综合评估值；

将综合评估值与第一预设阈值进行比较，当综合评估值大于等于第一预设阈值时，泊车车速不变，当综合评估值小于第一预设阈值时，则根据车辆的偏向角变化率调整泊车车速；

将车辆的偏向角变化率与第二预设阈值进行比较，当车辆的偏向角变化率大于等于第二预设阈值时，则判断车辆处于曲线运动，降低泊车车速，当车辆的偏向角变化率小于第二预设阈值时，则判断车辆处于非曲线运动，提高泊车车速。

进一步的，作为优选技术方案，当综合评估值大于等于第一预设阈值时，泊车系统还根据车辆当前的泊车车速、位置以及车辆偏向角调整车辆运动轨迹至其所规划的泊车路径上。

进一步的，作为优选技术方案，所述目标车位的运动轨迹与泊车系统所规划的泊车路径的综合评估值的计算具体包括：

将目标车位的运动轨迹与泊车系统所规划的泊车路径采用相同的二维坐标进行表示；

计算每一个时刻上对应两个点之间的欧式距离；

对多个计算得到的欧式距离分别进行综合评估，以得到目标车位的运动轨迹与泊车系统所规划的泊车路径的综合评估值。

进一步的，作为优选技术方案，对欧式距离进行综合评估包括：

将每个欧式距离分别与第三预设阈值进行比较，当欧式距离大于等于第三预设阈值时，记为1，当欧式距离小于第三预设阈值时，记为0。

进一步的，作为优选技术方案，所述综合评估值通过以下公式计算：

其中，Eu(R,S)表示综合评估值，R、S分别表示目标车位的运动轨迹和泊车系统所规划的泊车路径，n表示所计算的轨迹R、S上的记录点个数，r_i、s_i分别表示轨迹R、S上的第i个记录点，DS(r_i,s_i)表示r_i和s_i间的欧式距离的综合评估。

进一步的，作为优选技术方案，欧式距离的综合评估通过以下公式确定：

两个点之间的欧式距离通过以下公式计算：

其中，R、S分别表示目标车位的运动轨迹和泊车系统所规划的泊车路径， r_i、s_i分别表示轨迹R、S上的第i个记录点，DS(r_i,s_i)表示r_i和s_i间的欧式距离的综合评估，dist(r_i,s_i)表示r_i和s_i之间的欧式距离，δ表示欧式距离的第三预设阈值，r_i,x、r_i,y、s_i,x、s_i,y分别表示r_i、s_i的x坐标和y坐标。

进一步的，作为优选技术方案，所述第一预设阈值设置为n/2。

其中，n表示所计算的轨迹R、S上的记录点个数。

进一步的，作为优选技术方案，计算目标车位的运动轨迹具体包括：

通过视觉检测模块采集车辆移动过程中目标车位的实时序列图像；

对实时序列图像中SURF特征进行提取匹配，获取最佳匹配特征点；

获取最佳匹配特征点所匹配的运动目标图像的运动轨迹，并通过卡尔曼滤波算法对所述运动轨迹进行估算，生成运动曲线，即目标车位的运动轨迹。

进一步的，作为优选技术方案，最佳匹配特征点的获取包括：

从采集的第一帧图像中获取感兴趣区域，将感兴趣区域存储为模板图像；

分别对实时序列图像的每一帧图像中的感兴趣区域和模板图像进行SURF 特征提取；

采用最大近邻向量匹配方法将感兴趣区域与模板图像的SURF特征进行匹配，以得到最佳匹配特征点；

将以最佳匹配特征点所匹配的运动目标图像作为模板图像。

进一步的，作为优选技术方案，生成运动曲线具体包括：

将最佳匹配特征点通过世界坐标系中的三维坐标表示；

将以世界坐标系中的三维坐标表示的最佳匹配特征点转化为通过计算机坐标系中的二维坐标表示；

通过卡尔曼滤波算法对二维坐标表示的最佳匹配特征点的运动轨迹进行估算，生成运动曲线。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过将目标车位的运动轨迹与泊车系统所规划的泊车路径进行相似性匹配，并根据匹配后的综合评估值及车辆的偏向角标化率对泊车车速进行分段标定，提高自动泊车车速控制的平滑度，增强用户的体验感；同时，通过图像视觉技术也可以增强车辆对泊车过程中的障碍物的检测，提高泊车安全性。

附图说明

图1为本发明方法步骤流程图。

图2为本发明目标车位的运动轨迹的计算方法步骤流程图。

图3为本发明三维坐标转化二维坐标示意图。

图4为本发明卡尔曼滤波算法示意图。

图5为本发明采用二维坐标表示的运动轨迹示意图。

图6为本发明泊车路径规划图。

图7为本发明车辆运动模型。

图8为本发明偏向角与时间关系图。

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的；相同或相似的标号对应相同或相似的部件；附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征更易被本领域技术人员理解，从而对本发明的保护范围作出更为清楚的界定。

实施例1

一种基于图像视觉的自动泊车车速控制的方法，如图1所示，包括如下步骤：

S10.采集车辆移动过程中目标车位的实时序列图像，并通过实时序列图像计算目标车位的运动轨迹.

本步骤如图2所示，具体包括：

S101.通过视觉检测模块采集车辆移动过程中目标车位的实时序列图像。

S102.对实时序列图像中SURF特征进行提取匹配，获取最佳匹配特征点。

本步骤中，最佳匹配特征点的获取具体为：

从采集的第一帧图像中获取感兴趣区域，将感兴趣区域存储为模板图像。

感兴趣区域的确定：在本发明中，由于目标车位的检测可以分为有参照物和无参照物两种方案，而有参照是目标车位旁边有静态物体可以参考，针对泊车场景中一般使用目标车位旁边的车辆为参照物，因此，目标车位的检测区域为目标车位左右两侧的车辆之间的空隙，而将提取的车辆的轮毂作为感兴趣区域进行检测。无参照物是指目标车位旁边无静态物体可以参考，但该方案也可以提取车位线作为标车位的检测区域，而将提取的车位线的某一段或者某一点作为感兴趣区域进行检测。

分别对实时序列图像的每一帧图像中的感兴趣区域和模板图像进行SURF 特征提取。

采用最大近邻向量匹配方法将感兴趣区域与模板图像的SURF特征进行匹配，以得到最佳匹配特征点。

例如：假设P1、P2分别为感兴趣区域和模板图像的SURF特征点集合，计算P1的每一个特征点P1n与P2的各个特征点P2n的欧式距离，得到各个特征点的最小距离值S(S1，S2，...，Sn)，如果最小距离S小于设定的阈值，则P1n与P2n匹配，否则不匹配。

将以最佳匹配特征点所匹配的运动目标图像作为模板图像。

S103.获取最佳匹配特征点所匹配的运动目标图像的运动轨迹，并通过卡尔曼滤波算法对所述运动轨迹进行估算，生成运动曲线，即目标车位的运动轨迹。

本步骤中，生成运动曲线具体包括：

将最佳匹配特征点通过世界坐标系中的三维坐标表示。

将以世界坐标系中的三维坐标表示的最佳匹配特征点转化为通过计算机坐标系中的二维坐标表示。如图3所示，具体为：

以世界坐标系中的三维坐标表示的最佳匹配特征点转化到摄像机坐标系表示；将通过摄像机坐标系表示的摄像机坐标系转化到像平面坐标系表示；将通过像平面坐标系表示的最佳匹配特征点转化到计算机坐标系中的二维坐标表示。

例如：将最佳匹配特征点P在世界坐标系O-XYZ中的三维坐标为P(X,Y,Z)，转化为在摄像机坐标系O_c-X_cY_cZ_c上对应的点坐标为P′(X_c,Y_c,Z_c)，两个坐标系之间可以通过平移、旋转两种线性变换而相互转换，关系式如下所示：

其中，R表示旋转矩阵，t表示两坐标系之间的平移向量。

最佳匹配特征点所匹配运动目标图像通过摄像头的视角变换后，产生了新的在摄像机坐标系O′_c-X′_cY′_cZ′_c，则最佳匹配特征点P对应的点坐标也变换成P″(X′_c,Y′_c,Z′_c)。

把世界坐标系上的最佳匹配特征点P(X,Y,Z)转换成计算机坐标系下的点 p(u,v)，摄像机模型的变换公式如下：

其中，A为摄像机内参数矩阵，包含了6个内参数，R表示旋转矩阵，t表示平移向量，R、t为摄像机外参数。

通过卡尔曼滤波算法对二维坐标表示的最佳匹配特征点的运动轨迹进行估算，生成运动曲线，如图4-5所示。

由于卡尔曼滤波算法属于成熟的技术，因此，申请人在此不再进行赘述。

S20.将计算的目标车位的运动轨迹与泊车系统所规划的泊车路径进行相似性匹配，以计算目标车位的运动轨迹与泊车系统所规划的泊车路径的综合评估值。

本步骤具体为：

将目标车位的运动轨迹与泊车系统所规划的泊车路径采用相同的二维坐标进行表示，如图5-6所示。

计算每一个时刻上对应两个点之间的欧式距离。

对多个计算得到的欧式距离分别进行综合评估，以得到目标车位的运动轨迹与泊车系统所规划的泊车路径的综合评估值。

在本步骤中，对欧式距离进行综合评估包括：

将每个欧式距离分别与第三预设阈值进行比较，当欧式距离大于等于第三预设阈值时，记为1，当欧式距离小于第三预设阈值时，记为0。

综合评估值通过以下公式计算：

其中，Eu(R,S)表示综合评估值，R、S分别表示目标车位的运动轨迹和泊车系统所规划的泊车路径，n表示所计算的轨迹R、S上的记录点个数，r_i、s_i分别表示轨迹R、S上的第i个记录点，DS(r_i,s_i)表示r_i和s_i间的欧式距离的综合评估。

欧式距离的综合评估通过以下公式确定：

两个点之间的欧式距离通过以下公式计算：

其中，R、S分别表示目标车位的运动轨迹和泊车系统所规划的泊车路径， r_i、s_i分别表示轨迹R、S上的第i个记录点，DS(r_i,s_i)表示r_i和s_i间的欧式距离的综合评估，dist(r_i,s_i)表示r_i和s_i之间的欧式距离，δ表示欧式距离的第三预设阈值，r_i,x、r_i,y、s_i,x、s_i,y分别表示r_i、s_i的x坐标和y坐标。

例如，通过卡尔曼滤波算法估算n个最佳匹配特征点的运动轨迹R，将该运动轨迹R与泊车系统所规划的泊车路径S进行相似性度量，以计算n个运动轨迹R 与泊车路径S的综合评估值。

S30.将综合评估值与第一预设阈值进行比较，当综合评估值大于等于第一预设阈值时，泊车车速不变，当综合评估值小于第一预设阈值时，则根据车辆的偏向角变化率调整泊车车速。其中，第一预设阈值设置为n/2；其中，n表示所计算的运动轨迹R和泊车路径S上的记录点个数。

本步骤还包括，当综合评估值大于等于第一预设阈值时，泊车系统还根据车辆当前的泊车车速、位置以及车辆偏向角调整车辆运动轨迹至其所规划的泊车路径上。而车辆的位置由车辆轴距、车辆的偏向角和泊车车速决定。

S40.将车辆的偏向角变化率与第二预设阈值进行比较，当车辆的偏向角变化率大于等于第二预设阈值时，则判断车辆处于曲线运动，降低泊车车速，当车辆的偏向角变化率小于第二预设阈值时，则判断车辆处于非曲线运动，提高泊车车速。

如图7-8所示：

车辆的偏向角变化率通过以下公式计算：

其中，ρ表示偏向角变化率，表示k时刻的偏向角，表示k-1时刻的偏向角。

当偏向角变化率ρ大于或等于第二预设阈值时，说明车辆正处于曲线运动，由于车辆进行曲线运动的时候更容易偏离规划的路径，因此应适当降低泊车车速；当偏向角变化率ρ小于第二预设阈值时，说明车辆正处于非曲线的运动，可以适当提高泊车车速，增强用户体验感；其中，第二预设阈值根据车辆的位置、车辆的偏向角和泊车车速设置。

例如，在垂直泊车场景中，在t1和t2时刻车辆的偏向角变化率大于第二预设阈值，可以在该两段路径中，适当降低泊车车速；在t3和t4时刻车辆的偏向角变化率小于第二预设阈值，应适当提高泊车车速。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于图像视觉的自动泊车车速控制的方法，其特征在于，包括如下步骤：

采集车辆移动过程中目标车位的实时序列图像，并通过实时序列图像计算目标车位的运动轨迹；

将计算的目标车位的运动轨迹与泊车系统所规划的泊车路径进行相似性匹配，以计算目标车位的运动轨迹与泊车系统所规划的泊车路径的综合评估值；

将综合评估值与第一预设阈值进行比较，当综合评估值大于等于第一预设阈值时，泊车车速不变，当综合评估值小于第一预设阈值时，则根据车辆的偏向角变化率调整泊车车速；

将车辆的偏向角变化率与第二预设阈值进行比较，当车辆的偏向角变化率大于等于第二预设阈值时，则判断车辆处于曲线运动，降低泊车车速，当车辆的偏向角变化率小于第二预设阈值时，则判断车辆处于非曲线运动，提高泊车车速。

2.根据权利要求1所述的基于图像视觉的自动泊车车速控制的方法，其特征在于，当综合评估值大于等于第一预设阈值时，泊车系统还根据车辆当前的泊车车速、位置以及车辆偏向角调整车辆运动轨迹至其所规划的泊车路径上。

3.根据权利要求1所述的基于图像视觉的自动泊车车速控制的方法，其特征在于，所述目标车位的运动轨迹与泊车系统所规划的泊车路径的综合评估值的计算具体包括：

将目标车位的运动轨迹与泊车系统所规划的泊车路径采用相同的二维坐标进行表示；

计算每一个时刻上对应两个点之间的欧式距离；

对多个计算得到的欧式距离分别进行综合评估，以得到目标车位的运动轨迹与泊车系统所规划的泊车路径的综合评估值。

4.根据权利要求3所述的基于图像视觉的自动泊车车速控制的方法，其特征在于，对欧式距离进行综合评估包括：

将每个欧式距离分别与第三预设阈值进行比较，当欧式距离大于等于第三预设阈值时，记为1，当欧式距离小于第三预设阈值时，记为0。

5.根据权利要求4所述的基于图像视觉的自动泊车车速控制的方法，其特征在于，所述综合评估值通过以下公式计算：

；

其中，表示综合评估值，、分别表示目标车位的运动轨迹和泊车系统所规划的泊车路径，表示所计算的轨迹、上的记录点个数，、分别表示轨迹、上的第个记录点，表示和间的欧式距离的综合评估。

6.根据权利要求5所述的基于图像视觉的自动泊车车速控制的方法，其特征在于，欧式距离的综合评估通过以下公式确定：

；

两个点之间的欧式距离通过以下公式计算：

；

其中，、分别表示目标车位的运动轨迹和泊车系统所规划的泊车路径，、分别表示轨迹、上的第个记录点， 表示和间的欧式距离的综合评估，表示和之间的欧式距离，表示欧式距离的第三预设阈值，、、、分别表示、的坐标和坐标。

7.根据权利要求5所述的基于图像视觉的自动泊车车速控制的方法，其特征在于，所述第一预设阈值设置为；

其中，表示所计算的轨迹、上的记录点个数。

8.根据权利要求1所述的基于图像视觉的自动泊车车速控制的方法，其特征在于，计算目标车位的运动轨迹具体包括：

通过视觉检测模块采集车辆移动过程中目标车位的实时序列图像；

对实时序列图像中SURF特征进行提取匹配，获取最佳匹配特征点；

获取最佳匹配特征点所匹配的运动目标图像的运动轨迹，并通过卡尔曼滤波算法对所述运动轨迹进行估算，生成运动曲线，即目标车位的运动轨迹。

9.根据权利要求8所述的基于图像视觉的自动泊车车速控制的方法，其特征在于，最佳匹配特征点的获取包括：

从采集的第一帧图像中获取感兴趣区域，将感兴趣区域存储为模板图像；

分别对实时序列图像的每一帧图像中的感兴趣区域和模板图像进行SURF特征提取；

采用最大近邻向量匹配方法将感兴趣区域与模板图像的SURF特征进行匹配，以得到最佳匹配特征点；

将以最佳匹配特征点所匹配的运动目标图像作为模板图像。

10.根据权利要求8所述的基于图像视觉的自动泊车车速控制的方法，其特征在于，生成运动曲线具体包括：

将最佳匹配特征点通过世界坐标系中的三维坐标表示；

将以世界坐标系中的三维坐标表示的最佳匹配特征点转化为通过计算机坐标系中的二维坐标表示；

通过卡尔曼滤波算法对二维坐标表示的最佳匹配特征点的运动轨迹进行估算，生成运动曲线。