CN113132006B - 一种基于图像传感器的移动车辆高精度可见光定位方法 - Google Patents
一种基于图像传感器的移动车辆高精度可见光定位方法 Download PDFInfo
- Publication number
- CN113132006B CN113132006B CN202110442264.2A CN202110442264A CN113132006B CN 113132006 B CN113132006 B CN 113132006B CN 202110442264 A CN202110442264 A CN 202110442264A CN 113132006 B CN113132006 B CN 113132006B
- Authority
- CN
- China
- Prior art keywords
- street lamp
- led street
- lamp light
- light source
- image sensor
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/11—Arrangements specific to free-space transmission, i.e. transmission through air or vacuum
- H04B10/114—Indoor or close-range type systems
- H04B10/116—Visible light communication
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Navigation (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法。发送端为道路两旁的发光二极管(LED)路灯光源,通过自由空间向周围广播携带位置信息的信号。移动车辆上安装互补金属氧化物半导体(CMOS)图像传感器,可接收LED路灯光源发送的信号。为了确保移动车辆和LED路灯光源之间连续可靠的可见光通信,接收端采用一种LED路灯光源追踪方法,实现对LED路灯光源的连续检测。针对路面不平整造成的CMOS图像传感器倾斜的问题,提出一种CMOS图像传感器倾斜角度补偿算法,结合摄影测量学方法,可计算得到CMOS图像传感器与LED路灯光源的几何距离,以估计移动车辆的位置。并采用粒子滤波器算法进一步提高移动车辆的定位精度。本发明提出的方法,充分利用可见光通信可进行照明和通信的特点,成本低,考虑了道路不平整带来的影响,实现了移动车辆厘米级的定位精度,可用于车联网和智能交通系统,以及白天和夜晚移动车辆的高精度定位,具有实用价值。
Description
(一)技术领域
本发明属于可见光通信(Visible-Light-Communication,缩写为VLC)系统中基于图像传感器接收的移动车辆可见光定位方法。
(二)背景技术
作为物联网技术在交通领域的应用,车联网(Internet of Vehicles,缩写为IOV)通过整合先进的电子传感、数据传输、智能控制和交通工程技术,实现对车辆状况和交通状态的实时访问,在增强道路安全性和提高出行效率方面有着重要的意义,是智能交通系统的一个重要组成部分。近年来随着发光二极管(Light Emitting Diode,缩写为LED)交通信号灯、路灯和车灯技术的发展,基于LED的VLC技术由于其具有抗电磁干扰,不易受多径效应影响等特点,能为IOV中车对基础设施和车对车通信提供有效的物理链接。VLC不仅能同时提供照明与通信服务,还能提供定位服务。基于VLC的可见光定位技术(Visible LightPositioning,缩写为VLP)为IOV的车辆定位提供了新的解决方案。
传统的全球定位系统(Global Positioning System,缩写为GPS)由于多径效应和高层建筑物的阻挡影响信号传播,可靠性不足,定位精度通常在10米左右。而基于激光雷达(Light Detection and Ranging,缩写为LiDAR),雷达(Radio Detection and Ranging,缩写为Radar),无线保真(Wireless Fidelity,缩写为WiFi),蓝牙Bluetooth,无线射频识别(Radio Frequency Identification,缩写为RFID),超宽带(Ultra-Wide Bandwidth,缩写为UWB)的车辆定位技术可以提供较好的定位性能,但实施成本高。基于VLC的VLP作为一种新兴的车辆定位技术,可充分利用现有的城市照明设施和车辆照明系统,减少系统的投入成本和市场渗透成本。此外VLP通过VLC链路融合车外交通信息和车内传感信息,可以有效地提高不同驾驶环境下车辆定位精度和可靠性。
基于互补金属氧化物半导体(Complementary Metal Oxide Semiconductor,缩写为CMOS)图像传感器的VLP技术,采用CMOS图像传感器具有空间可分性,可以有效地分离干扰噪声(如太阳光和其他环境光)和LED信源(如室外路灯,交通灯,车辆前灯和尾灯),不仅适用于室内定位,也适用于室外定位。此外,CMOS图像传感器的视场(FOV)更广,可实现的通信距离更远、定位服务范围更广。同时,基于CMOS图像传感器的VLP技术可与信号处理方法相结合,用于行人避让,无人驾驶,辅助驾驶、变道协助和自动泊车等应用。因此,基于CMOS图像传感器的VLP技术在车辆定位领域引起了关注。
采用CMOS图像传感器作为VLC接收端,当CMOS图像传感器工作在卷帘快门模式时,接收到的数据为包含黑白条纹的连续图像,其中黑白条纹中携带了LED发送的可见光信号。但是当移动车辆通过图像传感器接收LED路灯发送信号时,绽放效应会造成黑白条纹失真,导致接收端不能正确恢复LED发送的信号。此外,考虑当路面不平整时,车辆颠簸会导致图像传感器出现倾斜角度,影响到基于图像传感器的VLP的定位准确性。
针对以上的问题,本发明提出一种基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法,该方法需要两个LED路灯光源和一个CMOS图像传感器(如车辆常备行车记录仪或智能手机)。发送端为道路两旁的LED路灯光源,通过自由空间向周围广播携带位置信息的信号。移动车辆上安装CMOS图像传感器,接收LED路灯光源发送的信号。为了确保移动车辆和LED路灯光源之间连续可靠的可见光通信,接收端采用一种LED光源追踪方法,实现对LED光源的连续检测。针对路面不平整造成的CMOS图像传感器倾斜的问题,提出一种CMOS图像传感器倾斜角度补偿算法,结合摄影测量学方法,计算得到CMOS图像传感器与LED路灯光源的几何距离,以估计移动车辆的位置。并采用粒子滤波器算法进一步提高移动车辆的定位精度。本发明提出的方法,成本低,实现简单,考虑了道路不平整带来的影响,实现了移动车辆厘米级的定位精度,可用于车联网和智能交通系统,以及白天和夜晚移动车辆的高精度定位,具有实用价值。
(三)发明内容
本发明提出的一种基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法,成本低,实现简单,考虑了道路不平整带来的影响,可实现白天和夜晚移动车辆的高精度定位。
为了达到上述目的,本发明采用的一种基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法包括以下步骤:
步骤1:道路两旁的LED路灯光源以广播方式发送携带位置信息的OOK调制信号;
步骤2:经过自由空间传输,安装在移动车辆上的CMOS图像传感器接收可见光信号,CMOS图像传感器采用卷帘快门模式工作,接收到的信号为包含黑白条纹的多个LED路灯光源的连续图像,其中黑白条纹携带了LED路灯光源发送的可见光信号;
步骤3:接收端采用LED路灯光源追踪方法,连续检测目标LED路灯光源的轮廓和其在接收图像中的质心坐标,实现对LED路灯光源的连续检测;
步骤4:采用信号处理方法,针对绽放效应导致的黑白条纹失真,采用基于比特长度估计的采样算法,正确恢复出目标LED路灯光源发送的携带位置信息的信号;
步骤5:针对路面不平整造成的CMOS图像传感器倾斜的问题,采用CMOS图像传感器倾斜角度补偿算法,计算移动车辆与目标LED路灯光源之间的横向距离和纵向距离,并结合目标LED路灯光源发送的携带位置信息的信号,估计移动车辆的位置。采用粒子滤波器算法滤除随机噪声,结合CMOS图像传感器倾斜角度补偿算法估计的移动车辆位置,减少定位过程中的随机误差,实现移动车辆的连续高精度定位。
(四)附图说明
图1为本发明的一种基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法的示意图;
图2为本发明的可见光通信接收端LED路灯光源追踪方法的流程图;
图3为本发明的恢复出目标LED路灯光源发送信号的流程图;
图4为本发明的基于比特长度估计的采样算法的流程图;
图5为本发明的基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法的场景图;
图6为本发明的CMOS图像传感器倾斜角度补偿算法和粒子滤波器算法的原理图。
(五)具体实施方式
下面结合附图,对本发明作具体说明。
图1所示,为本发明的一种基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法的示意图。道路两旁的LED路灯位置固定,具有世界坐标(X,Y,Z)。LED路灯光源以OOK调制方式向外广播发送携带位置信息的调制信号,即坐标(X,Y,Z)的调制可见光信号。经过自由空间传输,安装在移动车辆上的CMOS图像传感器接收可见光信号,通过车辆上的中央处理单元(Central Processing Unit,缩写为CPU)进行信号处理。由于采用CMOS图像传感器工作在卷帘快门模式,接收到的信号为包含多个LED路灯光源的连续图像序列,其中黑白条纹携带了LED发送的可见光信号。当车辆运动时,接收端采用LED路灯光源追踪方法,连续检测目标LED路灯光源的轮廓和其在接收图像中的质心坐标。采用信号处理方法,正确恢复出目标LED路灯光源发送的信号,即LED路灯的世界坐标。此外,采用CMOS图像传感器倾斜角度补偿算法,在CMOS图像传感器存在倾斜角度的情况下,计算移动车辆与目标LED路灯光源之间的横向距离和纵向距离,并结合LED路灯光源发送的携带位置信息的信号,实现移动车辆的定位。最后,采用粒子滤波器算法滤除随机噪声,结合CMOS图像传感器倾斜角度补偿定位算法估计的移动车辆位置,减少定位过程中的随机误差,实现移动车辆的连续高精度定位。
图2所示,为本发明的可见光通信接收端LED路灯光源追踪方法的流程图。接收端采用LED路灯光源追踪方法,包括图像二值化、形态学开运算、形态学闭运算、LED路灯光源的轮廓提取和LED路灯光源的质心坐标提取。基于图像传感器的移动车辆高精度可见光定位方法需要两个目标LED路灯光源,因此,对于接收的包含多个LED路灯光源的连续图像序列,首先,将图像灰度化和二值化,以滤除图像中具有较低强度的反射光源。然后,采用形态学开运算,消除残留的其他噪声光源。接着,采用形态学闭运算,提取LED路灯光源的轮廓。最后,通过Canny算子,得到LED路灯光源的轮廓和其在接收图像中的质心坐标。在接收的图像中选择两个图像面积最大,且长宽比满足大于0.8且小于1.2的LED路灯光源作为目标LED路灯光源。
图3所示,为本发明的恢复出目标LED路灯光源发送信号的流程图。为了恢复出目标LED路灯光源发送的信号,采用的信号处理方法,包括图像灰度化,列矩阵选择、低通滤波器平滑、三阶拟合阈值判决和基于比特长度估计的采样算法。首先,通过灰度化去除目标LED路灯光源图像中的色度分量。然后,通过列矩阵选择,选择图像中的某一列所有像素的灰度值,将黑白条纹携带的LED发送的可见光信号转换为灰度值在0-255之间的离散序列。接着,为减轻图像噪声的影响以及减少尖锐脉冲,采用低通滤波器平滑离散的灰度值序列。此外,为了区分出传输信号中的0和1,对离散的灰度值序列采用三阶拟合且将其输出作为阈值,其中,灰度值大于该阈值的判决为1,反之判决为0。这样,将离散灰度值序列转换为二进制数据序列。最后,采用提出的基于比特长度估计的采样算法,克服绽放效应黑白条纹失真带来的采样频率偏差,恢复目标LED路灯光源发送的携带位置信息的信号。
图4所示,为本发明的基于比特长度估计的采样算法的流程图。经过三阶拟合阈值判决后,二进制数据序列包含N个由连续的1或0组成的短序列,其中,短序列的长度表示图像中黑白条纹的宽度。采用基于比特长度估计的采样算法,首先,获得估计的比特长度,记为BL。然后,对于N个短序列,计算第i(i=1,2,…,N)个短序列Si的长度SLi。如果第一个短序列S1为“0 0 0 0 0”,那么它的长度SL1等于5。理想情况下,第i个短序列SLi中的比特数ni等于SLi/BL,它是一个整数。但是,受绽放效应影响引起黑白条纹失真,获得的SLi和BL不准确会导致得到的比特数ni是一个非整数。因此,基于比特长度估计的采样算法利用估计的比特长度BL作为参考,为每个黑白条纹的长度设定了一个动态范围,通过公式(1)计算每个短序列实际包含的比特数ni,得到一个离散的比特序列,由此获得LED路灯光源发送的信号。
图5所示,为本发明的基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法的场景图。世界坐标系为X,Y和Z轴。X轴方向与道路方向平行,Y轴方向与道路方向垂直,Z轴方向与道路平面垂直。其中,四个LED路灯的世界坐标分别是(XL1,YL1,ZL1),(XL2,YL2,ZL2),(XL3,YL3,ZL3),(XL4,YL4,ZL4)。它们在图像中的映射坐标分别为(xL1,yL1),(xL2,yL2),(xL3,yL3),(xL4,yL4)。D1,D2分别为路灯LED1和LED2,路灯LED3和LED4在世界坐标系中的距离。d1,d2分别为路灯LED1和LED2,路灯LED3和LED4在图像坐标系中的距离。图像中心点坐标为(xmid,ymid)。提出的基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法需要两个目标LED路灯光源,根据LED路灯光源追踪方法,图5中前两个路灯LED1和LED2被选择为两个目标LED路灯光源用于车辆定位。
图6所示,为本发明的CMOS图像传感器倾斜角度补偿算法和粒子滤波器算法的原理图。基于摄影测量学方法,三维世界中的坐标点映射到二维图像平面满足一定的几何关系,计算出接收端CMOS图像传感器在世界坐标中的位置。图6(a)和图6(c)分别表明了在世界坐标系YOZ平面中,CMOS图像传感器倾斜了一个正角度α和一个负角度α时的情形。图6(b)和图6(d)分别是图6(a)和图6(c)对应的针孔成像模型。LED1’是世界坐标系中的LED1投射到图像平面对应的点,M是CMOS图像传感器的光心,点O’是图像平面的中心。距离O’M为相机的焦距f。距离CM’为f在Y轴上面的投影。距离l是O’与LED1’在图像坐标系y方向上的距离,距离PC是l在Y轴上面的投影。根据几何原理,车辆的世界坐标(X,Y,Z)可以由下式得到:
其中,D1和d1可表示为:
其中,dx和dy分别为CMOS图像传感器中单个像素的横向和纵向物理距离。
其中,l表示为:
l=E[abs(ymid-yL1) abs(ymid-yL2)] (6)
其中,E[s]表示取s的平均值,abs(s)表示取s的绝对值。
基于车辆体积,可以得到
Z=h (7)
其中h为车辆距离地面的垂直距离,由车辆体积大小决定。
为了进一步提高移动车辆的定位精度,采用了粒子滤波器算法来减少定位过程中的误差。假设车辆作匀速直线运动,车辆的状态为xk=[xp(k) yp(k)]T,xp(k),yp(k)分别为k时刻目标位置在各坐标轴的位置分量。车辆的速度为vk=[vx(k) vy(k)],vx(k),vy(k)是车辆速度在各坐标轴的位置分量。系统的状态方程和观测方程如下:
其中w(k)=[wx(k) wy(k)]T是系统的过程噪声,u(k)=[ux(k) uy(k)]T是系统的观测噪声。T是采样周期,观测值zk由CMOS图像传感器倾斜角度补偿算法计算得到车辆的位置坐标。
2)对于i=1,2,…,N,通过似然函数计算每个粒子的权重。
3)对于i=1,2,…,N,归一化权重。
5)估计k时刻的状态,得到车辆位置的最佳估计。
实施步骤:
步骤1:道路两旁的LED路灯光源以广播方式发送携带位置信息的OOK调制信号;
步骤2:经过自由空间传输,安装在移动车辆上的CMOS图像传感器接收可见光信号,CMOS图像传感器采用卷帘快门模式工作,接收到的信号为包含黑白条纹的多个LED路灯光源的连续图像,其中黑白条纹携带了LED路灯光源发送的可见光信号;
步骤3:接收端采用LED路灯光源追踪方法,如图2所示,包括图像二值化、形态学开运算、形态学闭运算、LED路灯光源的轮廓提取和LED路灯光源的质心坐标提取。基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法需要两个目标LED路灯光源,因此,对于接收的包含多个LED路灯光源的连续图像序列,首先,将图像灰度化和二值化,以滤除图像中具有较低强度的反射光源。然后,采用形态学开运算,消除残留的其他噪声光源。接着,采用形态学闭运算,提取LED路灯光源的轮廓。最后,通过Canny算子,得到LED路灯光源的轮廓和其在接收图像中的质心坐标。在接收的图像中选择两个图像面积最大,且长宽比满足大于0.8且小于1.2的LED路灯光源作为目标LED路灯光源。
步骤4:为了恢复出目标LED路灯光源发送的信号,如图3所示,采用的信号处理方法,包括图像灰度化,列矩阵选择、低通滤波器平滑、三阶拟合阈值判决和基于比特长度估计的采样算法。首先,通过灰度化去除目标LED路灯光源图像中的色度分量。然后,通过列矩阵选择,选择图像中的某一列所有像素的灰度值,将黑白条纹携带的LED发送的可见光信号转换为灰度值在0-255之间的离散序列。接着,采用低通滤波器平滑离散的灰度值序列。此外,为了区分出传输信号中的0和1,对离散的灰度值序列采用三阶拟合且将其输出作为阈值,其中,灰度值大于该阈值的判决为1,反之判决为0。这样,将离散灰度值序列转换为二进制数据序列。最后,提取携带的时钟信息,采用基于比特长度估计的采样算法,恢复出目标LED路灯光源发送的携带位置信息的信号。
步骤5:为了减轻接收端绽放效应黑白条纹失真造成的采样频率偏差影响,采用基于比特长度估计的采样算法如图4所示,基于二进制数据序列估计的比特长度,为每个黑白条纹的长度设定一个动态范围,计算每个黑白条纹内的比特数,得到一个离散的比特序列,获得LED路灯光源发送的信号,可有效解决采样频率偏差的问题,提高通信误码率性能。
步骤6:图5所示为基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法的场景图。目标LED1路灯光源的世界坐标为(XL1,YL1,ZL1),其映射在图像上的坐标为(xLl,yLl);目标LED2路灯光源的世界坐标为(XL2,YL2,ZL2),其映射在图像上的坐标为(xr,yr)。图像中心点坐标为(xmid,ymid)。提出的基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法需要两个目标LED路灯光源,根据LED路灯光源追踪方法,图5中前两个路灯LED1和LED2被选择为两个目标LED路灯光源用于车辆定位。在世界坐标系中,两个路灯LED1和LED2之间的距离D1,同时在图像坐标系中,两个路灯LED1和LED2之间的距离d1。
步骤7:图6所示为CMOS图像传感器倾斜角度补偿算法和粒子滤波器算法的原理图,图6(a)和图6(c)分别表明了在世界坐标系YOZ平面中,CMOS图像传感器倾斜了一个正角度α和一个负角度α时的情形。图6(b)和图6(d)分别是图6(a)和图6(c)对应的针孔成像模型。LED1’是世界坐标系中的LED1投射到图像平面对应的点,M是CMOS图像传感器的光心,点O’是图像平面的中心。距离O’M为相机的焦距f。距离CM’为f在Y轴上面的投影。距离l是O’与LED1’在图像坐标系y方面上的距离,距离PC是l在Y轴上面的投影。在CMOS图像传感器存在倾斜角度的情况下,根据CMOS图像传感器倾斜角度补偿定位算法,基于针孔模型和几何原理,可获得车辆的世界坐标(X,Y,Z)。计算移动车辆与目标LED路灯光源之间的横向距离和纵向距离,并结合目标LED路灯光源发送的携带位置信息的信号,估计移动车辆的位置。为了进一步提高定位精度,减少移动车辆定位过程中的随机误差,结合CMOS图像传感器倾斜角度补偿算法估计的移动车辆位置,利用粒子滤波器算法计算粒子集合的样本均值,获得移动车辆位置的最小方差估计,实现移动车辆的高精度定位。
(六)主要技术优势
本发明基于可见光通信和摄影测量学方法,通过道路两旁具有广泛地理分布的LED路灯光源向周围广播携带位置信息的OOK调制信号。经过自由空间传播,安装在移动车辆上的CMOS图像传感器接收可见光信号。为了确保移动车辆和LED路灯光源之间连续可靠的可见光通信,接收端采用一种LED路灯光源追踪方法,实现对LED路灯光源的连续检测。针对路面不平整造成的CMOS图像传感器倾斜的问题,提出了一种CMOS图像传感器倾斜角度补偿算法,结合摄影测量学方法,可计算得到CMOS图像传感器与LED路灯光源的几何距离,以估计移动车辆的位置。并采用粒子滤波器算法进一步提高移动车辆的定位精度。
本发明的优点是,提出了一种基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法,充分利用可见光通信可进行照明和通信的特点,成本低,考虑了道路不平整带来的影响,实现了移动车辆厘米级的定位精度,可用于车联网和智能交通系统,以及白天和夜晚移动车辆的高精度定位,具有实用价值。
Claims (1)
1.一种基于图像传感器倾斜角度补偿和粒子滤波器的移动车辆高精度可见光定位方法,其特征在于,所述的方法包括以下步骤:
道路两旁的LED路灯光源以广播方式发送携带位置信息的OOK调制信号,经过自由空间传输,安装在移动车辆上的CMOS图像传感器接收可见光信号,CMOS图像传感器采用卷帘快门模式工作;
接收端采用LED路灯光源追踪方法,连续检测目标LED路灯光源的轮廓和其在接收图像中的质心坐标;所述的接收端采用LED路灯光源追踪方法,包括图像二值化、形态学开运算、形态学闭运算、LED路灯光源的轮廓提取和LED路灯光源的质心坐标提取;由于提出的基于图像传感器的移动车辆高精度可见光定位方法,需要两个目标LED路灯光源,因此在接收的图像中选择两个图像面积最大,且长宽比满足大于0.8且小于1.2的LED路灯光源作为目标LED路灯光源;
采用信号处理方法,包括图像灰度化,列矩阵选择、低通滤波器平滑、三阶拟合阈值判决和基于比特长度估计的采样算法,正确恢复出目标LED路灯光源发送的信号;
采用CMOS图像传感器倾斜角度补偿算法,在CMOS图像传感器存在倾斜角度时,计算移动车辆与目标LED路灯光源之间的横向距离和纵向距离,结合LED路灯光源发送的携带位置信息的信号,估计移动车辆的位置;采用粒子滤波器算法滤除随机噪声,结合CMOS图像传感器倾斜角度补偿算法估计的移动车辆位置,减少定位过程中的随机误差,实现移动车辆的高精度定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110442264.2A CN113132006B (zh) | 2021-04-23 | 2021-04-23 | 一种基于图像传感器的移动车辆高精度可见光定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110442264.2A CN113132006B (zh) | 2021-04-23 | 2021-04-23 | 一种基于图像传感器的移动车辆高精度可见光定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113132006A CN113132006A (zh) | 2021-07-16 |
CN113132006B true CN113132006B (zh) | 2022-08-16 |
Family
ID=76779408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110442264.2A Active CN113132006B (zh) | 2021-04-23 | 2021-04-23 | 一种基于图像传感器的移动车辆高精度可见光定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113132006B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097381B (zh) * | 2022-08-26 | 2022-12-09 | 东南大学溧阳研究院 | 一种室内可见光定位校准方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2876493B2 (ja) * | 1991-04-12 | 1999-03-31 | 松下電器産業株式会社 | 車両動態計測方法 |
JP2006300653A (ja) * | 2005-04-19 | 2006-11-02 | Komatsu Ltd | 移動体に搭載される目標位置計測装置 |
JP2010002225A (ja) * | 2008-06-18 | 2010-01-07 | Toshiba Corp | 可視光通信を利用した位置測定装置、位置測定システム、及び位置測定方法 |
KR20120068668A (ko) * | 2010-12-17 | 2012-06-27 | 한국전자통신연구원 | 위치 측정 장치 및 그 방법 |
DE102014219148A1 (de) * | 2014-09-23 | 2016-03-24 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Erstellen eines Bewegungsmodells eines Straßenverkehrsteilnehmers |
CN107430180A (zh) * | 2014-12-10 | 2017-12-01 | 南澳大学 | 基于可见光的室内定位系统 |
JP6547362B2 (ja) * | 2015-03-26 | 2019-07-24 | 日産自動車株式会社 | 自己位置算出装置及び自己位置算出方法 |
WO2017096360A1 (en) * | 2015-12-03 | 2017-06-08 | Osram Sylvania Inc. | Light-based vehicle positioning for mobile transport systems |
CN106572330A (zh) * | 2016-10-26 | 2017-04-19 | 桂林理工大学 | 一种带车牌辅助定位的可见光通信车灯追踪方法 |
CN106646366A (zh) * | 2016-12-05 | 2017-05-10 | 深圳市国华光电科技有限公司 | 基于粒子滤波算法和智能设备的可见光定位方法和系统 |
CN106610490A (zh) * | 2016-12-30 | 2017-05-03 | 北京大学 | 一种基于led和图像传感器的光定位方法、系统和装置 |
WO2019020200A1 (en) * | 2017-07-28 | 2019-01-31 | Fundació Privada I2Cat, Internet I Innovació Digital A Catalunya | METHOD AND APPARATUS FOR ACCURATE REAL-TIME POSITIONING BY VISIBLE LIGHT |
CN107504960B (zh) * | 2017-07-28 | 2019-10-01 | 西安电子科技大学 | 车辆定位方法和系统 |
KR101971370B1 (ko) * | 2017-12-18 | 2019-08-13 | 국민대학교산학협력단 | 광학 카메라 통신을 이용하는 차량 위치 추정 방법 및 장치 |
CN108416798B (zh) * | 2018-03-05 | 2019-07-12 | 山东大学 | 一种基于光流的车辆距离估计方法 |
CN111505577A (zh) * | 2020-04-27 | 2020-08-07 | 湖南大学 | 基于可见光通信的移动车辆定位方法 |
CN111610484B (zh) * | 2020-04-28 | 2023-04-07 | 吉林大学 | 一种基于occ的自动驾驶车辆跟踪定位方法 |
CN111751785B (zh) * | 2020-07-03 | 2022-04-12 | 南京晓庄学院 | 一种隧道环境下车辆可见光定位方法 |
CN112034423B (zh) * | 2020-09-08 | 2023-12-26 | 湖南大学 | 基于led可见光通信的高精度移动车辆定位方法 |
-
2021
- 2021-04-23 CN CN202110442264.2A patent/CN113132006B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113132006A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | EU long-term dataset with multiple sensors for autonomous driving | |
US10696227B2 (en) | Determining a road surface characteristic | |
KR101534056B1 (ko) | 교통 신호 맵핑 및 검출 | |
KR101370215B1 (ko) | 차량용 헤드라이트 어셈블리의 제어 방법 및 그 헤드라이트 어셈블리 | |
KR101377888B1 (ko) | 차량용 헤드라이트 어셈블리의 제어 방법 및 그 헤드라이트 어셈블리 | |
US10634317B2 (en) | Dynamic control of vehicle lamps during maneuvers | |
CN107421506B (zh) | 一种基于室内可见光通信的视觉追踪定位系统和方法 | |
GB2591332A (en) | Foreground extraction using surface fitting | |
CN112040154A (zh) | 用于减少成像光源中的闪烁伪影的系统和方法 | |
US20210211568A1 (en) | Systems and methods for traffic light detection | |
DK201970131A1 (en) | Merging data from multiple lidar devices | |
WO2013128427A1 (en) | System and method for multipurpose traffic detection and characterization | |
US20220308228A1 (en) | System and method for robot localisation in reduced light conditions | |
CN111461048B (zh) | 基于视觉的停车场可行驶区域检测与局部地图构建方法 | |
CN113132006B (zh) | 一种基于图像传感器的移动车辆高精度可见光定位方法 | |
CN112034423B (zh) | 基于led可见光通信的高精度移动车辆定位方法 | |
CN109859235B (zh) | 一种夜间移动车灯跟踪检测系统、方法及设备 | |
He et al. | A deep learning-assisted visible light positioning scheme for vehicles with image sensor | |
Singh et al. | Vehicle positioning based on optical camera communication in V2I environments | |
Wang et al. | [Retracted] Sensor‐Based Environmental Perception Technology for Intelligent Vehicles | |
CN111551181A (zh) | 基于智能手机航位推算以及LiFi识别的室内定位方法 | |
CN103453890A (zh) | 一种基于尾灯检测的夜间车距测量方法 | |
CN105679090A (zh) | 基于智能手机的夜间司机驾驶辅助系统及驾驶辅助方法 | |
US20230098223A1 (en) | Systems and method for lidar grid velocity estimation | |
WO2021232971A1 (zh) | 一种车辆定位方法及装置 |
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 |