CN113888637A - 一种汽车定位方法、系统及计算机可读存储介质 - Google Patents

一种汽车定位方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN113888637A
CN113888637A CN202111159621.0A CN202111159621A CN113888637A CN 113888637 A CN113888637 A CN 113888637A CN 202111159621 A CN202111159621 A CN 202111159621A CN 113888637 A CN113888637 A CN 113888637A
Authority
CN
China
Prior art keywords
point cloud
real
prior
time point
vehicle
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.)
Pending
Application number
CN202111159621.0A
Other languages
English (en)
Inventor
蒋悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202111159621.0A priority Critical patent/CN113888637A/zh
Publication of CN113888637A publication Critical patent/CN113888637A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于蛙跳算法与三维激光点云的汽车定位方法、系统及计算机可读存储介质，包括步骤：S1、对场景中的被测车辆环境进行分割，具体是对被测汽车的三维激光点云进行分割，提取出对被测车辆的实时点云和先验点云；S2、对被测车辆环境进行特征点提取，提取两个场景的特征点；S3、采用蛙跳算法对被测车辆环境的实时点云和先验点云进行配准，得到初始位置；S4、采用ICP算法进行被测车辆环境的实时点云和先验点云的精确配准，得到实时点云相对先验点云地图的转换关系，即为所述汽车在先验点云地图中的位置。本发明能在没有任何先验信息的情况下对数据存在缺失且带有噪声的两片点云数据实现自动配准。

Description

一种汽车定位方法、系统及计算机可读存储介质
技术领域
本发明涉及汽车定位技术领域，特别是基于蛙跳算法与三维激光点云的汽车定位方案。
背景技术
汽车定位技术一直以来都是汽车领域的研究热点。准确定位汽车位置，能够减轻驾驶员对道路的误判，从而减少交通事故，给驾驶人员提供安全保障。经过检索，发现专利申请号202011550860.4，名称为一种无人车定位方法及系统的专利技术提供一种汽车定位方案，但并未提供一个好的匹配方案。激光扫描(Light Detection and Ranging，LiDAR)技术在二十世纪八十年代就已经被用于三维点云数据的获取上，并随着计算机性能的不断提升与坐标测量技术的日益强大，该技术至今仍然蓬勃发展。激光雷达的原理主要是依据探头发射脉冲信号对被测车辆进行照射，根据探头接收到的经过被测车辆表面的反射信号，结合光学方程计算出车辆与激光雷达的直线距离，再结合雷达的方位角和俯仰角即可将被测车辆的空间三维坐标计算出来。在三维激光点云定位中，最关键的就是先验点云地图与汽车实时点云的配准。而经典的ICP配准算法需要有一个较好的初始位置，这是现有方法的短板。
发明内容
本发明针对现有技术的不足，提供一种基于蛙跳算法与三维激光点云的汽车定位方法、系统及计算机可读存储介质，解决现有技术存在的定位精度不高的问题。
为解决上述技术问题，本发明所采用的技术方案如下：
一种汽车定位方法，基于蛙跳算法与三维激光点云，包括以下步骤：
S1、对场景中的被测车辆环境进行分割，具体是对被测汽车的三维激光点云进行分割，提取出对被测车辆的实时点云和先验点云。
S2、对被测车辆环境进行特征点提取，提取两个场景的特征点。
S3、采用蛙跳算法对被测车辆环境的实时点云和先验点云进行配准，得到初始位置；
S4、采用ICP算法进行被测车辆环境的实时点云和先验点云的精确配准，得到实时点云相对先验点云地图的转换关系，即为所述汽车在先验点云地图中的位置。
进一步，所述步骤S1中，是利用聚类算法对场景中的被测车辆环境进行分割，具体实现过程包括：选用社会粒子群优化模糊c均值聚类算法对点云数据类型进行判别，并通过聚类得到清晰的分区边界，完成对被测汽车实时点云的区域分割。
进一步，步骤S3中，采用蛙跳算法对被测车辆环境的实时点云和先验点云进行配准，得到一个较好初始位置。包括：对实时点云和先验点云去中心化后，根据几何物体被刚性旋转过后仍然不会改变物体自身的几何形态这一性质，提出了另一种基于SFLA优化各维度间相关性的点云配准算法。该算法的原理是，首先通过转动矩阵对点云矩阵随机转动，使点云矩阵各维度数据之间的相关性发生变化，并以各维度的相关性的平方和作为目标函数；然后采用蛙跳算法对转动矩阵进行搜索，使得目标函数达到最大，利用搜索出的两个转动矩阵计算刚体旋转矩阵，并采用最小二乘法计算出幺正矩阵对刚体旋转矩阵的方向进行幺正，最后根据被旋转后的源点云与目标点云的协方差矩阵的迹估算出放缩因子，并进一步求解出平移向量。完成实时点云和先验点云的初始配准。
进一步，步骤S4中，采用ICP算法完成被测车辆环境的实时点云和先验点云的精确配准，包括：将步骤S3中完成初始配准后的实时点云和先验点云作为新的源点云与目标点云，采用经典ICP算法对它们完成更进一步的配准，提高配准精度。从而完成对完成被测车辆环境的实时点云和先验点云的精确配准，实现车辆的精确定位。
另一方面，本发明还提供一种基于蛙跳算法与三维激光点云的汽车定位系统，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的车辆定位方法。
另一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的一种基于蛙跳算法与三维激光点云的汽车定位方法。
与现有技术相比，本发明具有以下有益效果：
本发明由于采用了蛙跳算法，将点云配准的数学模型转化为对相关性的优化模型，大大降低了对数据的运算量，从而提升了配准效率，并且ICP算法能够完成精确配准，从而能够对车辆进行实时精确的定位。
本发明能在没有任何先验信息的情况下对数据存在缺失且带有噪声的两片点云数据实现自动配准。
附图说明
图1为本发明的实施方式流程图。
具体实施方式
以下结合附图进一步说明本发明详细的技术实现，本发明的实施方式包括但不限于下列实施方式。
如图1所示，基于蛙跳算法与三维激光点云的汽车定位主要包括初始配准阶段和精确配准阶段，具体过程如下：
1、初始配准阶段
在初始配准阶段，采用聚类算法对三维激光点云进行分割，提取出对被测车辆的实时点云和先验点云，然后采用快速直方图方法提取两个场景的特征点即关键点。
其中根据快速点特征直方图算法(FPFH)对被测车辆环境进行特征点提取，具体过程包括:
先计算出查询点及其k邻域中所有点相互之间三元组的值，并表示为一个SPFH。
然后，按照上述方法对k邻域内所有的其它点分别计算SPFH。
最后，采用加权公式对所有的SPFH进行统计得到最后的FPFH，加权公式
Figure BDA0003289582980000031
式中，ωk是查询点p与其k邻域内第k个近邻点pk之间的欧式距离。
得到以上关键点后，对实时点云和先验点云去中心，即将两个不同坐标系下的点云转换到同一坐标下，为后续处理提供方便。
接着分别对去中心后的实时点云和先验点云沿着任意空间方向进行转动，由于随着点云方向的改变，其各维度的相关性也会随之改变。籍此，构造出目标函数，该目标函数旨在使点云的三个维度间两两之间的相关性达到最大值，由于相关性可能出现负值产生歧义，所以选取相关性的平方和作为目标函数。然而要通过对点云随意的一次转动来满足目标函数的概率相当的低，而蛙跳算法在对目标函数的优化上具有灵活稳定的优势，因此选用蛙跳算法来搜索满足目标函数的转动矩阵。
具体过程如下：
1)随机生成N个初始种群；
2)降N个种群随机分为M组，每组种群有L个种群，即N＝ML；
3)分别随机的对去中心的实时点云和先验点云进行M组旋转，每组旋转L次。
4)寻找每组里的局部最优解、局部最差解，并从M组局部最优解中找出全局最优解。
5)利用全局最优解对局部最差解进行调整。
6)判断目标函数是否达到最优值。是，进行下一步；否，跳转第1)步；
7)输出两个点云各自的最优转动矩阵。
然后，根据最小二乘法计算幺正矩阵对转动矩阵的方向进行幺正。由于相关系数自身存在正负的原因，使得方向矩阵的每一列向量符号存在不确定性，即方向矩阵共有6种情况，但只有其中一种才是我们所需要的，所以根据最小二乘法的原理计算出幺正矩阵对转动矩阵的方向进行幺正。
最后，结合点云的刚体变换原理，可以根据两个转动矩阵计算出刚体旋转矩阵。根据被旋转后的实时点云和先验点云的协方差矩阵的迹估算出放缩因子，并进一步求解平移向量，完成实时点云和先验点云初始配准。
2、精确配准阶段
实时点云和先验点云进行初始配准后，便为经典ICP算法提供了一个非常好的初始位置，于是ICP算法便能很快的完成精确配准。实现对汽车的精确定位。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (7)

1.一种汽车定位方法，其特征在于，包括以下步骤：
S1、对场景中的被测车辆环境进行分割，具体是对被测汽车的三维激光点云进行分割，提取出对被测车辆的实时点云和先验点云；
S2、对被测车辆环境进行特征点提取，提取两个场景的特征点；
S3、采用蛙跳算法对被测车辆环境的实时点云和先验点云进行配准，得到初始位置；
S4、采用ICP算法进行被测车辆环境的实时点云和先验点云的精确配准，得到实时点云相对先验点云地图的转换关系，即为所述汽车在先验点云地图中的位置。
2.根据权利要求1所述的汽车定位方法，其特征在于，所述步骤S1包括：选用聚类算法对点云数据类型进行判别，并通过聚类得到清晰的分区边界，分割出被测车辆的实时点云。
3.根据权利要求1所述的汽车定位方法，其特征在于，所述步骤S2是根据快速点特征直方图算法(FPFH)对被测车辆环境进行特征点提取。
4.根据权利要求3所述的汽车定位方法，其特征在于，所述步骤S2具体包括:计算查询点及其k邻域中所有点相互之间三元组的值，并表示为一个SPFH；对k邻域内所有的其它点分别计算SPFH；采用加权公式对所有的SPFH进行统计得到最后的FPFH，加权公式
Figure FDA0003289582970000011
式中，ωk是查询点p与其k邻域内第k个近邻点pk之间的欧式距离。
5.根据权利要求1所述的汽车定位方法，其特征在于，所述步骤S3包括：
S301对实时点云和先验点云去中心化；
S302随机生成N个初始种群；
S303将N个初始种群随机分为M组，每组种群有L个种群，即N＝ML；
S304分别随机对去中心的实时点云和先验点云进行M组旋转，每组旋转L次；
S305寻找每组里的局部最优解、局部最差解，并从M组局部最优解中找出全局最优解；
S306利用全局最优解对局部最差解进行调整；
S307判断目标函数是否达到最优值，若是，进行下一步；若否，跳转第S32；
S308输出两个点云各自的最优转动矩阵；
S309根据最小二乘法计算幺正矩阵对转动矩阵的方向进行幺正；
S310根据两个转动矩阵计算刚体旋转矩阵，根据被旋转后的实时点云和先验点云的协方差矩阵的迹估算出放缩因子，并进一步求解平移向量，完成实时点云和先验点云初始配准。
6.一种汽车定位系统，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-5任一所述的汽车定位方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机该程序被处理器执行时，实现如权利要求1-5任一所述的汽车定位方法。
CN202111159621.0A 2021-09-30 2021-09-30 一种汽车定位方法、系统及计算机可读存储介质 Pending CN113888637A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111159621.0A CN113888637A (zh) 2021-09-30 2021-09-30 一种汽车定位方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111159621.0A CN113888637A (zh) 2021-09-30 2021-09-30 一种汽车定位方法、系统及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN113888637A true CN113888637A (zh) 2022-01-04

Family

ID=79004653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111159621.0A Pending CN113888637A (zh) 2021-09-30 2021-09-30 一种汽车定位方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113888637A (zh)

Similar Documents

Publication Publication Date Title
Zhang et al. Raddet: Range-azimuth-doppler based radar object detection for dynamic road users
CN111915677B (zh) 一种基于三维点云特征的船舶位姿估计方法
CN111239766B (zh) 基于激光雷达的水面多目标快速识别跟踪方法
CN108062517B (zh) 基于车载激光点云的非结构化道路边界线自动提取方法
CN109544612B (zh) 基于特征点几何表面描述的点云配准方法
CN113506318B (zh) 一种车载边缘场景下的三维目标感知方法
CN113569958B (zh) 激光点云数据聚类方法、装置、设备及介质
CN101833763B (zh) 一种水面倒影图像检测方法
CN111783722B (zh) 一种激光点云的车道线提取方法和电子设备
CN111736167B (zh) 一种获取激光点云密度的方法和装置
CN115390082A (zh) 一种基于虚拟描述符的全局定位方法及其系统
CN115293287A (zh) 一种基于车载雷达的对目标进行聚类的方法、存储器及电子装置
CN113721254B (zh) 一种基于道路指纹空间关联矩阵的车辆定位方法
CN117053779A (zh) 一种基于冗余关键帧去除的紧耦合激光slam方法及装置
Han et al. Accurate and robust vanishing point detection method in unstructured road scenes
CN113888637A (zh) 一种汽车定位方法、系统及计算机可读存储介质
CN113537411B (zh) 一种基于毫米波雷达的改进模糊聚类方法
CN115760898A (zh) 一种混合高斯域下道路抛洒物的世界坐标定位方法
Ren et al. SAR image matching method based on improved SIFT for navigation system
CN114022526A (zh) 一种基于三维形状上下文的sac-ia点云配准方法
Sun et al. Research on target classification method for dense matching point cloud based on improved random forest algorithm
CN116295337A (zh) 面向自动驾驶的机器定位地图生成与机器泛在定位方法
CN114972532B (zh) 激光雷达之间的外参标定方法、装置、设备及存储介质
EP4310789A1 (en) Prediction method for target object, computer device, and storage medium
CN115290102A (zh) 一种基于多元统计信息的大范围场景全局定位方法

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