CN114299462A - 一种基于锚点图像的地下停车场多尺度场景识别方法 - Google Patents

Abstract

本发明只需分为节点式地图构建阶段和多尺度场景识别阶段。首先构建包含前视和仰视视角图像特征的节点式地图。将地下停车场平均切割若干个地图子块，每个地图子块构建一个节点，每个节点包含前视和仰视的图像特征，所构建的节点式地图表征地下停车场。再将数个地图子块拼接成一个区域，在区域中选取一个具有代表性的节点作为锚点节点，该锚点节点的图像特征能有效表征所在的区域特征。在定位阶段，首先以前视图像特征为匹配依据，将待定位位置与所有锚点节点进行匹配，定位到该节点所在的区域，实现初定位。再以仰视图像特征为匹配依据，定位到距离待定位位置最近的一个地图节点，实现场景识别。

Description

一种基于锚点图像的地下停车场多尺度场景识别方法

技术领域

本发明涉及车辆定位领域，具体涉及一种基于锚点图像的地下停车场多尺度场景识别方法。

背景技术

地下停车场场景识别任务是找到距离待定位位置最近的地图节点，是实现地下停车场定位的重要步骤。由于地下停车场无法接受到GPS信号，传统场景识别方法是在地下停车场布设大量的基站(如WiFi，蓝牙，ZigBee等)，通过匹配信号强弱实现定位。传统方法不仅部署成本较高，而且定位精度不高。针对于此，本发明提出一种基于锚点图像的地下停车场多尺度场景识别方法。通过构建节点式地图，并构建锚点节点，最后实现一种多尺度场景识别，所提出的方法能在无GPS的地下停车场实现精确的场景识别。

目前，在地下停车场定位方面已有一些成果，具有代表性的专利有：已公布的专利CN111044048A，公布日2020年4月23日，专利名为“一种基于映射模型的地下停车场可见光定位方法”，公开了一种利用LED灯编码实现的车辆定位方法。已公布专利CN109121070A，公布日“2019年1月1日”，专利名为“一种地下停车场蓝牙布局和定位方法”，公开了一种利用蓝牙信号实现的车辆定位方法。这些专利所提出的方法均需要在地下停车场进行密集布设基站，因此实现成本较高，不利于大规模商业部署。

本发明专利提供一种基于锚点图像的地下停车场多尺度场景识别方法。首先将所构建的地图平均分割成大小相同的地图子块，在每个地图子块构建一个地图节点，所构建的地图节点是对地图子块的表征。每个节点包含前视和仰视的图像特征。因此，地下停车场可用一系列节点表征，由一系列节点所构建的地图称之为节点式地图。然后对数个地图子块进行拼接形成区域，并在区域中选取一个具有代表性的节点作为锚点节点，该锚点节点的图像特征能有效表征所在的区域，所表征的区域由多个图像子块构成。在定位阶段，首先，以前视图像特征为匹配依据，将待定位位置与所有锚点节点进行匹配，定位到该节点所在的区域，实现初定位。再以仰视图像特征为匹配依据，定位到距离待定位位置最近的地图节点，实现场景识别。

本发明的创新之处在于：利用前视和仰视图像特征构建地图节点，并且构建锚点节点用以表征区域。并且在此基础上，提出一种多尺度场景识别方法，该方法只需匹配图像特征，便实现精确和高效的场景识别。

发明内容

本发明提供一种基于锚点图像的地下停车场多尺度场景识别方法。

本发明分为地图构建阶段和定位阶段。在地图构建阶段，通过采集前视和仰视视角的图像，通过提取两个视角的图像特征构建节点，并利用节点构建地图。此外，在构建节点式地图的基础上，构建锚点节点表征地图的区域特征。在定位阶段，首先通过匹配待定位位置和锚点节点的前视图像特征，实现初定位。然后匹配待定位位置和节点的仰视图像特征，实现场景识别。

本发明解决其技术问题采用以下技术方案：

一种基于锚点图像的地下停车场多尺度场景识别方法，本发明的方法特征在于：

步骤1：首先对地下停车场构建地图，以地下停车场的中心为原点，分别以停车场的长和宽构建X，Y轴，完成地下停车场地图的参考坐标系构建。将所构建的地下停车场地图均匀切割成k个地图子块，每个地图子块利用一个节点表征，所构建节点式地图集Data由一系列节点构成：

Data＝{n₁，n₂，...，n_k}

式中，k为节点的数量。

在每个节点处采集前视和仰视视角的图像，两个视角的图像由固定位置的车载摄像头采集得到。每个节点为P(x_i,y_i)包含该位置的仰视视角和前视视角的图像特征：

P(x_i,y_i)＝{F(x_i,y_i),D(x_i,y_i)}

式中，F(x_i,y_i)和D(x_i,y_i)分别为节点P(x_i,y_i)的前视视角和仰视视角图像特征，所提取的图像特征为图像局部特征，包含但不仅仅局限于SIFT，SURF，ORB，LDB图像局部特征。

步骤2：将数个地图子块进行拼接形成区域，在每块区域中挑选一张具有代表性的前视图像作为锚点图像。由于车辆行驶方向为固定的方向，并且前视摄像头是刚性固定在智能车中，因此，每块区域采集的最后一张前视视角的图像特征用于表征所在的区域。由于不同大小的区域构建的锚点图像表征范围不同，需要选取合适数量的地图子块构建区域，从而使锚点图像具有更好的泛化性能，将锚点图像与区域中心的前视图像进行匹配，以匹配的图像局部特征点对数为依据，利用KNN算法选取合适数量的地图子块构建区域。

步骤3：利用所构建的节点式地图，实现多尺度场景识别。所提出的多尺度场景识别分为两步：1)基于锚点节点的初定位；2)基于仰视图像局部特征的场景识别。

1)基于锚点节点的初定位

将待定位处与所有锚点节点的前视图像特征进行匹配，并利用RANSAC算法去除错误的匹配点对。通过比较匹配特征点对的数量，筛选出与待定位位置n_C匹配点对最大的锚点节点

式中，P(n_C|Data)为匹配的特征点对数；锚点节点

所对应的区域即为初定位结果。

2)基于仰视图像局部特征的场景识别

经过初定位后，筛选出距离待定位位置距离较近的候选地图节点集Data_c，再逐一匹配待定位位置n_C和候选地图节点集Data_c的图像局部特征点，并利用RANSAC算法去除错误的匹配点对。最后以匹配的图像特征点对数P(n_C|Data_c)为定位依据，选取与待定位位置匹配点对数最大的地图节点m′:

地图节点m′即与待定位位置最近的地图节点，通过选取与候选地图节点匹配点对数量最高的地图节点，从而实现场景识别。

本发明优点在于：相比于传统地下停车场定位方法需要布设大量基站(如WiFi，蓝牙，ZigBee等)实现定位，本发明专利利用前视图像构建锚点特征，通过将待定位位置的前视图像特征与锚点特征进行匹配，实现初定位。再将待定位位置和候选地图节点的仰视图像进行匹配，实现场景识别。并且相比于传统方法，本方法布设成本更低，实现的场景识别精度更高。

附图说明

图1：为锚点节点和待定位位置的图像局部特征匹配效果；

图2：为仰视视角的图像局部特征匹配效果；

图3：为基于锚点节点的地下停车场多尺度场景识别流程图；

具体实施方式

下面结合实施例和附图对本发明进一步说明

一种基于锚点节点的地下停车场多尺度场景识别方法，本发明的方法特征在于节点式地图构建，锚点节点的构建以及多尺度场景识别方法，如图3所示，包括以下步骤：

步骤1：节点式地图构建

节点式地图表征地下停车场环境，地图由一系列节点构成。首先构建地下停车场地图的坐标系，坐标系的原点是地下停车场的中心，坐标系的X，Y轴分别是停车场的长和宽。为了充分表征地图节点，均匀对所构建的地下停车场地图切割，将地图切割成k个地图子块，每个地图子块利用一个节点表征，最后构建节点是地图Data，表征地下停车场：

Data＝{n₁，n₂，...，n_k}

式中，k为节点数量。

每个节点是对地图子块的表征。每个节点包含两个视角的特征，为前视视角和仰视视角的图像特征，两个视角的图像由安装在智能车的摄像头采集得到。其中，拍摄前视视角的摄像头为a2A1920-51gmBAS工业相机，拍摄仰视视角的摄像头为Blaster ranger高速工业相机。再利用图像特征描述算子提取前视和仰视的图像局部特征，所用到的图像特征描述算子为SURF、SIFT、ORB或LDB等，P(x_i,y_i)为第i^th个节点的表征，P(x_i,y_i)由前视视角的图像局部特征F(x_i,y_i)和仰视视角的图像局部特征D(x_i,y_i)构成：

P(x_i,y_i)＝{F(x_i,y_i),D(x_i,y_i)}

其中，前视视角F(x_i,y_i)和仰视视角D(x_i,y_i)的图像局部特征是利用图像特征描述算子(如SURF、SIFT、ORB、LDB等)提取得到。

步骤2：锚点节点的构建

将数个地图子块进行拼接形成区域，每个区域利用锚点节点进行表征。由于车辆的行驶路线固定，并且摄像头刚性固定在车辆上，为了使锚点节点能表征当前所在的区域，即所在区域的节点能与锚点节点进行图像特征匹配，选择所在区域的最后一个节点作为锚点节点。其中，拼接成区域的地图子块个数是一个关键因素，区域包含的地图子块数越小，区域的面积越小，锚点节点表征能力越高，但锚点数量增加，定位搜索效率降低。反之，区域包含的地图子块数越大，区域的面积越大，锚点节点表征能力越低，但锚点数量减少，定位搜索效率提高。因此，需要选择适当的地图子块数量构建区域。本专利利用KNN算法选取合适的地图子块数量构建区域。首先，利用不同数量的地图子块构建区域并选取锚点节点，再选取区域中间位置处的节点与锚点节点进行特征匹配，进而利用特征点对数的数量构建训练数据集。最后根据地下停车场的实际大小，选择合适的图像子块数量，从而完成锚点节点构建。

步骤3：多尺度场景识别

多尺度场景识别主要分为基于锚点节点的初定位和基于仰视图像局部特征的场景识别。首先将锚点节点与待定位位置处的前视图像特征进行匹配，定位到待定位位置所在的区域。然后逐一匹配待定位位置与区域的地图节点的仰视视角图像局部特征，定位到距离待定位位置最近的地图节点，实现场景识别。

1)基于锚点节点的初定位

将待定位处的前视图像特征与所有锚点节点的前视图像特征进行匹配，并利用RANSAC算法去除错误的匹配点对。通过比较匹配特征点对的数量，筛选出与待定位位置

n_C匹配点对最大的锚点节点

式中，P(n_c|Data)为匹配的特征点对数。锚点节点

所对应的区域即为初定位结果。

2)基于仰视视角图像局部特征的场景识别

经过初定位后，筛选出距离待定位位置距离较近的候选地图节点集Data_c，再逐一匹配待定位位置n_C和候选地图节点集Data_c的仰视视角的图像局部特征点，并利用RANSAC算法去除错误的匹配点对。最后以匹配的图像特征点对数P(n_c|Data_c)为定位依据，选取与待定位位置匹配点对数最大的地图节点m′:

地图节点m′即与待定位位置最近的地图节点，即候选地图节点数据集中匹配度最高的地图节点为计算结果，从而实现场景识别。

本发明提供一种基于锚点节点的地下停车场多尺度场景识别方法，以上事例仅说明本发明的特点和设计思想，为技术人员实施本发明提供参考，在实际应用中，可根据实施环境的变化，灵活改变测量方式。但本发明的保护范围不仅仅在于此，凡根据本发明阐述的原理、设计思路相雷同的或在合理的修改范围内，都属于本发明保护范围内。

Claims (4)

1.一种基于锚点图像的地下停车场多尺度场景识别方法，其特征在于：

步骤1：首先对地下停车场构建地图，以地下停车场的中心为原点，分别以停车场的长和宽构建X，Y轴，完成地下停车场地图的参考坐标系构建；

将所构建的地下停车场地图均匀切割成k个地图子块，每个地图子块利用一个节点表征，所构建节点式地图集Data由一系列节点构成：

Data＝{n₁，n₂，...，n_k}

式中，k为节点的数量；

在每个节点处采集前视和仰视视角的图像，两个视角的图像由固定位置的车载摄像头采集得到；每个节点为P(x_i,y_i)包含该位置的仰视视角和前视视角的图像特征：

P(x_i,y_i)＝{F(x_i,y_i),D(x_i,y_i)}

式中，F(x_i,y_i)和D(x_i,y_i)分别为节点P(x_i,y_i)的前视视角和仰视视角图像特征，所提取的图像特征为图像局部特征，包含但不仅仅局限于SIFT，SURF，ORB，LDB图像局部特征；

步骤2：将数个地图子块进行拼接形成区域，在每块区域中挑选一张具有代表性的前视图像作为锚点图像；由于车辆行驶方向为固定的方向，并且前视摄像头是刚性固定在智能车中，因此，每块区域采集的最后一张前视视角的图像特征用于表征所在的区域；

步骤3：利用所构建的节点式地图，实现多尺度场景识别；所提出的多尺度场景识别分为两步：1)基于锚点节点的初定位；2)基于仰视图像局部特征的场景识别。

2.根据权利要求1所述的方法，其特征在于，所述步骤2中，由于不同大小的区域构建的锚点图像表征范围不同，需要选取合适数量的地图子块构建区域，从而使锚点图像具有更好的泛化性能，将锚点图像与区域中心的前视图像进行匹配，以匹配的图像局部特征点对数为依据，利用KNN算法选取合适数量的地图子块构建区域。

3.根据权利要求1所述的方法，其特征在于，所述步骤3中，基于锚点节点的初定位包括：

将待定位处与所有锚点节点的前视图像特征进行匹配，并利用RANSAC算法去除错误的匹配点对；通过比较匹配特征点对的数量，筛选出与待定位位置n_C匹配点对最大的锚点节点m^*：

式中，P(n_C|Data)为匹配的特征点对数；锚点节点m^*所对应的区域即为初定位结果。

4.根据权利要求1所述的方法，其特征在于，所述步骤3中，基于仰视图像局部特征的场景识别包括：

经过初定位后，筛选出距离待定位位置距离较近的候选地图节点集Data_c，再逐一匹配待定位位置n_C和候选地图节点集Data_c的图像局部特征点，并利用RANSAC算法去除错误的匹配点对；最后以匹配的图像特征点对数P(n_C|Data_c)为定位依据，选取与待定位位置匹配点对数最大的地图节点m′:

地图节点m′即与待定位位置最近的地图节点，通过选取与候选地图节点匹配点对数量最高的地图节点，从而实现场景识别。

Images