[發明專利]基于雙目視覺的實時高精度車輛里程計算方法

有效

• 申請號: 201910191645.0
• 申請日: 2019-03-14
• 公開（公告）號: CN109813334B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 馬天力;陳陽泉;楊瓊楠;高嵩;曹凱
• 申請（專利權）人: 西安工業大學
• 主分類號: G01C22/00
• 分類號: G01C22/00
• 代理公司: 西安新思維專利商標事務所有限公司 61114
• 代理人: 黃秦芳

1.基于雙目視覺的實時高精度車輛里程計算方法，其特征在于，該方法包括以下步驟：

步驟1、采用視覺傳感器獲取圖像序列；

步驟2、對獲取的前后幀立體圖像利用改進FAST角點檢測算法提取特征點；

步驟3、利用SIFT算法計算特征點的主方向并生成特征描述子；

步驟4、根據生成的特征描述子進行特征匹配，并采用自適應RANSAC算法剔除誤匹配點；

步驟5、根據匹配點集誤差構造目標函數，求解目標函數得到運動估計信息；

步驟6、利用粒子濾波進行最優估計，減小誤差；

步驟2中，使用改進的FAST角點檢測算法提取特征點，具體步驟如下：

S1、獲取一張圖片；

S2、在圖片中任意選擇一個像素點p，假設它的亮度是I_p；

S3、設定一個閾值T；

S4、以像素點p為中心，分別選取半徑為3和2的兩個同心圓上的16和12個像素點；

S5、將選取的這些像素點的亮度分別與I_p+T或I_p-T相比較；

S6、如果在這兩個同心圓上分別有M和N像素點的亮度大于I_p+T或小于I_p-T，則可以認為p是一個特征點；

S7、循環S2-S6，對每一個像素點進行上述操作；

S8、對選取的特征點進行非極大值抑制，并記錄最終特征點的位置；

步驟4中，根據生成的特征描述子進行特征匹配，具體方法如下：

對于t-1時刻這一幀圖像上的特征點集{P}中的每一個特征點p，從t時刻這一幀圖像上的特征點集{P′}中找到與特征點p的特征向量最近鄰的特征點和次近鄰的特征點，并記錄它們之間的距離；

若最近鄰特征點的距離與次近鄰特征點的距離比小于等于設定的閾值T，則認為特征點p與最近鄰的特征點p′是一對匹配點，記為(p,p′)；

若最近鄰特征點的距離與次近鄰特征點的距離比大于設定的閾值T，則認為特征點p在特征點集{P′}中沒有相匹配的特征點；

由以上可知，對每一個特征點都進行上述操作，并記錄匹配上的特征點對，最后可以得到一個匹配點對的集合{(P_n,P′_n)}；

自適應RANSAC算法剔除誤匹配點，具體方法如下：

S1、對于得到的粗匹配點對集合{(P_n,P′_n)}，計算集合中每對匹配點對之間的歐氏距離，并按從小到大的順序進行排列；

S2、取排在前20％的匹配點對組成新的樣本點對集合U；

S3、從U中隨機選取6個匹配點對，利用其中4個計算變換模型H_i；

S4、利用剩余的2個對H_i進行驗證，如果通過驗證，則進行下一步；否則，舍棄H_i，重新返回S3；

S5、對匹配點對集合{(P_n,P′_n)}根據變換模型H_i計算對稱變換誤差d，若d小于設定的值t，則認為是一個內點，并統計內點的數量M；

S6、重復S3-S5三步N次，若M大于設定的閾值S，則利用M重新估算變換模型H，即為最優的變換模型。

2.根據權利要求1所述基于雙目視覺的實時高精度車輛里程計算方法，其特征在于，步驟3中，根據得到的特征點的位置信息，利用SIFT算法計算特征點的主方向以及特征描述子，具體方法如下：

對于一個特征點，以它為中心，計算它鄰域像素的梯度和方向，用直方圖進行統計，得到特征點鄰域像素的梯度分布，直方圖中的峰值就是特征點的主方向；梯度和方向的計算公式如下：

θ(x,y)＝arctan((L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y)))??(2)

以關鍵點為中心選取16×16的鄰域窗口，關鍵點所在的行和列不取，計算鄰域窗口內所有像素點的梯度模值和梯度方向，然后將每個窗口分成4×4的子區域，總共16個子區域，每個子區域包含8個方向上的信息，一共有128個方向信息，生成128維的SIFT特征向量，即128維的特征描述子。