面向智能车的高精度视觉定位技术研究

摘要

近年来，随着计算机技术、信息技术、自动化技术以及车辆制造水平的提高，人们的用车需求开始呈现多样化，对车辆的品质要求也越来越高，智能车技术开始受到社会各界的广泛关注，在学术界和产业界更是掀起一股研发热潮，其中车辆的高精度定位是智能车技术最为关键的核心技术之一。传统的智能车定位多借助于高精度的IMU配合GPS来进行定位，但是高精度的惯导价格昂贵，而基于视觉SLAM技术的车辆定位技术尚未成熟，且伴随有较为严重的漂移误差，与此同时，城市环境越来越结构化，道路场景层次越来越清晰，使得视觉可以提取丰富的有效特征。用GPS结合廉价的视觉传感器实现高精度的车辆定位是本文研究的主要课题。 本文分别对人工路标场景和自然场景进行了分析：在人工路标场景中，建立人工路标数据库：采集精确的交通标志位置信息及其属性信息，并提取交通标志的ORB全局和BOW局部特征。在自然场景中，建立高精度的道路场景模型，包括高精度的GPS轨迹、3D点云及其对应的二维图像特征点，以及ORB与SURF全局特征。定位阶段采用多尺度定位算法完成定位，即普通的GPS粗匹配定位、图像级定位、最后度量级定位，在图像级定位阶段，提出H-KNN算法用于图像的识别。经试验测试，两种场景下的定位误差分别为15cm和12.8cm，并在实验部分对两种定位方法进行了简单的融合处理。 本文主要的创新点及研究内容如下： （1）提出基于ORB与BOW的交通标志识别算法。本文提出一种基于ORB图像块的交通标志ORB全局特征描述，并用BOW模型进行交通标志的局部特征描述，全局特征及局部特征形成了交通标志的视觉表征，最后结合H-KNN模型进行交通标志的识别。所提出的H-KNN模型是一种泛化的模型，可以对不同空间的数据进行融合以形成最后的投票空间。 （2）建立高精度的道路场景模型。高精度的道路场景模型包含有三要素：高精度的轨迹信息，3D深度信息，以及2D图像的全局特征表征与局部特征表征。轨迹信息拟采用IMU/GPS进行采集，并用RTK基站数据进行差分修正；2D图像全局特征用ORB和SURF全局描述符进行描述，局部特征为双目图像的ORB局部特征；3D深度信息根据左右目图像匹配结果结合摄像机标定内参进行三维重建得到。 （3）基于人工路标的车辆高精度定位。首先建立人工路标数据库，主要针对交通标志采集其位置及其相关的属性信息，包括颜色、形状、朝向等。在定位阶段提出多尺度定位算法，即先用GPS进行粗匹配定位，进而图像级定位，最后进行度量级定位。 （4）基于自然场景下的车辆视觉定位。首先构建了道路场景模型，通过大量样本分析比较了当前典型的特征点提取算子性能的优劣性，分别是SIFT、SURF和ORB，定位阶段应用多尺度定位算法，完成基于自然场景下的车辆定位研究，并在实验阶段分析了不同特征点数目对算法性能的影响。特别是图像级定位中，本文用ORB与SURF全局特征结合来对连续场景进行识别。

目录

声明

第1章 绪论

1.1 研究背景及研究意义

1.2 智能车国内外研究现状

1.3 智能车定位技术研究现状

1.4 本文主要的研究内容及章节安排

第2章 智能车载系统及视觉测量基本原理

2.1 摄像机成像模型与张正友标定法

2.2 常见的特征点检测与匹配方法

2.3 智能车载系统

2.4 本章小结

第3章 基于人工路标的车辆视觉定位

3.1 人工路标数据库介绍及车辆定位原理

3.2 交通标志识别

3.3 基于交通标志的车辆多尺度定位

3.4 本章小结

第4章 基于自然场景的车辆视觉定位

4.1 道路场景建模

4.2 特征匹配

4.3 自然场景下的车辆多尺度定位

4.4 本章小结

第5章 实验设计

5.1 智能车实验平台介绍

5.2 基于人工路标的车辆定位实验

5.3 基于自然场景的车辆高精度定位实验

5.4 本章小结

第6章 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

攻读硕士期间的研究成果