基于视觉的汽车列车弯道行驶轨迹测量方法

摘要

本发明公开了一种基于视觉的汽车列车弯道行驶轨迹测量方法，其步骤包括：设置第一摄像机、第二摄像机和第三摄像机；在转弯通道上绘制五条平行的标识线，并分别为五条标识线设置颜色；沿垂直标识线方向，绘制若干横向线和标识点；第一摄像机、第二摄像机和第三摄像机采集和传输视频图像；上位机读取一帧图像，并对图像进行预处理；读取预处理后的图像，建立图像坐标系，并进行尺度标定；检测是否有新的标识线出现；得到标识线的参数方程；判断所检测的标识线的名称和颜色；检测是否有新的横向线出现；得到横向线的参数方程和标识点的图像坐标；得到当前摄像机的位置坐标和航向角；判断视频图像是否处理完；本发明具有减少误差，提高精度的特点。

说明书

技术领域

本发明涉及了一种汽车列车弯道行驶轨迹测量方法，特别是涉及了一种基于视觉的汽车列车弯道行驶轨迹测量方法。

背景技术

   随着公路运输的快速发展，汽车列车具有的高承载、经济、效率等特征受到行业关注，逐渐成为长途物流的主要车型。准确地获得汽车列车在行驶过程中的位置轨迹，再经过简单的测量运算就可以知道汽车列车在转弯时，车辆内侧与外侧在地面投影形成转向通道轨迹，并可以测量转向通道最大宽度、前摆值、后摆值和牵引车最后部两侧点的实际位置是否超过通道最大宽度等影响道路通行能力和行驶安全性的参数，为汽车列车行驶稳定性的研究以及智能交通系统（ITS）的发展提供参数基础。

《中华人民共和国交通行业标准》附加要求5.2.1.1中提到，即营业性货运汽车列车沿标准中所述的路线转弯时，车辆内侧与外侧在地面的投影形成转向通道轨迹，其中转向通道最大宽度应不大于7.2m，前摆值应不大于0.35m，后摆值应不大于0.8m。交通行标《货运车辆运行安全技术要求》中的附加性能要求也提出“行驶稳定性要求，包括侧倾稳定性要求、货运汽车列车横向稳定性评价参数限值以及货运车辆转向特性要求”。因此，汽车列车弯道行驶时的前摆值、后摆值以及转向通道最大宽度等参数成为判断汽车列车的弯道行驶安全性的主要性能标准。

准确地测量牵引车和挂车在行驶过程中的位置轨迹是研究以上内容的基础。

一种传统的测量方法（南京智真电子科技有限公司.用于测量机动车辆行驶轨迹参数的液体喷射装置[P]. CN200810243074.2 ,2009-5-6）：在牵引车和挂车底盘中间下方各固定一个喷枪，在汽车行驶过程中同时朝下方地面喷射某种白色液体，在地面上形成两条曲线，这两条曲线就是喷枪固定点的位置轨迹，再进行航位推算就可以知道汽车列车在各个时刻的位置轨迹。上述方法存在以下缺点： 

1）在汽车列车转弯的时候，由于惯性作用，喷枪所喷出的液体所形成的曲线会偏离实际的位置，而且喷出的液体也容易受到周围气流的影响，造成较大的误差。

2）当进行一次实验后，地面上的所存的液体不利于重复进行多次实验；

3）这种方法准确率低，漏检率高，不能完整的检测出牵引车行驶的轨迹。

随着GPS技术的革新发展，GPS技术逐渐的应用于汽车列车运动性能测试。典型例子是一种基于GPS汽车列车位置轨迹测量方法（交通运输部公路科学研究所. 一种基于GPS的汽车列车位置轨迹测量系统及方法[P]. 201210177575, 2012.09.19），其原理是：在牵引车部位安装一套测向接收机系统，该系统通过数传电台接收基准站发送的位置差分改正数，实现双频载波相位差分位置解算，得到相对于基准站的高精度厘米级坐标，同时产生测向改正数，实现测量牵引车的航向信息。在挂车部位安装移动站分系统，移动站系统通过数传电台接收基准站发送的位置差分改正数，实现双频载波相位差分位置解算，得到相对于基准站的高精度厘米级坐标。由牵引车的侧向接收机得到牵引车的航向角以及其天线的高精度运动轨迹； 由挂车的移动站系统得到其天线的高精度运动轨迹，进而由平面几何知识可以推断出牵引车任一点的运动轨迹。此方法具有测量精确、且不受环境影响的特点，但是其价格昂贵，使用之前必须对不同车型都要进行静态标定，操作复杂，不适用与大范围推广应用。

随着计算机视觉技术的迅速发展，视觉技术越来越广泛的用于导航定位研究。一种基于视觉的机器人室内定位导航方法（林国余，王海等.一种基于视觉的机器人室内定位导航方法[P]. CN201010611473.7,  2011-07-27）是：根据二维码的思路，设计了一种简单设计了一种简单方便、易于识别、内含绝对位置坐标且具有一定纠错能力的人工路标,将路标设置于天花板上,由安装在机器人上且光轴与天花板垂直的摄像机进行拍摄,再通过图像的阈值分割、连通域提取、轮廓曲线匹配以及路标特征识别一系列步骤定位路标,解析路标中所包含的坐标信息,最终通过机器人的位置估计算法获得机器人当前的绝对位置和航向角。计算机视觉方法还用与车辆辅助导航定位方式，典型的是一种基于计算机视觉的车辆辅助导航定位方法（郭君兵，郭晓松，左森等. 基于计算机视觉的车辆辅助导航定位方法[J].自动化技术与应用，2005,25(7),43-53），通过隔行累加基础上的Hough变换检测出导航标尺的位置，分析车辆导航定位所需的信息量，并根据导航标尺给驾驶员实时提供角度和位置信息。。

发明内容

本发明主要是针对现在市场的要求，提供了一种具有检测速度较快、精度较高的基于视觉的汽车列车弯道行驶轨迹测量方法。

为了实现上述目的，本发明提供以下技术方案：

本发明提供了一种基于视觉的汽车列车弯道行驶轨迹测量方法，其步骤包括：在牵引车车头左侧、挂车前部车厢左侧以及挂车后部左侧分别设置第一摄像机、第二摄像机和第三摄像机；在转弯通道上绘制五条平行的标识线，并分别为五条标识线设置颜色；沿着垂直于标识线方向，绘制若干横向线和标识点；调整挂车和牵引车的位置，并启动牵引车；第一摄像机、第二摄像机和第三摄像机采集和传输视频图像； 上位机读取一帧图像，并对图像进行预处理；读取预处理后的图像，建立图像坐标系，并进行尺度标定；检测是否有新的标识线出现；如果没有新的标识线出现，则根据跟踪方法求标识线上的目标点；如果有新的标识线出现，则使用连通域检测方法求标识线上的目标点；得到标识线的参数方程；判断所检测的标识线的名称和颜色；检测是否有新的横向线出现；如果没有新的横向线出现，则根据跟踪方法求横向线上的目标点；如果有新的横向线出现，则使用连通域检测方法求横向线上的目标点；得到横向线的参数方程和标识点的图像坐标；得到当前摄像机的位置坐标和航向角；判断视频图像是否处理完；如果没有处理完，则继续处理下一帧图像；如果处理完，则得到当前列车和列车各个角点的行驶轨迹。

在本发明一个较佳实施例中，所述标识线包括第一标识线、第二标识线、第三标识线、第四标识线和第五标识线。

在本发明一个较佳实施例中，所述标志点是所述标识线与所述横向线的交点。

在本发明一个较佳实施例中，相邻两条所述标识线的颜色不同，且两两间隔距离相同；

在本发明一个较佳实施例中，所述横向线的颜色与所述标识线的颜色不同，且所述横向线两两间隔的距离相同。

在本发明一个较佳实施例中，所述调整挂车和牵引车的位置，并启动牵引车的具体步骤包括：将挂车设置于车道中央；将挂车的纵向对称轴和地面的交线与第三标识线对齐；将牵引车的前部位于第一根横向线之后。

在本发明一个较佳实施例中，所述上位机读取一帧图像，并对图像进行预处理的具体步骤包括：上位机读取一帧图像；设置标识线颜色的像素点的判断条件；根据判断条件，在读取的图像中检测各个颜色的像素点的分量个数；采用基于邻域搜索的连通域检测算法分别提取各个颜色的目标点分量个数，并保存各个目标点的坐标值；获取各个颜色的像素点的个数；得到检测到的标识线的名称和颜色。

在本发明一个较佳实施例中，所述检测是否有新的横向线出现的具体步骤包括：确定横向线像素点的判断条件；根据横向线像素点的判断条件，在图像区域内检测横向线的像素点，记录横向线像素点的个数，并记录坐标值；判断绿色像素点的个数。

本发明的有益效果是：本发明所述的基于视觉的汽车列车弯道行驶轨迹测量方法，在检测标识线上的点时，采用了基于邻域搜索的连通域检测的算法，即将所有的检测到的点进行聚类，保留可能在标识线上的点，排除噪声点，减少误差，提高精度，而且，本发明所涉及的弯道行驶时汽车列车位置估计算法属于一种绝对定位方法，只要在摄像机视野中出现了标识点，即可根据数学计算公式推导出汽车列车当前位置和航向，可以准确、有效的解决汽车列车弯道行驶轨迹的测量问题，为汽车列车弯道行驶稳定性以及道路通行能力的研究提供有效的数据理论。 

附图说明

图1是本发明的测量配置示意图；

图2是本发明基于视觉的汽车列车弯道行驶轨迹测量方法的流程示意图；

图3是本发明汽车列车位置估计示意图；

图4是本发明汽车列车各个角点的轨迹推算示意图；

图1中，1、第一标识线，2、第二标识线，3、第三标识线，4、第四标识线，5、第五标识线，6、横向线，7、第一摄像机，8、第二摄像机，9、第三摄像机；

图3中，1、第一标识线，2、第二标识线，3、第三标识线，4、第四标识线，5、第五标识线。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

请参阅图1，图1是本发明的测量配置示意图；图2是本发明基于视觉的汽车列车弯道行驶轨迹测量方法的流程示意图；图3是本发明汽车列车位置估计示意图；图4是本发明汽车列车各个角点的轨迹推算示意图。

具体实施例一

本发明提供了一种基于视觉的汽车列车弯道行驶轨迹测量方法，其步骤包括：

1.在牵引车车头左侧、挂车前部车厢左侧以及挂车后部左侧分别设置第一摄像机7、第二摄像机8和第三摄像机9，为保证摄像机在直线测量和弯道测量时保持一样的安装配置，因此摄像机都安装在牵引车和挂车的外侧。为了保证摄像机视野不被车身或者车辆遮挡，则摄像机距离车身外侧600mm；因此，在牵引车车头左侧、挂车车厢前部左侧以及挂车车厢后部左侧分别安装高清第一摄像机7、第二摄像机8和第三摄像机9，要求摄像机垂直向下安装，使得摄像机光轴尽可能垂直于地面拍摄车头前下方的图像。根据实际挂车安装摄像机位置，测量摄像机镜头到地面的高度为1.2m。

2.在转弯通道上绘制五条平行的标识线，并分别为五条标识线设置颜色，设置最中间一条线设为红色，靠近红色的两条线设为黑色，最外侧两条线设为蓝色，即第一标识线1为蓝色标识线、第二标识线2为黑色标识线、第三标识线3为红色标识线、第四标识线4为黑色标识线、第五标识线5为蓝色标识线，横向线6设置为绿色，定义四个变量flagblue、flagblack、flagred、flaggreen，作为标记符号，并赋值flagblue=0、flagblack=0、flagred=0、flaggreen =0。   

在地面上绘制标识线，总共分为三段：转弯前的直线段、弯道段、转弯后的直线段。根据行业标准，弯道行驶时，前摆值应不大于0.35m，后摆值应不大于0.8m，根据宽度为2.55m的甩挂和国标要求，所设计的标识线要求如下：

① 弯道前后的直线段设计为20米，包括车身长度为12.5米，加上头车长度和车辆启动所需长度；

② 行业标准中规定，列车起步，由直线行驶过渡到半径为11.25m的90°圆弧，为此在地面上绘制一段包含半径为11.25m圆弧的辅助引导线，如图1中的虚线表示，车辆实验时，车辆外侧轮胎外沿应沿着该辅助引导线行驶。此外考虑到车身宽度为2.55m，摄像机按照位置距离车身外侧600mm，因此在距离11.25m圆弧为3.15m（2.55m+0.6m）的位置绘制半径为8.1m（11.25m -2.55m-0.6m）的90度圆弧作为最中间的第3条标识线；

③当摄像机安装高度为1.2m时，所拍摄视场的长度约为850mm，宽度约为450mm，因此设计的标识线间隔约为600mm，这样保证摄像机视场中始终能看到一条标识线。因此，后续四条的90度圆弧的半径按照600mm的间隔，分布在第3条标识线两侧。 

3.沿着垂直于标识线方向，绘制若干横向线6和标识点，根据摄像机安装的高度，将横向线间隔设为350mm。

4.调整挂车和牵引车的位置，并启动牵引车。

5.第一摄像机7、第二摄像机8和第三摄像机9采集和传输视频图像，在使用摄像机时，需要将摄像机进行离线畸变参数标定和尺度标定。

畸变参数标定：根据张正友方法（Zhengyou Zhang. A Flexible New Technique for Camera Calibration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002,22(11):1330-1334）进行摄像机标定，求出摄像机所拍出的视频图像畸变参数，并根据畸变参数采用张正友方法将摄像机拍摄的图像还原到实际。

尺度标定：尺度标定是指当摄像机成像平面和地面平行时，选取地面上一根已知实际长度（单位：mm）的标识线，然后统计这根线在图像上的长度（单位：像素），则可以获得图像上的1个像素长度和地面上1mm之间的比例关系，记为ratio,则ratio=线段的实际长度/线段在图像上的像素长度。 

6.上位机读取一帧图像，并对图像进行预处理；

7.读取预处理后的图像，建立图像坐标系，以图像左下点为原点，以图像宽度方向为x轴方向，以图像高度方法为y轴方向，并进行尺度标定；

8.检测是否有新的标识线出现：

①首先根据红色像素点、蓝色像素点和黑色像素点的判断条件，采用基于邻域搜索的连通域检测算法提取红色分量、蓝色分量和黑色分量，并保存各个分量的坐标值。

②若flagblue=0，且flagblack、flagred为任意值，执行步骤③，若flagblue=1，且其他标记符号为任意值，则用跟踪方法求蓝色标识线；若flagblack=0，且flagblue、flagred为任意值，执行步骤④，若flagblack=1，且其他标记符号为任意值，则用跟踪方法求黑色标识线；若flagred=0，且其他标记符号位任意值，执行步骤⑤，若flagred=1，且flagblack、flagblue为任意值，则用跟踪方法求红色标识线。

③如果蓝色像素点的个数大于200，则认为能检测到新的蓝色标识线，用最小二乘法拟合蓝色标识线的方程y_blue=a₁x_blue²+a₂x_blue+a₃，且flagblue=1。

④如果黑色像素点的个数大于200，则认为能检测到新的黑色标识线，用最小二乘法拟合黑色标识线的方程y_black=b₁x_black²+b₂x_black+b₃，且flagblack=1。

⑤如果红色像素点的个数大于200，则认为能检测到红色标识线，用最小二乘法拟合红色标识线的方程y_red=c₁x_red²+c₂x_red+c₃，且flagred=1。

⑥直接执行步骤12；

9.如果没有新的标识线出现，则根据跟踪方法求标识线上的目标点；

10.如果有新的标识线出现，则使用连通域检测方法求标识线上的目标点；11.得到标识线的参数方程，跟踪方法求蓝色标识线：根据图像已检测到的

蓝色标识线的标识线方程y_blue=a₁x_blue²+a₂x_blue+a₃，确定一定的图像区域，即

（y_blue-ε，y_blue+ε），其中ε为阈值，取值20。确定蓝色像素点的判断条件，即 (B-G)>ε₁ and (B-R)>ε₂ and |R-G|<ε₃, 其中ε₁、ε₂、ε₃分别取值100、100、20，并在（y-ε，y+ε）区域内检测是否有蓝色标识点。若有蓝色像素点，采用基于邻域搜索的连通域检测算法将蓝色像素点聚类，并用最小二乘法拟合新标识线参数。若没有蓝色标识点，则认为是此帧图像没有检测到蓝色的标识线，则flagblue=0；

跟踪方法求黑色标识线:根据图像已检测到的蓝色标识线的标识线方程

y_black=b₁x_black²+b₂x_black+b₃，确定一定的图像区域，即（y_blue-ε，y_blue+ε），其中ε为阈值，取值20。确定蓝色像素点的判断条件，即|B-G|<ε₁ and |B-R|<ε₂ and |R-G|<ε₃ and B<ε₄,其中ε₁、ε₂、ε₃、ε₄分别取值100、100、20、50，，并在（y_black-ε，y_black+ε）区域内检测是否有蓝色标识点。若有蓝色像素点，采用基于邻域搜索的连通域检测算法将蓝色像素点聚类，并用最小二乘法拟合新标识线参数。若没有蓝色标识点，则认为是此帧图像没有检测到蓝色的标识线，则flagblack=0;

跟踪方法求红色标识线:根据图像已检测到的红色标识线的标识线方程

y_red=c₁x_red²+c₂x_red+c₃，确定一定的图像区域，即（y_red-ε，y_red+ε），其中ε为阈值，取值20。根据红色像素点的判断条件，即(R-G)>ε1 and (R-B)>ε2 and |B-G|<ε3,其中ε₁、ε₂、ε₃分别取值100、100、20，在（y_red-ε，y_red+ε）区域内检测是否有红色标识点。若有红色像素点，采用基于邻域搜索的连通域检测算法将红色像素点聚类，并用最小二乘法拟合新标识线参数,若没有红色标识点，则认为是此帧图像没有检测到红色的标识线，则flagred=0；

12.判断所检测的标识线的名称和颜色, 由于摄像机最少能拍到一条标识线，因此出现一条新的标识线的时候，必然能在所拍摄的视频图像中看到2条标识线。判断方法如下：

a.如果检测到的是红色标识线，则可以判断新检测到的是第三条红色标识线，其参数方程为y=a₃x²+b₃x+c₃。

b.如果检测到的是蓝色标识线，则必定也能跟踪检测到黑色标识线，若蓝色标识线在黑色标识线的左边，即a3<b3，则新检测到的是第一条蓝色标识线，其方程为参数y=a₁x²+b₁x+c₁；若蓝色标识线在黑色标识线的右边，即a3>b3，则新检测到的是第五条标识线，其参数方程为y=a₅x²+b₅x+c₅。

c. 如果检测到的是黑色标识线，若跟踪检测到的是红色标识线，黑色标识

线若在红色标识线的左边，即b3<c3，则检测到的是第二条黑色标识线；黑色标识线若在红色标识线的右边，即b3>c3，则检测到的是第四条黑色标识线。同理，若跟踪到的是蓝色标识线，若黑色标识线在蓝色标识线的右边，即b3>a3，则检测到的是第二条黑色标识线；若黑色标识线在蓝色标识线的左边，即b3<a3，则检测到的是第四条黑色标识线。其中，第2条黑线的参数方程为y=a₂x²+b₂x+c₂，第4条黑线的参数方程为y=a₄x²+b₄x+c₄；

13.检测是否有新的横向线出现；

14.如果没有新的横向线出现，则根据跟踪方法求横向线上的目标点；

15.如果有新的横向线出现，则使用连通域检测方法求横向线上的目标点；16.得到横向线的参数方程和标识点的图像坐标，根据图像已检测到的绿色

标识线的标识线方程y=d₁x+d₂，确定一定的图像区域，即（y-ε，y+ε），其中ε为阈值，取值20。根据绿色像素点的判断条件，即 (G-R)>ε₁ and (G-B)>ε₂ and |B-R|<ε₃, 其中ε₁、ε₂、ε₃分别取值100,100,20，并在（y-ε，y+ε）区域内检测是否有绿色标识点。若有绿色像素点，采用基于邻域搜索的连通域检测算法将绿色像素点聚类，并用最小二乘法拟合新标识线参数。若没有绿色标识点，则认为是此帧图像没有检测到绿色的横向线，则flaggreen=0，以检测到第三根红色标识线为例，红色标识线的参数方程为y=a₃x²+b₃x+c₃，绿色横向线的参数方程为y=d₁x+d₂。则红色标识线和绿色横向线的交点为（x,y），（x=(-(b₃-d₁)+△)/2a₃²，y=(-d₁(b₃-d₁)+2a₃²d₂+d₁*△)/2a₃²）或者是（x= (-(b₃-d₁)-△)/2a₃²，y=(-d₁(b₃-d₁)+2a₃²d₂-d₁*△)/2a₃²）,其中△=                                               。根据所求出来的交点是否在图像范围内来取舍；

17.得到当前摄像机的位置坐标和航向角，以红色标识线为例，设O点为图像的中点，其坐标为(x₀=width/2,y₀=height/2)，其中，其中width为图像的宽度，height为图像的高度。P(x_p,y_p)为红色标识线L₃和横向线L的交点。XOY坐标系代表自定义的全局坐标系，xoy坐标系为图像上的坐标系。通过事先测量可以获得每个标识点在全局坐标系下的坐标（x_i ,y_i），单位为mm，以及转弯处横向线和全局坐标系中X轴之间的夹角β_i，其中i表示的是横向线L的索引号。

汽车列车实际位置和航向角计算过程如下所示：

1）根据计算图像中心点O和标识点P之间的欧式距离|OP|；

2）通过计数得到横向线L的索引号i，并以此获得P在全局坐标系中的实际坐标（x_i ,y_i），以及获取横向线L对应的横向线与X轴之间的夹角β_i；

3）计算L和图像坐标系中x轴的夹角，记为α；

4）计算全局坐标系X轴和图像行方向x轴的夹角θ，θ=β_i-α，该夹角θ即为汽车列车行驶的航向角；

5）计算OP和图像行方向x轴的夹角γ，计算公式为：

γ=arctan((y₀-y_p)/(x₀-x_p)),或者γ=π-arctan((y₀-y_p)/(x₀-x_p))。

6）计算向量OP和全局坐标系X轴的夹角ω，计算公式为：ω=γ+θ。

7）计算全局坐标轴中图像中心点O的坐标(X₀，Y₀)，即汽车列车当前的实际位置，计算公式如下；

X₀= x_i + s|OP|cosω

Y₀=y_i + s|OP|sinω，其中s=ratio；

18.判断视频图像是否处理完；

19.如果没有处理完，则继续处理下一帧图像；

20.如果处理完，则得到当前列车和列车各个角点的行驶轨迹，19代表为摄像机镜头的位置，其坐标为（X_oi,Y_oi），19点到10点的距离记为videofix，其值已知，为600mm。牵引车前内角11点到10点的距离已知，为videoposition。根据步骤12点可以求得牵引车的航向角为θ_i，其中（i=1,2…）。设10点的坐标值为（mx_i，my_i），则点1点点1点的坐标值（point1x_i，point1y_i）具体计算过程如下：

①根据航向角θ_i的值，求出L_om的斜率k，则k=tanθ；

②根据L_om的斜率和videofix的值，求出m的坐标值。

my_i = Y_oi +（videofix*k）/（sqrt（1+k*k）），mx_i=( my_i - Y_oi) + X_oi

③求（point1x_i，point1y_i）的值

point1y_i = my_i+ videoposition /（sqrt（1+k*k））

point1x_i = -（point1y_i - my_i）*k + mx_i

按上述求点11点坐标原理，点12点、13点、14点、15点、16点、17点、18点的坐标值均可以计算出来。

所述标识线包括第一标识线、第二标识线、第三标识线、第四标识线和第五标识线。

所述标志点是所述标识线与所述横向线的交点。

相邻两条所述标识线的颜色不同，且两两间隔距离相同，所述横向线的颜色与所述标识线的颜色不同，且所述横向线两两间隔的距离相同，所述的五条标识线要选择与实际地面颜色反差较大的颜色，且要求相邻两条标识线的颜色不同，五条标识线两两间隔距离相同；所述的横向线要选择与地面颜色反差较大的颜色，且要求与五条标识线颜色不同，横向线两两间隔距离相同，可以在转弯处适当增加横向线的条数，以保证第一摄像机、第二摄像机和第三摄像机能够拍摄到至少一根横向线。

所述调整挂车和牵引车的位置，并启动牵引车的具体步骤包括：将挂车设置于车道中央；将挂车的纵向对称轴和地面的交线与第三标识线对齐；将牵引车的前部位于第一根横向线之后。

所述上位机读取一帧图像，并对图像进行预处理的具体步骤包括：

1）上位机读取一帧图像；

2）设置标识线颜色的像素点的判断条件，红色像素点的判断条件为：根据像素点的RGB值，如果(R-G)>ε₁ and (R-B)>ε₂ and |B-G|<ε₃,其中ε₁、ε₂、ε₃为阈值，此处分别取值100、100、20，则认为该像素点为红色像素点；绿色像素点的判断条件为：根据像素点的RGB值，如果(B-G)>ε₁ and (B-R)>ε₂ and |R-G|<ε₃,其中ε₁、ε₂、ε₃为阈值，此处分别取值100、100、20，则认为该像素点为绿色像素点。黑色像素点的判断条件为：根据像素点的RGB值，如果|B-G|<ε₁ and |B-R|<ε₂ and |R-G|<ε₃ and B<ε₄,其中ε₁、ε₂、ε₃、ε₄为阈值，此处分别取值100、100、20、50，则认为该像素点为绿色像素点；

3）根据判断条件，在读取的图像中检测各个颜色的像素点的分量个数；

4）采用基于邻域搜索的连通域检测算法分别提取各个颜色的目标点分量个数，并保存各个目标点的坐标值，在读取的图片中检测红色像素点、绿色像素点和黑色像素点的分量个数，并采用基于邻域搜索的连通域检测算法分别提取红色目标点分量、绿色目标点分量和黑色目标点分量个数，并保存各个坐标点的坐标值。以红色像素点为例，基于邻域搜索的连通域检测算法流程如下所示：

i）在所获得的图像中获取一个未被标记的红色像素点，并对此点进行标记，并将此点置于先入先出的堆栈中；

ii）从先入先出的堆栈中取出一个目标像素点，在二值化图像中的该目标3×3邻域中再次寻找未被标记的红色目标像素点，对此红色目标像素点进行标记，并将其置入先入先出的堆栈中。

iii）重复步骤ii），遍历先入先出堆栈中的各个目标像素，找出所有符合条件的红色像素点；

5）获取各个颜色的像素点的个数，判断绿色像素点的个数：如果绿色像素点的个数大于200，则认为能检测到绿色标识线，用最小二乘法拟合绿色标识线的方程y_blue=a₁x_blue²+a₂x_blue+a₃。 

判断黑色像素点的个数，如果黑色像素点的个数大于200，则认为能检测到黑色标识线，用最小二乘法拟合黑色标识线的方程y_black=b₁x_black²+b₂x_black+b₃；

判断红色像素点的个数，如果红色像素点的个数大于200，则认为能检测到红色标识线，用最小二乘法拟合红色标识线的方程y_red=c₁x_red²+c₂x_red+c₃；

6）得到检测到的标识线的名称和颜色，如果c₃>0，则可以判断最开始检测到的是第三条红色标识线；若0<b₃<c₃，则表示最开始检测到的是第二条黑色标识线，若b₃>c₃>0，则表示最开始检测到的是第四条黑色标识线；同理，若0<a₃<c₃，则表示最开始检测到的是第一条绿色标识线，若a₃>c₃>0，则表示最开始检测到的是第五条绿色标识线；若此时a₃=0 and b₃>0 and c₃=0或者a₃>0 and b₃=0 and c₃=0或者a₃=0 and b₃=0 and c₃=0，则重新求黑色标识线。

所述检测是否有新的横向线出现的具体步骤包括：确定横向线像素点的判断

条件；根据横向线像素点的判断条件，在图像区域内检测横向线的像素点，记录横向线像素点的个数，并记录坐标值。判断绿色像素点的个数，如果绿色像素点的个数突然变多，则检测到一条新的横向线； 

确定绿色像素点的判断条件。根据像素点的RGB值，如果(G-R)>ε₁ and 

(G-B)>ε₂ and |B-R|<ε₃,其中ε₁、ε₂、ε₃为阈值，此处分别取值100、100、20，则认为该像素点为绿色像素。

根据绿色像素点的判断条件，在图像的（height-ε’，height）区域内检测绿色像素点，其中ε’为阈值，此处取50，height为图像的高度，记录绿色像素点的个数，并保持坐标值。

如果flaggreen=0，执行步骤④；如果flaggreen=1，则用跟踪法求绿色横

向线。

判断绿色像素点的个数。如果绿色像素点的个数突然变多，则认为是检测到了一条新的横向线。采用基于邻域搜索的连通域检测算法将绿色像素点聚类，并用最小二乘法拟合绿色横向线的参数方程y=d₁x+d₂, flaggreen=1。

本发明所述的基于视觉的汽车列车弯道行驶轨迹测量方法，在检测标识线上的点时，采用了基于邻域搜索的连通域检测的算法，即将所有的检测到的点进行聚类，保留可能在标识线上的点，排除噪声点，减少误差，提高精度，而且，本发明所涉及的弯道行驶时汽车列车位置估计算法属于一种绝对定位方法，只要在摄像机视野中出现了标识点，即可根据数学计算公式推导出汽车列车当前位置和航向，可以准确、有效的解决汽车列车弯道行驶轨迹的测量问题，为汽车列车弯道行驶稳定性以及道路通行能力的研究提供有效的数据理论。 

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。