[发明专利]一种基于路面特征的车辆定位方法及在视觉定位中应用

说明书

本发明提供一种基于路面特征的车辆定位方法，包括以下操作步骤：A）、设备准备：在车辆底盘上安装面向地面拍摄的高速相机；B）、路面图像连续输入；C）、通过机器视觉算法计算车辆位移：在输入的图像上确定特征像素点，通过机器视觉算法对道路图像的特征像素集合进行特征识别和匹配，计算出特性像素点在图像尺度下的位移；再由图像尺度到实际尺度的标定转化关系得出像素点的实际位置，由相对运动原理得出车辆的实际位移；D）、完成。本发明通过高速相机实时采集车辆经过之处的地面图像，应用特征识别和匹配算法来估计连续两帧图像所对应的车辆位移，与IMU测量数据融合获得了更准确的车辆位置，获得了更高的车辆定位精度。

技术领域

本发明属于车辆定位及机器视觉技术领域，特别涉及一种基于路面特征的车辆定位方法及在视觉定位中应用，应用场景是针对可行驶各类非轨道车辆的交通道路路面，例如沥青路面、水泥路面、大理石路面、铺砖路面等，该路面对于目前的机器视觉算法而言具有可提取的图像特征。

背景技术

目前在乘用车、商用车等领域所使用车载导航芯片一般集成MEMS（Micro-Electro-Mechanical Systems）惯性导航单元IMU（Inertial Measurement Unit），以保证在GNSS（Global Navigation Satellite System）信号不良的情况下可持续获得车辆位置解。同时也往往会集成车辆的轮速、转向角等参数作为车辆里程计模型的输入，来获得车辆位置的估计。具体而言，在常规车辆组合定位（GNSS卫星导航+IMU惯性导航+里程计）的方案下，如果处于GNSS信号不良的环境（例如城市建筑物、树木等对信号的遮挡）中，车辆主要依靠惯性导航和常规里程计的组合形式实现定位。这里所说的常规里程计输出的信息一般包括轮速和转向角，在已知必要的车辆运动学模型参数后，可通过常规里程计实现对车辆位置的估计，并与IMU的测量数据结合，应用各种传感器融合算法实现更佳的车辆位置估计。

目前，车载导航方案采用惯性导航单元和里程计作为GNSS定位的辅助定位，这种组合定位方法的不足是，MEMS类型的低成本惯导单元和常规的里程计均具有对车辆位置估计的累积误差。具体来说，对于MEMS类型的低成本IMU，其测量加速度并对其作两次积分获得位移的方式会形成累积误差，即随时间（或者车辆行驶距离）增加而累积形成很大的位置估计误差。对于里程计而言，由于车辆运动学模型通常并不精确（例如胎压和车辆负载等等因素的变化），以及车辆轮胎打滑、侧滑等难以建模的因素也影响着车辆运动，所以常规里程计的车辆航迹推算往往只能短距离使用，可信度不佳。

在车辆需要持续保持高精度定位（例如“车道级”定位精度），在GNSS卫星导航信号不佳导致定位解不可用的情况下，如何提高惯性导航单元的定位精度是重要的考虑因素，这种场景下需要车辆在相当长一段行驶距离内保持车道级定位，这往往需借助造价高昂的高精度惯导单元（所谓的“战术级”精度，tactical grade）。

如何提供一种基于路面特征的车辆定位方法及在视觉定位中应用，如何与IMU测量数据融合获得更准确的车辆位置，如何获得更高的车辆定位精度，成为急需解决的问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于路面特征的车辆定位方法及在视觉定位中应用，用于解决现有技术中低成本惯导单元和常规的里程计均具有对车辆位置估计的累积误差，车辆位置不准确，车辆定位精度差的问题。

为实现上述目的，本发明提供一种基于路面特征的车辆定位方法，其特征在于：包括以下操作步骤：

A）、设备准备：

在车辆底盘上或者其他合适位置安装面向地面拍摄的高速相机，确保其能采集高质量的路面图像信息；

B）、路面图像连续输入：

将采集的所有连续路面图像信息作为图像特征识别和匹配算法的输入；

C）、通过机器视觉算法计算车辆位移：