[发明专利]一种基于路侧单目摄像头的车辆姿态检测精度优化方法

说明书

本发明涉及一种基于路侧单目摄像头的车辆姿态检测精度优化方法，包括以下步骤：步骤1：由目标检测模型取得初始的矩形检测框，得到图片坐标系下检测框的四个顶点以及捕捉到目标的种类；步骤2：分割视频画面，划分出基准区域，根据车辆所处的区域以及像素坐标系与世界坐标系的转换，得到车辆的模糊姿态模型；步骤3：基于卡尔曼滤波追踪车辆，得到每辆车辆的行驶轨迹；步骤4：基于车辆的行驶轨迹，以及车辆模糊姿态模型得到车辆精确姿态模型；步骤5：将检测框输入精确车辆姿态模型，使得检测框变为特定的检测点，将其固定到不同姿态车辆的同一位置。与现有技术相比，本发明具有目标检测准确度更高，运算简单等优点。

技术领域

本发明涉及自动驾驶汽车测试技术领域，尤其是涉及一种基于路侧单目摄像头的车辆姿态检测精度优化方法。

背景技术

目标检测是一种利用深度学习网络自动分辨出现在视频或者照片上的目标物体的技术。将目标视频或者图片传入基于卷积神经网络经过训练的模型，模型将会在图像坐标系下输出目标的种类以及一个矩形检测框(矩形框框出目标的整体)。现有的目标检测模型经历rcnn、fast-rcnn、faster-rcnn、yolo、ssd、yolov3等等的开源模型已经拥有了极好的检出率以及实时率。

但随着应用场景的变化，开源模型所输出的矩形检测框已经不能满足在检测精度上的需求。例如在无人驾驶领域对虚拟bsm消息的需求，无人驾驶车辆会将自己的车辆信息编辑成bsm消息发送给所有其它的无人驾驶车辆，在bsm信息中包含有车辆位置信息，在高精地图的支持下精确度以达到了厘米级。如果想用普通车辆加目标检测技术产生虚拟bsm消息，为了匹配无人驾驶车辆的精度，则需要将检测框(对于车辆而言误差在米级)归一为检测点，在车辆不同姿态下将其标定到车辆的固定位置。现有方式多为使用双目摄像头，进而利用双目3D还原取得车辆姿态，但双目摄像头并未大量布设与路侧并且3D还原损耗的算力过高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于路侧单目摄像头的车辆姿态检测精度优化方法。

本发明的目的可以通过以下技术方案来实现：

一种基于路侧单目摄像头的车辆姿态检测精度优化方法，包括以下步骤：

步骤1：由目标检测模型取得初始的矩形检测框，得到图片坐标系下检测框的四个顶点以及捕捉到目标的种类；

步骤2：分割视频画面，划分出基准区域，根据车辆所处的区域以及像素坐标系与世界坐标系的转换，得到车辆的模糊姿态模型；

步骤3：基于卡尔曼滤波追踪车辆，得到每辆车辆的行驶轨迹；

步骤4：基于车辆的行驶轨迹，以及车辆模糊姿态模型得到车辆精确姿态模型；

步骤5：将检测框输入精确车辆姿态模型，使得检测框变为特定的检测点，将其固定到不同姿态车辆的同一位置。

进一步地，所述的步骤2包括以下分步骤：

步骤21：建立摄像机模型并还原像素坐标，得出检测目标的真实长宽比；

步骤22：根据检测目标在世界坐标系下的长宽比与真实长宽比相对比判断得出车辆的模糊姿态模型。

进一步地，所述步骤2中的基准区域包括正向直行区域、反向直行区域、左转区域和右转区域。

进一步地，所述步骤3中的行驶轨迹，其描述公式为：

式中，表示根据上一状态推测而来的值，为t-1时刻的估计值，F_t为状态转移矩阵，B_t为控制矩阵，u_t表示加速度。

进一步地，所述步骤4包括以下分步骤：