[发明专利]基于二阶隐马尔科夫模型的智能车视觉定位方法及装置

权利要求书

1.一种基于二阶隐马尔科夫模型的智能车视觉定位方法，其特征在于，包括以下步骤：

将待定位场景离散为连续的节点，获取车辆在每一节点位置处采集的节点图像，计算每一节点图像的全局描述符、局部描述符以及局部特征点作为图像信息，计算每一节点图像的图像坐标系与全局坐标系之间的转换矩阵作为3D信息，计算相邻节点图像之间的位姿关系作为轨迹信息，结合所述视觉信息、3D信息以及轨迹信息建立视觉地图数据库；

基于所述视觉地图数据库，以节点位置作为状态值，以图像信息作为观测值，建立基于二阶隐马尔可夫的视觉定位模型；

基于视觉定位模型获取车辆的节点级定位结果，利用当前获取的实时观测图像与节点级定位结果对应的节点图像之间的单应关系，并结合所述3D信息获取车辆的全局定位信息。

2.根据权利要求1所述的基于二阶隐马尔科夫模型的智能车视觉定位方法，其特征在于，计算节点图像的全局描述符，具体为：计算节点图像中心像素点对应的ORB描述符作为所述全局描述符；

计算节点图像的局部特征点，具体为：采用FAST交点检测算法计算所述节点图像的关键点作为所述局部特征点；

计算节点图像的局部描述符，具体为：计算所述局部特征点的ORB描述符作为所述局部描述符；

计算节点图像的图像坐标系与全局坐标系之间的转换矩阵，具体为：计算所述节点图像的图像坐标系与全局坐标系之间的单应矩阵作为所述转换矩阵；

计算相邻节点图像之间的位姿关系，具体为：根据所述局部描述符，对相邻节点图像的相应局部特征点进行匹配，根据匹配的局部特征点对计算相邻节点图像之间的单应矩阵；根据相邻节点图像之间的单应矩阵计算相邻节点图像之间的旋转矩阵以及平移向量，以所述旋转矩阵以及平移向量作为所述位姿关系。

3.根据权利要求1所述的基于二阶隐马尔科夫模型的智能车视觉定位方法，其特征在于，基于所述视觉地图数据库，以节点位置作为状态值，以图像信息作为观测值，建立基于二阶隐马尔可夫的视觉定位模型，具体为：

计算车辆在不同初始位置、不同运动模型下，前两个状态转移至各节点处的转移概率，得到状态转移矩阵；

采集车辆在不同位置处获取的观测图像，分别计算观测图像与各节点位置之间的观测概率，得到观测矩阵；

结合所述状态转移矩阵以及观测矩阵得到所述视觉定位模型。

4.根据权利要求3所述的基于二阶隐马尔科夫模型的智能车视觉定位方法，其特征在于，计算观测图像与节点位置之间的观测概率，具体为：

计算所述观测图像的全局描述符与节点位置对应的节点图像的全局描述符之间的汉明距离，建立基于汉明距离的概率分布，生成所述观测概率。

5.根据权利要求1所述的基于二阶隐马尔科夫模型的智能车视觉定位方法，其特征在于，基于视觉定位模型获取车辆的节点级定位结果，具体为：

获取车辆初始位置作为视觉定位的初始状态，获取车辆由初始状态到下一状态的转移矩阵作为视觉定位的初始转移矩阵；

获取车辆的历史位置信息以及实时观测图像，将车辆的历史位置信息输入所述视觉定位模型，得到多个预测的状态及其转移概率，并获取各状态对应的节点图像与所述实时观测图像之间的观测概率；

结合所述转移概率以及观测概率，利用前向算法计算各状态的前向概率，筛选前向概率的最大值作为节点定位结果。

6.根据权利要求5所述的基于二阶隐马尔科夫模型的智能车视觉定位方法，其特征在于，将车辆的历史位置信息输入所述视觉定位模型，得到多个预测状态的转移概率，并获取各状态对应的节点图像与所述实时观测图像之间的观测概率，具体为：

根据车辆的初始位置信息，确定所述视觉定位模型的初始状态向量以及初始状态转移矩阵；

将车辆前两个时刻的历史位置信息输入所述视觉定位模型，得到当前时刻各预测状态的转移概率；

利用当前时刻所获取的实时观测图像，基于所述视觉定位模型的观测矩阵，获取当前时刻的实时观测图像与各状态之间的观测概率。