[发明专利]一种针对车载相机的外参在线估计方法

说明书

本发明公开了一种针对车载相机的外参在线估计方法。包括：首先获得线性参数化后的视觉动态方程；计算在车辆运动过程中的车载相机的尺度化平移向量；对车辆速度信号和每个时刻的尺度化平移向量进行分段积分，获得速度积分矩阵和角速度平移耦合积分矩阵；接着构造并行学习观测器，对外参进行估计，获得更新后的定常外参向量，进而获得累积矩阵；当累积矩阵的最小奇异值小于预设阈值时，则重复计算尺度化平移向量，直至达到指定条件，获得中间阶段的定常外参向量和并行学习观测器；然后继续对外参进行估计，直至定常外参向量收敛，获得最终的外参。本发明消除了现有方法对人造视觉特征以及特定运动模式的依赖，提高了外参估计的灵活性与实用性。

技术领域

本发明属于计算机视觉和自动化的交叉领域的一种车载相机的外参估计方法，具体涉及了一种针对车载相机的外参在线估计方法。

背景技术

智能车的视觉感知信息由相机获取,其坐标系为相机自身坐标系,然而后续的路径规划等功能需要使用表示在车辆坐标系下的外部环境信息,两个坐标系之间的相互转换涉及到相机相对于车辆的外参。在智能车的动态避障或轨迹规划中，周围环境中障碍物的位置与速度信息是不可或缺的。对障碍物位置与速度的感知可以基于视觉方式获得，而为了对这些信息进行有效利用，须将其表示在车辆自身坐标系下，而这依赖相机相对于车辆的外参。

在基于视觉的跟踪与镇定问题中,自适应控制器可以在线补偿未知相机外参的影响，其原理是抵消控制任务Lyapunov函数的时间导数中与未知外参相关联的项(J.Chen,B.Jia,and K.Zhang,“Trifocal tensor-based adaptive visual trajectory trackingcontrol of mobile robots,”IEEE Transactions on Cybernetics,vol.47,no.11,pp.3784–3798,Nov.2017)。这种方法尽管能实现既定的控制任务，但它仅仅是抵消了相机外参的影响，而没有获得相机外参的真值。当任务或场景发生变化，仍需要重新分析、处理外参的影响。

尽管已有许多离线标定方法可以获取相机外参，但大部分相关工作都依赖于特殊的人造视觉特征，如棋盘格子或Aruco Markers等；另一部分工作则要求相机仅能进行特定模式的运动，如圆周运动、直线运动或多种运动模式的组合(G.Yu,J.Chen,K.Zhang,andX.Zhang,“Camera external self-calibration for intelligent vehicles,”IEEE 28thInternational Symposium on Industrial Electronics(ISIE),Vancouver,BC,Canada,12–14June 2019,pp.1688-1693)等。此外，这些方法大多还要求专门的场地或专门的技术人员，这些对于一辆需要长期在室外运行且相机外参由于颠簸甚至碰撞可能频繁改变的智能车来讲显得过于复杂。

综上所述，现有针对未知相机外参的工作尚存一些不足，因此本工作将考虑基于未知外参的车载相机实现对运动目标的位置与速度估计。

发明内容

为了实现对车载相机外参的在线估计，本发明提出了一种针对车载相机的外参在线估计方法。本发明使用单应性构造系统状态约束关系，通过分解单应矩阵获得尺度化平移信息，并基于车辆运动学模型与机器人运动学原理构造动态系统，建立图像坐标、车辆速度与未知的相机外参之间的关系。对动态系统进行线性参数化整理，使得未知参数集中于定常外参向量内，而系统中其他变量均可测量。设计Concurrent Learning观测器实现对未知的相机外参进行在线估计，并引入时变观测增益矩阵以加速收敛过程，基于Lyapunov理论的分析可以保证估计过程的收敛性与收敛速度，最终基于定常向量的估计值来恢复相机外参。与大多数现有方法不同，此方法不要求相机始终能够拍摄到静态参照物。

本发明的技术方案是：

方法包括以下步骤：