[发明专利]一种用于车载环视系统摄像头参数标定的特征点抽取方法

说明书

技术领域

本发明涉及车载摄像头参数标定领域，具体涉及一种用于车载环视系统摄像头参数标定的特征点抽取方法。

背景技术

车载环视系统是由装配在车体上前后左右的多台广角摄像机构成，每台摄像机覆盖一定区间，图像经过视点变换生成俯视图，并进行拼接得到车载环视俯瞰图。为了使上述装配在车体上的多台广角摄像机所摄取的图像经过视点变换能够生成没有畸变的无缝拼接的合成俯瞰环视图，上述装配在车体上的广角摄像机的内部参数与外部参数必须被精确标定。摄像机的内部参数是否精确直接影响合成图的畸变校正效果。摄像机的外部参数是否精确会影响合成图中各个相机图像连接处是否错位，也会影响最终合成图中俯瞰环视图与车体的相对位置关系是否正确。

如何设计能够一种校正效率高、易操作的标定方法，成为了车载环视系统研究的重要方向。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种用于车载环视系统摄像头参数标定的特征点抽取方法。

技术方案：一种用于车载环视系统摄像头参数标定的特征点抽取方法，其特征在于，该方法包括以下步骤：

1)预测校正标志物区域：根据车辆尺寸、摄像头安装位置、安装角度、摄像头既定参数以及校正标志物的三维坐标预测校正标志物在图像中所出现的位置区域；

2)根据标志物形态选择特征点位置：

2.1)当标志物为色块标定时，摄像头在步骤1)的预测区域中寻找校正标志物颜色的像素点；在该颜色的像素候补区域通过收缩膨胀的变形处理去除小粒子，把大面积的该颜色区域连在一起，通过计算粒子面积的解析方法得到在预测区域中最大面积的该颜色区域作为输出结果；之后通过图像角点检测算法选取特征点；

2.2)当标志物为LED光点或反光求标定时，摄像头在步骤1)的预测区域中抽取高亮点作为特征点；

3)对步骤2)中获得的特征点进行特征点匹配：将校正标志物的三维坐标与对应图像的二维坐标进行匹配，去掉没有匹配上的特征点。

步骤2.1)中图像角点检测算法包括基于Harris的角点检测算法或基于SURF特征 的角点检测算法。基于Harris特征和SURF特征的角点检测算法计算量相对较小，特征点位置精确，适用于大面积色块的角点检测。

有益效果：

1、该特征点抽取的方法步骤简单，缩短了抽取特征点所用的时间，提高了整个标定过程的效率。

2、该特征点抽取方法容易区分不同摄像头对应的不同特征点的存在位置，避免混淆。

具体实施方式

下面对本发明做更进一步的解释。

一种用于车载环视系统摄像头参数标定的特征点抽取方法，其特征在于，该方法包括以下步骤：

1)预测校正标志物区域：根据车辆尺寸、摄像头安装位置、安装角度、摄像头既定参数以及校正标志物的三维坐标预测校正标志物在图像中所出现的位置区域；

2)根据标志物形态选择特征点位置：

2.1)当标志物为色块标定时，摄像头在步骤1)的预测区域中寻找校正标志物颜色的像素点；在该颜色的像素候补区域通过收缩膨胀的变形处理去除小粒子，把大面积的该颜色区域连在一起，在这一步中，本实例以前后摄像头的校正标志物为蓝色举例。在前相机和后相机的预测区域中寻找蓝色像素点，在RGB表色空间中可以用(B*2-R-G)>预先设定的蓝色阈值的方法，在YUV或者YCbCr表色空间中可以用UV象限角度(280°<theta<350°)的评价方法。

之后，通过计算粒子面积的解析方法得到在预测区域中最大面积的该颜色区域作为输出结果；之后通过图像角点检测算法选取特征点；本实例选择Harris角点检测算法，也可以使用其他可行的角点检测算法，比如基于SURF特征的角点检测算法。

2.2)当标志物为LED光点或反光求标定时，摄像头在步骤1)的预测区域中抽取高亮点作为特征点；具体为在亮度最高的值开始向低亮度方向搜寻谷底，并累计像素数；如果这个谷底距离最高亮度的差距在某一预先设定的阈值以内，而且累计像素数也少于区域总像素数的一定比例(比如1/200)，那么这个谷底就是我们需要求的亮度阈值，凡是高于这个亮度的像素作为高亮点候补抽取，并通过粒子解析算法进行聚类，求出每个粒子的中心位置。其他的高亮点抽取方法也同样适用。