[发明专利]基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统

说明书

技术领域

本发明涉及隧道识别方法，尤其涉及一种基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统。

背景技术

现有的隧道识别方法的误差较大，识别效果较差。

发明内容

为了解决现有技术中的问题，本发明提供了一种精度高的基于OpenCv卡尔曼滤波器的车载隧道识别方法及其系统。

本发明提供了一种基于OpenCv卡尔曼滤波器的车载隧道识别方法，包括以下步骤：

S1、对存储器中的车道模板进行匹配；

S2、对隧道位置进行预测，并且进行计算；

S3、判断距离是否超出阀值；

S4、如果超出阀值，则报警，如果没有超出阀值，则更新存储器中的车道模板并返回步骤S1。

作为本发明的进一步改进，步骤S1中：通过差分算法根据车道模板匹配图形，确定其相似度，定义一个变量，保存其相似度，当相似度大于0.85时，确定匹配成功。

作为本发明的进一步改进，步骤S2中的预测过程包括：调用成员函数predict得到当前状态变量的估计值，其卡尔曼滤波器由向前推算状态变量方程、向前推算误差协方差方程首先构造，得到下一个时间状态的预先估计；其过程调用成员函数predict的当前变量的估计值、卡尔曼增益方程所计算的卡尔曼增益、后验协方差方程计算的后验协方差，可对下一次的结果进行预测。

作为本发明的进一步改进，向前推算状态变量方程为：X(k|k-1)=A X(k-1|k-1)+B U(k)，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵；I:单位矩阵；X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。

作为本发明的进一步改进，向前推算误差协方差方程为：P(k|k-1)=A P(k-1|k-1) A’+Q，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵；I:单位矩阵；X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。

作为本发明的进一步改进，卡尔曼增益方程为：Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵；I:单位矩阵；X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。

作为本发明的进一步改进，下一次结果的预测方程为：X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1))，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵；I:单位矩阵；X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。

作为本发明的进一步改进，后验协方差方程为：P(k|k)=（I-Kg(k) H）P(k|k-1)，其中，A:状态转移矩阵；B:单位矩阵；Q:高斯噪声协方差矩阵；P:后验错误协方差矩阵；I:单位矩阵；X：状态变量；Z:实际上的测量结果；U:观测时噪音；R:测量噪音的协方差矩阵。

本发明还提供了一种基于OpenCv卡尔曼滤波器的车载隧道识别系统，包括微处理器、摄像头、报警器、图像处理器和存储器，其中，所述微处理器分别与所述摄像头、报警器、图像处理器连接，所述图像处理器与所述存储器连接。

本发明的有益效果是：通过上述方案，提高了识别精度。

附图说明

图1是本发明一种基于OpenCv卡尔曼滤波器的车载隧道识别方法的流程图；

图2是本发明一种基于OpenCv卡尔曼滤波器的车载隧道识别方法的流系统的结构框图。

具体实施方式

下面结合附图说明及具体实施方式对本发明进一步说明。

图2中的附图标号为：微处理器100；摄像头200；报警器300；图形处理器400；存储器500。

如图1所示，一种基于OpenCv卡尔曼滤波器的车载隧道识别方法，包括以下步骤：

S1、通过opencv库函数分别初始化ransitionMatrix；measurementMatrix；processNoiseCov；measurementNoiseCov；errorCovPost,等值于矩阵，对存储器中的车道模板进行匹配；

S2、对隧道位置进行预测，并且进行计算，其过程实现为调用成员函数correct用观测值来对测量值进行矫正；