[发明专利]基于路面特征点的车辆指定位置停车方法及系统

说明书

本发明公开一种基于路面特征点的车辆指定位置停车方法及系统，其根据棋盘图计算每一个停车位置的地面平面到相机像素平面的单应矩阵，并采集包含相应车位置附近路标的图像参考特征点，然后结合停车位置的各项信息制作构建样本库；通过将实时图像的当前特征点与样本库中对应的特征点进行筛选匹配；将筛选匹配得到的当前特征点结合地面平面到图像平面的单应矩阵计算相机当前位置与图像参考点的相对位置关系，最后将得到的相对位置关系加上样本库中已知GPS路标位置点即为当前车辆的绝对位置点，从而利用视觉通过计算与路标相对关系来得到当前车辆的绝对位置，实现精准停车，其在图像匹配时极大精简了构建样本库流程，提高了可操作性。

技术领域

本发明涉及基于路面特征点的车辆指定位置停车方法及系统，涉及图像识别和机器视觉的交叉技术领域。

背景技术

在智能驾驶中，车辆位置信息代表当前车辆所在道路或所处环境中的位置状态，是回答“车辆在哪里”的重要参考。高精度的位置信息分为绝对位置信息和相对位置信息。绝对位置信息一般用全球定位系统(Global Position System,GPS)获取，以某点为参考原点，用经纬度高程信息进行绝对位置表达。通过GPS获取绝对位置信息是智能驾驶重要途径，一般GPS位置精度越高售价也就越高昂。GPS一大弊端是在长隧道、大型立交桥下、“城市森林”等场景中，存在“丢星”情况，测量误差剧烈跳变，通常能达到几米甚至几十米。相对位置信息计算常见道路属性到车辆某点的相对关系，从而获得车辆与路标的相对位置。常用手段使用传感器(如毫米波雷达、相机等)检测路标(如车道线、车辆、路灯、路牌等)与车辆的相对距离信息，从而推测车辆与路标的位置关系。绝对位置与相对位置互补是近些年来研究热点。路面上固定的一些路标可以提前利用高精度的GPS设备采集它的绝对位置，通过路标的绝对位置关系，车辆与路标的实时相对关系可以推算出当前车辆的实时绝对位置关系，如相机实时采集图像来检测路标再与高精度地图进行融合匹配，高精度惯性测量装置(Inertial Measurement Unit，IMU)与相机进行融合等。

利用相机在路面指定位置时，通常检测地面路标或地物，主要使用模板匹配或深度学习。模板匹配主要利用小样本库(相对于深度学习)，提取样本库中的公共特征组成模板，再进行目标分类，一般速度较快；深度学习主要利用大样本库，设置多层神经网络，直接输出分类结果，一般速度较慢。这两种方法中都涉及到样本库的制作。目前，在公共资料上存在较多免费甚至已经标注好的高质量数据集，但在实际项目中跟客户需求及相机不同选型，最终的效果也会大打折扣，因此，构建项目的样本库必不可少。在制作样本库时，主要是人工对事先采集的数据(视频或图像)按每帧或每张图像找到所需的目标物，手动标注或裁剪目标物合适的大小并保存。这种依赖人工进行生产的方式操作繁琐，效率低下，质量无法保证，人力成本非常高昂。

发明内容

有鉴于此，本发明提供一种能够简化构建样本库流程，提高了可操作性的基于路面特征点的车辆指定位置停车方法及系统。

一种基于路面特征点的车辆指定位置停车方法，所述基于路面特征点的车辆指定位置停车方法包括以下步骤：

S1、在每一个停车位置处采集包含附近路标的图像，提取参考特征点，根据棋盘图计算每一个停车位置的地面平面到车载相机像素平面的单应矩阵，并结合每一个停车位置的各项信息制作构建样本库；

S2、车载系统接收输入的停车位置的预设编号，根据停车位置的预设编号自样本库中获取相应停车位置信息；

S3、采集车载相机实时获取的图像，检测提取实时图像中的当前特征点，并计算实时帧与样本帧单应矩阵，并将实时图像的当前特征点与样本库中该停车位置对应的参考特征点进行筛选匹配；

S4、将筛选匹配得到的当前特征点结合地面平面到图像平面的单应矩阵计算相机当前位置与图像参考点的相对位置关系；