[发明专利]基于绝对尺寸的智能车侧方行人/车单目深度测距方法

说明书

本发明公开了一种基于绝对尺寸的智能车侧方行人/车单目深度测距方法，通过智能车左右后视镜正下方嵌入式安装的单目相机采集车辆侧方图像，通过构造单目相机时间序列的立体几何成像模型、畸变矫正模型，标定智能车侧方单目相机和计算畸变系数，构造图同构模型，进行图像数据的同构特征点的检测校验和立体匹配，构造深度测距模型，估计智能车车速测量下的绝对尺寸和可计算出对应目标区域的深度和三维坐标估计值，从而得到侧方行人/车的单目深度测距。筛选了目标区域高级特征出现的合理位置，以此提高立体匹配的精度。减少低层级图像特征算法造成的计算冗余度和时间复杂度情况，保证了实时性，有效克服了单目深度测距缺乏尺度信息的缺点。

技术领域

本发明涉及智能车侧方行人/车深度测距技术领域，尤其涉及一种基于绝对尺寸的智能车侧方行人/车单目深度测距方法。

背景技术

随着新能源智能汽车产业的飞速发展和高速通信网络万物互联的技术变革，自动驾驶智能车的路径规划、障碍物避障是保证行车安全的基本要求，其中最基础的目标深度测距技术被广泛应用于导航、监控、跟踪、虚拟现实等智能电子终端领域。其技术融合了传感器、信号编码、图像处理、计算机视觉、多视图几何、相机成像模型等多个方面。随着智能网联技术的不断发展，智能车高级辅助驾驶产生了自动泊车、自适应巡航、预碰撞、车道偏离预警以及增强现实抬头显示(Augmented Reality Head Up Display,ARHUD)、透明A柱等与目标深度测距技术密切相关的技术应用。

目前基于视觉传感器的单目深度测距方法是现有目标检测、障碍物避障技术的主流方向，例如基于组合纹理特征、预模型结合机器学习的无监督、弱监督、有监督的深度神经网络训练模型等深度估计，这类方法通过带有约束和先验知识的数据学习方法使得测量精度相对较高，鲁棒性较好。但是基于机器学习的单目深度测距方法，采用全图大量像素点进行点云深度测量，缺少真实三维空间的尺度信息，使得整个算法复杂度较高，冗余度较大，实时性较低。

发明内容

本发明的目的在于提供一种基于绝对尺寸的智能车侧方行人/车单目深度测距方法，旨在解决现有技术中基于机器学习的单目深度测距方法，采用全图大量像素点进行点云深度测量，缺少真实三维空间的尺度信息，使得整个算法复杂度较高，冗余度较大，实时性较低的技术问题。

为实现上述目的，本发明采用的一种基于绝对尺寸的智能车侧方行人/车单目深度测距方法，包括如下步骤：

对智能车的单目相机标定，并计算畸变系数；

对单目相机的采集数据进行同构匹配特征点对的检测检验，得到同构特征点对集；

对同构特征点对集进行智能车车速测量下的绝对尺寸的估计和智能车侧方行人/车深度测距。

其中，对智能车的单目相机标定，并计算畸变系数的步骤包括：

在智能车左右后视镜的正下方嵌入式安装单目相机；

准备棋盘格标定板；

在单目相机的可视范围内摆好所述棋盘格标定板，均匀移动棋盘标定板，使用单目相机采集不同方位、不同距离的含有棋盘格标定板的图像，得到标定数据；

构建单目相机成像的几何模型；

根据像差概念构建单目相机光学镜头的畸变模型；

标定和畸变系数计算。

其中，构建单目相机成像的几何模型的步骤中：

基于四个坐标系，世界坐标系、相机坐标系、图像物理坐标系和图像像素坐标系，根据针孔模型建立二维图像到三维世界的坐标系转换关系。

其中，标定和畸变系数计算的步骤包括：

对采集的标定数据每一幅图像进行处理，输入标定板棋盘格的尺寸，提取图像中标定板中的棋盘格的角点，并计算出角点坐标；