[发明专利]一种基于单目视觉的目标精准测距方法

摘要

一种基于单目视觉的目标精准测距方法属于计算机视觉计算领域，主要应用于智能驾驶场景感知中前方车辆目标测距技术中。该方法主要分为相机标定、目标测距关键点选取、目标测距、误差修正四大部分。通过选取合适的测距关键点，结合多种测距算法以及对测距误差进行修正，最终得到目标的精准距离。该方法可以应用在基于视觉计算的很多行业中，如应用于无人驾驶汽车前方车辆目标测距，城市交通车辆检测与行为意图分析，智能机器人目标测距等应用中。本方法较其他视觉测距方法精度更高。

主权项

1.一种基于单目视觉的目标精准测距方法，其特征在于，包括以下步骤：步骤1：相机标定；步骤1‑1：打印一张用于相机标定的黑白相间的棋盘格，把它贴在一个平面上，作为标定物；步骤1‑2：使用需要标定的相机捕获棋盘格图像，要求整张棋盘格在图像内，每个棋盘格边长不能少于10个像素，并且捕获从不同角度拍摄的N张图像；步骤1‑3：打开MATLAB软件中相机标定模块，点击“add images”，然后输入模板的方格大小d mm，选中步骤1‑2中获取到的N张图像；步骤1‑4：添加完N张图像之后，选择“calibrate”命令，出现标定结果统计图，点击保存calibration.mat文件，相机标定完成；步骤1‑5：从calibration.mat中取出内参矩阵其中，f_x、f_y分别是相机水平方向和垂直方向相对单位像素的焦距，(u₀,v₀)是光学中心坐标，外参矩阵其中，分别是世界坐标到相机坐标的旋转矩阵、平移矩阵；步骤2：目标测距关键点选取；步骤2‑1：由已知的目标检测结果得到待测目标的矩形框位置(u v w h)，其中(u v)表示矩形框在图像中左上角顶点的坐标值，(w h)表示矩形框的宽度和高度像素值；步骤2‑2：计算目标测距关键点C的像素坐标步骤2‑3：校验测距关键点坐标合法性，需要满足条件C＝{(x,y)|0＜x＜W,0＜y＜H}，其中W是图像总的像素宽度，H是图像总的像素高度；步骤3：目标测距；步骤3‑1：选取世界坐标系，世界坐标系的坐标原点在相机正下方的水平路面上，x轴方向为正前方，y轴方向为正左方，z轴方向为正上方，符合右手定则；步骤3‑2：从步骤1中得到相机参数的内参矩阵K和外参矩阵P，从步骤2中得到待测目标的测距关键点C的像素坐标(u₁,v₁)，其中令测距关键点C的世界坐标为(X_w，Y_w，Z_w)，由于所计算的关键点C的世界坐标点位于水平地面上，所以Z_w＝0，最后通过矩阵变换公式计算得到关键点C的相关性未知尺度因子s；步骤3‑3：根据步骤3‑2所求的相关性未知尺度因子s，关键点C的像素坐标以及相机参数的内参矩阵K和外参矩阵P，代入公式①，计算出像素坐标C点对应的世界坐标(X₁，Y₁，0)，其中X₁即为待测目标关键点的纵向物理距离值，Y₁即为待测目标关键点的横向物理距离值，记为D₁(X₁，Y₁)；步骤3‑4：由已知的目标检测结果获取到待测目标的矩形框位置(u v w h)，从中取得待测目标的像素宽度w,从步骤2中得到测距关键点C的像素坐标，计算出该点距离像素中心的横向像素距离由相似三角形原理得到公式其中，从步骤1中得到相机内参矩阵K中f_x的值，dx为相机横向像素单位大小，相机焦距f＝f_x·dx，W₁为目标实际物理宽度，X₂,Y₂分别是需要求的目标纵向和横向物理距离，记为D₂(X₂，Y₂)；步骤4：误差修正；步骤4‑1：对计算结果D₁进行滤波处理，得到新的D₁；步骤4‑2：对D₁，D₂进行卡尔曼滤波处理，得到滤波之后的结果(D_cor1,D_cor2)＝Kalman(D₁,D₂)；步骤4‑3：分配权重并进行滤波处理，得到最终距离值D＝Kalman(0.7D_cor1+0.3D_cor2)。