基于車道線檢測和gis地圖信息開發(fā)的視覺導航方法
【專利摘要】本發(fā)明公開了一種基于車道線檢測和GIS地圖信息開發(fā)的視覺導航方法，該方法首先采集GIS地圖信息并進行預處理，然后實時采集圖像并進行車道線檢測，同時實時生成GIS局部地圖，將車道線檢測結果與GIS局部地圖通過ICP算法進行匹配校驗，最終根據匹配結果生成可信度高的車道線結果。該方法既能通過地理信息系統(tǒng)對車道線檢測結果進行可信度評價，在出現(xiàn)誤檢或漏檢時進行校正，擴大車道檢測算法的適用范圍，又能通過視覺感知信息提高地圖定位的精度，從而提高整個智能駕駛及輔助駕駛系統(tǒng)中視覺導航系統(tǒng)的性能，使系統(tǒng)能夠適應更加復雜的環(huán)境。
【專利說明】基于車道線檢測和GIS地圖信息開發(fā)的視覺導航方法
【技術領域】
[0001]本發(fā)明屬于無人駕駛智能控制領域，涉及一種車輛智能駕駛的視覺導航方法，尤其是一種基于車道線檢測和地理信息系統(tǒng)(Geographic InformationSystem, GIS)地圖信息相結合所開發(fā)的視覺導航方法，用于實時評價和校驗傳統(tǒng)車道線檢測結果的可靠性，提高智能駕駛視覺導航的精度。
【背景技術】
[0002]視覺導航是智能駕駛以及輔助駕駛中的關鍵技術步驟，是通過對視覺數(shù)據的處理(一般為圖像數(shù)據)，提取環(huán)境中有用的信息，為駕駛決策提供可靠依據。車道線檢測是其中一個重要方面，一般通過前視相機采集圖像進行圖像處理，獲得路面情況的信息，包括在城市、鄉(xiāng)村及高速等不同場景下車道線的數(shù)量、位置、寬度和交匯分叉等。車道線檢測主要分為以下幾個模塊:圖像預處理，特征提取，車道模型擬合，時域關聯(lián)以及圖像和世界坐標的轉換。目前的車道線檢測系統(tǒng)能滿足在基本場景下的要求，但基于視覺的方法會受到多種因素的影響，比如道路多障礙物，路面標記不清，天氣影響以及光照變化等。這些因素會導致系統(tǒng)出現(xiàn)誤檢和漏檢，而且系統(tǒng)缺少對檢測結果的校驗和可信度的評價。另一方面，地理信息系統(tǒng)(GIS)，GPS以及慣性測量單元(MU)也開始廣泛運用于自動駕駛及輔助駕駛的定位和導航中。其測量和定位的精度是關鍵問題。目前的商業(yè)用途的GPS能達到5-10m的精度范圍，結合慣性導航單元可以提高到l-2m，但是對車道精度下車的導航行駛則需要對精度提出更高的要求。如何設計實現(xiàn)對車道檢測進行校驗和評價，使檢測方法適應不同的復雜環(huán)境，增強算法的魯棒性，提高檢測結果可信度，同時提高定位和導航的精度的方法已成為汽車自動駕駛及輔助駕駛的研究熱點之一。

【發(fā)明內容】

[0003]本發(fā)明的目的在于克服上述的技術缺陷，提供一種基于車道線檢測和GIS地圖信息開發(fā)的視覺導航方法，該視覺導航方法既能通過地理信息系統(tǒng)對車道線檢測結果進行可信度評價，在出現(xiàn)誤檢或漏檢時進行校正，擴大車道檢測算法的適用范圍，又能通過視覺信息提高地圖定位的精度，從而提高整個視覺導航系統(tǒng)的性能。
[0004]為達到上述目的，本發(fā)明采用了以下技術方案。
[0005]本發(fā)明假設初始狀態(tài)時車體定位在給出的GIS地圖中，得到初始化數(shù)據后，實時更新局部地圖，然后和車道線檢測結果進行匹配校驗。
[0006]為了保證本發(fā)明的穩(wěn)定性和適用性，該方法基于如下幾個假設:1.已經將GIS地圖信息經過預處理，給出車將要行駛路段的道路邊緣點以及相應的路口點作為先驗信息；2.給出的GPS道路邊緣點與路口點均為順序存儲結構，依次對應于車輛行駛的路段并指導車輛按該路徑行駛；3.由GPS及慣性導航單元定位的誤差及精度在可接受范圍(半個車道寬度約2m)以內。
[0007]本發(fā)明所述方法主要包括以下步驟:[0008]I)預先采集GIS地圖信息并進行預處理；
[0009]2)實時采集圖像并進行車道線檢測；
[0010]3)實時生成GIS局部地圖；
[0011]4)將車道線檢測結果與GIS局部地圖進行匹配校驗；
[0012]5)根據匹配結果生成可信度高的車道線結果。
[0013]所述步驟I)中，通過位姿測量設備預先采集全局地圖的道路邊緣數(shù)據，并對道路邊緣數(shù)據進行光滑濾波處理，得到全局地圖的道路邊緣點集。
[0014]所述步驟2)中，通過圖像采集設備(包括車載數(shù)字相機和固定焦距鏡頭等)，采用基于單目視覺的、時域關聯(lián)下進行特征提取以及車道模型擬合的檢測方法實時檢測路面車道線。
[0015]所述步驟3)中，通過位姿測量設備(包括慣性組合導航系統(tǒng)，光纖陀螺，車載里程計和前輪轉角測量計等)，實時獲得當前車體位置，并在GIS全局地圖中定位，然后按照局部地圖模型生成局部環(huán)境地圖。
[0016]所述步驟4)中，結合步驟2)與步驟3)的結果，在相同尺度下運用迭代最近點(Iterative Closest Point, ICP)算法對車道線檢測結果與GIS局部道路邊緣進行滑動匹配校驗，獲得最佳匹配位置及最大匹配誤差，匹配時根據車道線模型以及局部地圖模型分組匹配，選擇匹配最優(yōu)的一組。
[0017]所述步驟5)中，根據步驟4)得到的匹配結果，將最佳匹配位置下的最大匹配誤差與閾值相比較，確定車道線檢測結果的可信度，然后修正平移距離及定位的位置信息。
[0018]若檢測結果不可信，則按照道路邊緣線生成虛擬車道線。
[0019]通過車道線位置約束提高檢測結果的正確性和穩(wěn)定性，最終選擇相應方案生成精確度高的車道線結果。
[0020]本發(fā)明的有益效果體現(xiàn)在:
[0021]本發(fā)明首先由GIS提供車輛所行駛區(qū)域的全局地圖的道路邊緣信息，然后得到GIS局部地圖信息以及檢測到的局部的車道線結果，接下來GIS信息與車道線檢測結果相互匹配校驗，由GIS信息來修正車道線的走向和趨勢，同時由視覺車道線檢測結果修正GIS提供的道路邊緣與車道線間的位置關系，最終發(fā)送可信度及精確度高的車道線結果。加入GIS地圖信息的目的是通過以地圖上的道路邊緣為先驗，由曲線走向趨勢的匹配程度來校正車道線存在的誤檢和漏檢。在曲線的整體趨勢上，GIS地圖信息有較高的可信度，因此可以由此來校正車道線；但對于位置精度，由于GPS的不穩(wěn)定性和精度限制，其可信度低于視覺感知的結果，因此可以通過視覺感知的檢測結果來校正位置精度。
[0022]本發(fā)明具有以下特點:
[0023]1.本發(fā)明能夠修正由于地標、光線或大曲率等因素造成的車道線誤檢或檢測結果不準確的情況；
[0024]2.本發(fā)明在沒有車道線檢測結果時能夠給出位置準確的虛擬車道線，保證車在行駛過程中有連續(xù)的感知數(shù)據；
[0025]3.由于GIS先驗信息的加入，大大提高了車道線檢測結果的可靠性；
[0026]4.使系統(tǒng)能夠適應更加復雜的環(huán)境，例如光線變化、多障礙物以及夜間行駛等等?！緦＠綀D】

【附圖說明】
[0027]圖1為本發(fā)明的系統(tǒng)結構圖。
[0028]圖2為本發(fā)明的概要流程圖。
[0029]圖3為本發(fā)明的詳細設計流程圖。
[0030]圖4為本發(fā)明的GIS地圖道路邊緣模型圖。
[0031]圖5為本發(fā)明的車道線檢測流程圖。
[0032]圖6為本發(fā)明的車道基本模型圖。
[0033]圖7為本發(fā)明的車體坐標示意圖。
[0034]圖8為本發(fā)明的車道線與道路邊緣匹配算法流程圖。
【具體實施方式】
[0035]以下結合附圖對本發(fā)明作詳細說明。
[0036]參見圖1以及圖2，所述的方法主要包括以下步驟:
[0037]I)預先采集GIS地圖信息并進行預處理；
[0038]2)實時采集圖像并進行車道線檢測；
[0039]3)實時生成GIS局部地圖；
[0040]4)車道線檢測結果與GIS局部地圖進行匹配校驗；
[0041]5)根據匹配結果生成可信度高的車道線結果。
[0042]算法中要使用的GIS地圖道路邊緣信息是通過實地GPS數(shù)據采集和地圖標定來實現(xiàn)的。標定時分別標注道路左邊緣和道路右邊緣，且所標注的道路為單向，各路段按照預定的行駛路線順序排列。地圖信息的數(shù)據形式以離散采樣點的方式給出，數(shù)據內容為各采樣點的GPS坐標，最終將數(shù)據進行平滑濾波得到符合道路邊緣信息模型的GIS全局地圖原始數(shù)據，模型參見圖4，EL與ER分別代表道路左、右邊緣。
[0043]參見圖5，車道線檢測過程為通過離線標定獲得相機的內參和外參，對圖像在線投影變化后獲得車前圖像俯視圖?；谲嚨谰€部分圖像像素高于路面區(qū)域的基本假設提取出可能的車道線信息即二值分割圖像，對其進行連通域檢測并依據折線段進行擬合。對所有連通域完成折線擬合后，依據其長度和角度約束進行折線段連接得到車道候選線。利用寬度和平行性對候選車道線進行篩選過濾并利用位姿數(shù)據進行多幀圖像間的時域關聯(lián)，得到最終的車道線檢測結果。車道基本模型參見圖6，采取三車道模型，LI與Rl分別代表當前車道的左、右車道線，L2與R2分別代表左二與右二車道線。
[0044]GIS局部地圖的實時生成、車道線及GIS信息匹配校驗以及最終結果的生成由以下的詳細步驟來實現(xiàn)，參見圖3:
[0045]I) GIS信息點及平移距離初始化
[0046]對GIS地圖信息的處理基于以下假設:車所要行駛區(qū)域的GIS地圖信息已經由道路邊緣點給出；GIS地圖信息表示為道路左邊緣與道路右邊緣點成對順序結構；車體啟動位置在GIS地圖范圍內。系統(tǒng)首先加載GIS地圖信息文件，然后在地圖中定位車體位置。初始定位通過全局搜索GIS信息的道路邊緣點并根據車體位姿搜索最近的GIS道路邊緣點。即找出i，
[0047].ν/.ηι?η?//Λ.(^.,6:)[0048]其中Pv代表車體位置坐標，Gi代表GIS信息點坐標，dis (Pv, Gi)代表兩點間的距離。
[0049]考慮需要給出車體坐標下的局部地圖，所以距離計算是將GIS點轉化到車體坐標系下；另外在實際道路情況下，道路右邊緣常會出現(xiàn)加寬或縮小一車道的情況，會影響車體定位的判斷，而道路左邊緣相對穩(wěn)定，所以在定位時只考慮道路左邊緣點，即:
[0050]mi n dis (Pv, GL )
[0051]其中GLi代表GIS信息中道路左邊緣點。
[0052]初始定位后，開始初始化車體坐標下的局部地圖。車體坐標局部地圖的范圍為車體位置的(_10m，60m)。在全局地圖中定位后，根據其順序存儲結構實時加載局部地圖范圍內的信息，然后按照局部地圖模型轉化到相應的結構體中。
[0053]局部地圖創(chuàng)建成功后，初始化車道線與GIS地圖道路邊緣的平移距離(實際操作時車體在某車道中間的位置啟動，用以獲得正確的初始平移量)。初始平移距離默認為當前道的左車道線LI與道路左邊緣EL間的距離。若初始有車道線檢測結果，則計算左車道線與道路左邊緣平移距離；若無車道線檢測結果，則假設車體當前所在位置為車道中點，按照車道寬度估計左車道線LI的位置，計算平移距離。即:
【權利要求】
1.一種基于車道線檢測和Gis地圖信息開發(fā)的視覺導航方法，其特征在于:包括以下步驟: 1)預先采集Gis地圖信息并進行預處理； 2)實時采集圖像并進行車道線檢測； 3)實時生成GIS局部環(huán)境地圖； 4)將車道線檢測結果與GIS局部地圖進行匹配校驗； 5)根據匹配結果生成可信度高的車道線結果。
2.根據權利要求1所述一種基于車道線檢測和GIS地圖信息開發(fā)的視覺導航方法，其特征在于:所述步驟I)中，通過位姿測量設備預先采集全局地圖的道路邊緣數(shù)據，并對道路邊緣數(shù)據進行光滑濾波處理，得到全局地圖的道路邊緣點集。
3.根據權利要求1所述一種基于車道線檢測和GIS地圖信息開發(fā)的視覺導航方法，其特征在于:所述步驟2)中，通過圖像采集設備，采用基于單目視覺的、時域關聯(lián)下進行特征提取以及車道模型擬合的檢測方法實時檢測路面車道線。
4.根據權利要求1所述一種基于車道線檢測和GIS地圖信息開發(fā)的視覺導航方法，其特征在于:所述步驟3)中，通過位姿測量設備實時獲得當前車體位置，并在GIS全局地圖中定位，然后按照局部地圖模型生成局部環(huán)境地圖。
5.根據權利要求1所述一種基于車道線檢測和GIS地圖信息開發(fā)的視覺導航方法，其特征在于:所述步驟4)中，結合步驟2)與步驟3)的結果，在相同尺度下運用迭代最近點算法對車道線檢測結果與GIS局部道路邊緣進行滑動匹配校驗，獲得最佳匹配位置及最大匹配誤差，匹配時根據車道線模型以及局部地圖模型分組匹配，選擇匹配最優(yōu)的一組。
6.根據權利要求1所述一種基于車道線檢測和GIS地圖信息開發(fā)的視覺導航方法，其特征在于:所述步驟5)中，根據步驟4)得到的匹配結果，將最佳匹配位置下的最大匹配誤差與閾值相比較，確定車道線檢測結果的可信度，然后修正平移距離及定位的位置信息。
7.根據權利要求6所述一種基于車道線檢測和GIS地圖信息開發(fā)的視覺導航方法，其特征在于:若檢測結果不可信，則按照道路邊緣線生成虛擬車道線。
8.根據權利要求6所述一種基于車道線檢測和GIS地圖信息開發(fā)的視覺導航方法，其特征在于:通過車道線位置約束提高檢測結果的正確性和穩(wěn)定性。
【文檔編號】G01C21/00GK103954275SQ201410127590
【公開日】2014年7月30日 申請日期:2014年4月1日 優(yōu)先權日:2014年4月1日
【發(fā)明者】杜少毅, 沈雅清, 崔迪瀟, 宋曄, 薛建儒 申請人:西安交通大學