技術(shù)特征：

1.一種基于車載俯視相機的車輛運動測量方法，其特征在于：包括以下步驟：

步驟一：通過車載下視相機持續(xù)獲取道路圖像；

步驟二：對獲取的所有道路圖像進行預處理；

步驟三：預估時間軸相鄰幀圖片中重合部分作為ROI區(qū)域進行提??；

步驟四：對ROI區(qū)域進行FAST特征點提?。?/p>

步驟五：基于所提取的FAST特征點生成SURF特征向量；

步驟六：根據(jù)步驟五中提取的SURF特征向量，利用FLANN特征匹配庫對時間軸相鄰幀圖片進行特征匹配；

步驟七：利用RANSAC算法選取時間軸相鄰幀圖片進行特征匹配后的匹配樣本，通過匹配樣本計算得出Homography矩陣；

步驟八：對計算所得的Homography矩陣進行奇異值分解，獲取車載下視相機的平動信息T與轉(zhuǎn)動信息R；執(zhí)行步驟九并同時執(zhí)行步驟一；

步驟九：通過公式：計算得出實時車速V的絕對值；

通過公式：計算得出車輛的實時側(cè)偏角β；

通過公式：計算車輛橫擺角速度

公式中：T_x為X軸方向車載下視相機的實時平動速度；T_y為y軸方向車載下視相機的實時平動速度；R_z為相機繞z軸的轉(zhuǎn)動分量，t_s為單位時間步長。

2.根據(jù)權(quán)利要求1所述的基于車載俯視相機的車輛運動測量方法，其特征在于：在所述步驟二中，對獲取的所有道路圖像依次進行灰度化處理和除畸變處理，在除畸變處理中，所用參數(shù)為預定參數(shù)，獲取道路圖像的單位時間步長和圖像參數(shù)均為預定參數(shù)。

3.根據(jù)權(quán)利要求2所述的基于車載俯視相機的車輛運動測量方法，其特征在于：在所述步驟三中，預估時間軸相鄰幀圖片中重合部分作為ROI區(qū)域進行提取的方法包括初次提取方法和常態(tài)提取方法，若拍攝圖像為車輛起步階段，即需要比較的圖像為重置后時間軸上的第一幀圖像和第二幀圖像則執(zhí)行初次提取方法，否則執(zhí)行常態(tài)提取方法；初次提取方法：預先設定重置后時間軸第二幀圖片中區(qū)域作為重合部分直接進行提??；

常態(tài)提取方法：根據(jù)步驟九中獲取的實時車速V和設定的獲取道路圖像的單位時間步長通過積分計算得出時間軸相鄰幀圖片中重合部分。

4.根據(jù)權(quán)利要求2所述的基于車載俯視相機的車輛運動測量方法，其特征在于：通過時間軸相鄰幀圖片直接比較，計算得出時間軸相鄰幀圖片中重合部分作為ROI區(qū)域進行提取。

5.根據(jù)權(quán)利要求1所述的基于車載俯視相機的車輛運動測量方法，其特征在于：所述步驟七中，利用RANSAC算法選取正確匹配樣本，計算Homography矩陣：通過m個循環(huán)，隨機選取4個匹配特征，計算Homography矩陣，對剩余特征按該矩陣匹配結(jié)果進行打分，像素點匹配距離小于某閾值M，則視為正確匹配，選取打分最高的Homography矩陣，利用其對應的所有正確匹配特征對，重新計算得到最終Homography矩陣；在步驟七中循環(huán)數(shù)m與距離閾值M均為預設值。

6.根據(jù)權(quán)利要求5所述的基于車載俯視相機的車輛運動測量方法，其特征在于：所述Homography矩陣表示為：其中，R為相機平動信息、T為相機轉(zhuǎn)動信息、d為圖像平面對應的深度、N為圖像平面對應的法向信息、K為相機內(nèi)部參數(shù)矩陣，對計算所得Homography矩陣進行奇異值分解，獲得相機平動信息T與轉(zhuǎn)動信息R；令：

∑＝diag(σ1，σ2，σ3)，V＝[v1，v2，v3]

$u_1=\frac{\sqrt{{\mathrm{\σ}}_1^2-1}{v}_3+\sqrt{1-{\mathrm{\σ}}_3^2}{v}_1}{\sqrt{{\mathrm{\σ}}_1^2-{\mathrm{\σ}}_3^2}},u_2=\frac{\sqrt{1-{\mathrm{\σ}}_3^2}{v}_1-\sqrt{{\mathrm{\σ}}_1^2-1}{v}_3}{\sqrt{{\mathrm{\σ}}_1^2-{\mathrm{\σ}}_3^2}}$

$U_1=\[v_2,u_1,\widehat{v_2}{u}_1\],U_2=\[v_2,u_2,\widehat{v_2}{u}_2\]$

$W_1=\[\stackrel{\‾}{H}{v}_2,\stackrel{\‾}{H}{u}_1,{\widehat{\stackrel{\‾}{H}v}}_2{\mathrm{Hu}}_1\],W_2=\[\stackrel{\‾}{H}{v}_2,\stackrel{\‾}{H}{u}_2,{\widehat{\stackrel{\‾}{H}v}}_2{\mathrm{Hu}}_2\]$

上述奇異值分解理論上有四組解，如下所示：

解1：

$R_1=W_1{U}_1^T,N_1=\widehat{v_2}{u}_1,\frac{1}{d}{T}_1=(\stackrel{\‾}{H}-R_1)N_1$

解2：

$R_2=W_2{U}_2^T,N_2=\widehat{v_2}{u}_2,\frac{1}{d}{T}_2=(\stackrel{\‾}{H}-R_2)N_2$

解3：

R₃＝R₁，N₃＝-N₁，

解4：

R₄＝R₂，N₄＝-N₂，

選擇方向最接近于[0，0，1]的法向量N對應的該組解。