本發(fā)明涉及一種保證準確性的車輛運動狀態(tài)估計方法，屬于計算機視覺、視頻挖掘和計算機軟件的交叉技術(shù)應(yīng)用領(lǐng)域。

背景技術(shù)：

車輛無人駕駛需要通過對視頻數(shù)據(jù)進行處理，從而得到車輛的當前位置與運動軌跡，汽車狀態(tài)參數(shù)的準確獲得是保證汽車主動安全系統(tǒng)有效性的重要要求。通過對車輛的運動過程進行運動學(xué)或動力學(xué)建模，同時將相應(yīng)的車載傳感器(如輪速傳感器、陀螺儀、加速度計等)信息作為觀測信息，進而利用適當?shù)臑V波估計算法實現(xiàn)對汽車運行狀態(tài)的估計。這種方法需要對車輛整體甚至各個輪胎分別進行建模，當這些模型或者模型參數(shù)不準時，估計誤差較大。

隨著計算機軟硬件的不斷發(fā)展，人們能越來越方便的獲取和存儲視頻數(shù)據(jù)，對視頻數(shù)據(jù)進行分析的需求也隨之提高。因此根據(jù)車載視頻數(shù)據(jù)對車輛運動狀態(tài)估計成了廣泛研究的課題。中國專利cn201210442082.6公開了一種基于光流的車輛運動狀態(tài)估計方法，適用于估計道路交通環(huán)境下低速行駛在平坦瀝青路面上的車輛的運動狀態(tài)。首先在車輛后橋中心位置安裝俯視高精度單目攝像機，并通過標定算法獲取攝像機參數(shù)；接著采用直方圖均衡化對獲取的圖像序列進行預(yù)處理，以凸顯瀝青路面角點特征，降低路況及光照變化帶來的不利影響；再采用高效的哈里斯harris角點檢測算法進行實時路面角點特征檢測；然后根據(jù)盧卡斯-柯乃德lucas-kanade光流算法進行前、后幀的角點匹配跟蹤，選用隨機采樣一致ransac算法進一步優(yōu)化匹配角點，進而獲取較為準確的光流信息；最后，由圖像光流重構(gòu)出車輛載體坐標系下縱向速度、橫向速度和質(zhì)心側(cè)偏角等車輛實時運動參數(shù)，由此獲得較高精度的車輛對地運動狀態(tài)的估計。

但是上述方法需要耗費較多計算機資源，而在計算機資源和內(nèi)存有限的條件下，通過車載視頻數(shù)據(jù)在線求得當前車輛運動狀態(tài)準確性不高；因此，如何在有限的計算條件下，提出一種保證準確性的車輛運動狀態(tài)估計方法，是有待解決的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是：針對車載視頻數(shù)據(jù)在線求得當前車輛運動狀態(tài)準確性不高的問題，提出一種保證準確性的車輛運動狀態(tài)估計方法，該方法能夠通過對運動狀態(tài)的檢驗保證結(jié)果的準確性。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：

一種保證準確性的車輛運動狀態(tài)估計方法，包括：

步驟一、特征提?。菏紫龋鶕?jù)裝載于車輛上的視頻攝像機，獲得以幀為單位的待分析視頻圖像數(shù)據(jù)，每一幀視頻圖像對應(yīng)一個二維點陣；然后，提取當前幀中圖像特征點集合，采用光流算法計算當前幀圖像特征點在下一幀圖像中對應(yīng)特征的位置，獲得關(guān)于當前幀圖像和下一幀圖像中的特征點對集合；之后，反向使用光流算法過濾掉特征點對集合中的噪聲數(shù)據(jù)；

步驟二、數(shù)據(jù)分析：首先，采用隨機采樣一致算法和八點算法相結(jié)合，從步驟一得到的特征點對集合中求得一個基本矩陣；然后，通過多次迭代采樣過程，將所得的基本矩陣按對整個特征點對集合的匹配程度由高到低排序，并根據(jù)視頻攝像機的固有參數(shù)求得本質(zhì)矩陣；之后，對所得本質(zhì)矩陣做分解，求解對應(yīng)的運動方向向量與旋轉(zhuǎn)矩陣；

步驟三、結(jié)果驗證：對求得的運動方向向量與旋轉(zhuǎn)矩陣進行校驗，確定最終的車輛運動狀態(tài)估計結(jié)果。

進一步的，本發(fā)明的車輛運動狀態(tài)估計方法，步驟一具體如下：

步驟1)、設(shè)共獲得n幀視頻圖像，所述的每一幀視頻圖像對應(yīng)一個二維點陣，點陣中每一個點上的數(shù)值指該位置圖像的灰度值，每一幀圖像以左下角為起始位置，用元組(1,1)表示左下角位置的點，初始化數(shù)值k為2，對第k-1幀中圖像提取所需特征點，形成點集s；

步驟2)、定義點集s′，表示集合s中的特征點在第k幀中的對應(yīng)點集合，并將其初始化為空集，尋找s中的特征點在第k幀中的對應(yīng)點加入集合s′；

步驟3)、反向計算集合s′中的對應(yīng)點在第k-1幀的位置，并構(gòu)成點集s″，比較集合s和集合s″中的對應(yīng)點，如果距離大于設(shè)定閾值則在s和s′中將對應(yīng)點刪去。

進一步的，本發(fā)明的車輛運動狀態(tài)估計方法，所述步驟1)具體如下：

步驟11)、定義點集s，將其初始化為空集，所述s是指第k-1幀中特征點的集合，所述的特征點是指二維平面上的點；

步驟12)、在第k-1幀中選取未計算過的點(i,j)，計算mi,j：

其中，(i,j)指的是第k-1幀中第i行，第j列的點，w是以(i,j)為中點的矩形點集，ix和iy分別是圖像水平和豎直方向的導(dǎo)數(shù),i(x,y)指點(x,y)處的灰度值；

步驟13)、求矩陣mi,j的特征值λ1，λ2，當其中模較小的特征值的模大于一個質(zhì)量因子mf，將點(i,j)加入點集s，所述λ1，λ2是關(guān)于λ的方程|mi,j-λe|＝0的兩個根，e指的是二階單位矩陣，即λ是方程中的變量；

步驟14)、當?shù)趉-1幀中還有未計算的點時，轉(zhuǎn)到步驟12)。

進一步的，本發(fā)明的車輛運動狀態(tài)估計方法，所述步驟2)具體步驟如下：

步驟21)、選取點集s中未被選取的一點u，計算在s′的對應(yīng)點為u′，具體步驟如下：

步驟211)對第k-1幀圖像i，第k幀圖像j，建立圖像i和圖像j的金字塔模型：{i^l}l＝0,1...lm，{j^l}l＝0,1...lm，其中i^l，j^l是原始幀圖像i、圖像j的第l層采樣層，lm是采樣的最高層層數(shù)，原始圖像對應(yīng)的層數(shù)為0，初始化金字塔的光流估計量：并初始化g^lm：符號t指的是矩陣的轉(zhuǎn)置符號，將數(shù)值l初始化為lm；

步驟212)定位圖像i^l上點u的位置用i^l對x求偏導(dǎo)數(shù)，有用i^l對y求偏導(dǎo)數(shù)，有計算矩陣其中wx，wy是指計算矩陣g時所考慮周圍點的范圍；

步驟213)定義數(shù)值p表示迭代次數(shù)，初始化p為1，初始化迭代向量v＝[00]^t，光流估計矢量g＝[00]^t，迭代步驟如下：

步驟a)計算圖像像素差δi^l(x,y)：

根據(jù)像素差計算圖像的不匹配量

步驟b)計算光流η＝g^-1b；

步驟c)對迭代中的v進行修改v←v+η；

步驟d)計算p←p+1，當p≤pm時轉(zhuǎn)到步驟a)，所述的pm是設(shè)置的迭代次數(shù)；

步驟214)求得第l層的最終光流d＝v，當l不為0時，計算l-1層上的光流為并對l修改為l←l-1，轉(zhuǎn)到步驟212)；

步驟215)計算最終的光流矢量d←g+d，得出u′＝u+d，所述的u′是點u在第k幀中的位置矢量；

步驟22)、根據(jù)步驟21)，將計算得到的點u′加入s′。

步驟23)、當沒有將s中的點全部遍歷時，轉(zhuǎn)到步驟21)執(zhí)行。

進一步的，本發(fā)明的車輛運動狀態(tài)估計方法，所述步驟3)具體步驟如下：

步驟31)、對于點集s′中的任意一點u′，求得其在點集s″的對應(yīng)點為u″，具體步驟如下：

步驟311)對第k-1幀圖像i，第k幀圖像j，建立圖像i和圖像j的金字塔模型：{i^l′}l′＝0,1...lm′，{j^l′}l′＝0,1...lm′，所述的i^l′，j^l′是原始幀圖像i，j的第l′層采樣層，lm′是采樣的最高層層數(shù)，原始圖像對應(yīng)的層數(shù)為0；初始化金字塔的光流估計量：并初始化g′^lm′＝[00]^t，將數(shù)值l′初始化為lm′；

步驟312)定位圖像j^l′上點u′的位置用j^l′對x求偏導(dǎo)數(shù)，用j^l′對y求偏導(dǎo)數(shù)，計算矩陣所述的w′x，w′y是指計算矩陣g′時所考慮周圍點的范圍；

步驟313)定義數(shù)值p′表示迭代次數(shù)，初始化p′為1，初始化迭代向量v′＝[00]^t，光流估計矢量g′＝[00]^t，迭代步驟如下：

步驟a)計算圖像像素差δj′^l(x,y)：

根據(jù)像素差計算圖像的不匹配量

步驟b)計算光流η′＝g′^-1b′；

步驟c)對迭代中的v′進行修改v′←v′+η′；

步驟d)計算p′←p′+1，當p′≤p′m時轉(zhuǎn)到步驟a)，所述的p′m是設(shè)置的迭代次數(shù)；

步驟314)求得第l′層的最終光流d′＝v′，當l′不為0時，計算l′-1層上的光流為并對l′修改為l′←l′-1，轉(zhuǎn)到步驟312)；

步驟315)計算最終的光流矢量d′←g′+d′，得出u″＝u′+d′，所述的u″是點u′在第k-1幀中的位置矢量；

步驟32)、將點u″加入s″，當沒有將s′中的點全部遍歷時，轉(zhuǎn)到步驟311)執(zhí)行；

步驟33)、在s中的取未遍歷一點u＝[xy]^t，在s″中的對應(yīng)的點為u′＝[x″y″]^t，如果兩點的距離大于預(yù)設(shè)閾值thd，則在s中刪去u，在s′中刪去u的對應(yīng)點u′；

步驟34)、當s中還有未遍歷的點時，轉(zhuǎn)到步驟33)執(zhí)行。

進一步的，本發(fā)明的車輛運動狀態(tài)估計方法，步驟二中求得本質(zhì)矩陣的具體步驟如下：

步驟41)、在集合s和s′中隨機選取8組對應(yīng)點，分別記為(xl,yl)和(x′l,y′l)，l∈[1,8]，構(gòu)造一個矩陣a:

步驟42)、對矩陣a進行分解得到a＝uadava，具體步驟如下：

步驟421)計算矩陣b＝a^ta；

步驟422)初始化特征向量矩陣va為9×9的單位矩陣，其中單位矩陣是指主對角線上元素全為1，其余元素為0的矩陣；

步驟423)在矩陣b中找到除主對角線外絕對值最大的元素brc，其中brc是指矩陣b中第r行第c列的元素，根據(jù)公式求得計算矩陣h，h是一個旋轉(zhuǎn)矩陣，其中余下元素中主對角線元素為1，非對角線元素為0；

步驟424)迭代計算b←h^tbh，va←hva，若此時b中除主對角線上的元素外絕對值最大的元素大于閾值thb，則返回步驟423)繼續(xù)迭代，否則此時b中主對角元素就是矩陣a^ta的特征值，對應(yīng)列的矩陣va中的列向量就是對應(yīng)的特征向量；將特征值按絕對值大小依次排列，記為λ1,λ2,…,λ9，對應(yīng)的特征向量為s1,s2,…,s9；得到da＝diag(λ1,λ2,…,λ9)，va＝(s1,s2,…,s9)；

步驟425)計算得到矩陣ua＝(w1,w2,…,w8)，得到a＝uadava；

步驟43)、選取va的第9列作為向量s：

s＝[s1s2s3s4s5s6s7s8s9]^t

步驟44)、計算得到基本矩陣f′：

步驟45)、計算矩陣其中，fx、fy為視頻攝像機的焦距；x0、y0是視頻攝像機相對于成像平面的主點坐標，w為坐標軸傾斜參數(shù)，理想狀態(tài)下為0；

步驟46)計算求得本質(zhì)矩陣e＝k^tf′k。

進一步的，本發(fā)明的車輛運動狀態(tài)估計方法，步驟二中，對所得本質(zhì)矩陣做分解，求解對應(yīng)的運動方向向量與旋轉(zhuǎn)矩陣具體步驟如下：

步驟51)、對本質(zhì)矩陣e按步驟42)的方法分解為并保證det(ue)＞0且det(ve)＞0，所述的det指的是求解矩陣的行列式值；

步驟52)、計算得到運動方向矢量其中u13，u23，u33分別是步驟51)中矩陣ue對應(yīng)位置的元素的值；

步驟53)定義計算得旋轉(zhuǎn)矩陣r＝uemv^t。

進一步的，本發(fā)明的車輛運動狀態(tài)估計方法，步驟三根據(jù)運動方向和旋轉(zhuǎn)矩陣的約束關(guān)系做驗證，具體如下：

步驟61)、根據(jù)旋轉(zhuǎn)矩陣r，求得前一幀時車輛的運動方向t0＝r^-1t，以t0在xoz平面的投影為x′軸方向，原y軸為y′建立新的局部坐標系，將r和t在新的坐標系里記為r′和t′，車輛繞y′軸的旋轉(zhuǎn)角度，記為β；

步驟62)、計算|t′ztan(β/2)-t′x|，其中t′x、t′z是運動方向t′在x′、z′方向的分量，當該值小于預(yù)設(shè)的閾值，那得到的r，t即為所求的旋轉(zhuǎn)矩陣和運動方向向量，否則轉(zhuǎn)向步驟41)。

進一步的，本發(fā)明的一種保證準確性的車輛運動狀態(tài)估計方法，所述的矩陣a是8×9的矩陣，矩陣b是實對稱矩陣。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

本發(fā)明所述的保證準確性的車輛運動狀態(tài)估計方法包括特征提取、數(shù)據(jù)分析和結(jié)果驗證三個部分，其中特征提取部分采用雙向光流算法，保證所得的特征點對的可靠性；數(shù)據(jù)分析部分采用隨機采樣一致算法和八點算法相結(jié)合，保證運算過程的高效；結(jié)果驗證部分對求得的運動方向向量與旋轉(zhuǎn)矩陣進行校驗，確保最終結(jié)果的合理性。

具體來說，本發(fā)明所述的方法具有如下的有益效果：

(1)本發(fā)明所述的保證準確性的車輛運動狀態(tài)估計方法，采用雙向光流算法來選取特征點對，過濾了不易追蹤的特征點和一些噪聲數(shù)據(jù)，減小了后續(xù)運算量，有助于提高最終計算結(jié)果的可靠性。

(2)本發(fā)明所述的保證準確性的車輛運動狀態(tài)估計方法，采用隨機采樣一致算法和八點算法相結(jié)合對特征數(shù)據(jù)點對進行分析，在保證效率的前提下進行數(shù)據(jù)處理，有助于實現(xiàn)對視頻數(shù)據(jù)的在線分析。

(3)本發(fā)明所述的保證準確性的車輛運動狀態(tài)估計方法，將計算得到的運動方向向量和旋轉(zhuǎn)矩陣進行驗證，確保計算結(jié)果的合理性，有助于提高本方法的準確性。

附圖說明

圖1是本發(fā)明保證準確性的車輛運動狀態(tài)估計方法流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進一步的詳細說明：

本發(fā)明提出一種保證準確性的車輛運動狀態(tài)估計方法，由特征提取、數(shù)據(jù)分析和結(jié)果驗證三個部分，通過雙向光流算法提取特征點對，使用隨機采樣一致算法和八點算法相結(jié)合迭代求解基本矩陣進而求得運動方向向量與旋轉(zhuǎn)矩陣，并根據(jù)車輛本身的運動路徑約束對最終的結(jié)果進行驗證。該算法的特征提取部分采用雙向光流算法，保證所得的特征點對的可靠性，過濾噪聲數(shù)據(jù)。數(shù)據(jù)分析部分采用隨機采樣一致算法和八點算法相結(jié)合，將所得的基本矩陣按對整個特征點對集合的匹配程度由高到低排序，求解對應(yīng)的運動方向向量與旋轉(zhuǎn)矩陣。結(jié)果驗證部分對求得的運動方向向量與旋轉(zhuǎn)矩陣進行校驗，確保最終結(jié)果的合理性。

根據(jù)附圖1，以下對本發(fā)明保證準確性的車輛運動狀態(tài)估計方法具體實施例作更詳細的描述。

一、提取圖像特征點對時，采用以下的具體實施步驟：

步驟1)、設(shè)共獲得n幀視頻圖像，所述的每一幀視頻圖像對應(yīng)一個二維點陣，點陣中每一個點上的數(shù)值指該位置圖像的灰度值，每一幀圖像以左下角為起始位置，用元組(1,1)表示左下角位置的點，初始化數(shù)值k為2，對第k-1幀中圖像提取所需特征點，形成點集s；

步驟2)、定義點集s′，表示集合s中的特征點在第k幀中的對應(yīng)點集合，并將其初始化為空集，尋找s中的特征點在第k幀中的對應(yīng)點加入集合s′；

步驟3)、反向計算集合s′中的對應(yīng)點在第k-1幀的位置，并構(gòu)成點集s″，比較集合s和集合s″中的對應(yīng)點，如果距離大于設(shè)定閾值則在s和s′中將對應(yīng)點刪去。

進一步的，本發(fā)明的車輛運動狀態(tài)估計方法，所述步驟1)具體如下：

步驟11)、定義點集s，將其初始化為空集，所述s是指第k-1幀中特征點的集合，所述的特征點是指二維平面上的點；

步驟12)、在第k-1幀中選取未計算過的點(i,j)，計算mi,j：

其中，(i,j)指的是第k-1幀中第i行，第j列的點，w是以(i,j)為中點的矩形點集，ix和iy分別是圖像水平和豎直方向的導(dǎo)數(shù),i(x,y)指點(x,y)處的灰度值。在具體實施過程中，w取得太大過于模糊，太小易受噪聲干擾，通常我們?nèi)∫?i,j)為中點、邊長為7的正方形點集；

步驟13)、求矩陣mi,j的特征值λ1，λ2，當其中模較小的特征值的模大于一個質(zhì)量因子mf，將點(i,j)加入點集s，所述λ1，λ2是關(guān)于λ的方程|mi,j-λe|＝0的兩個根，e指的是二階單位矩陣，即λ是方程中的變量；

步驟14)、當?shù)趉-1幀中還有未計算的點時，轉(zhuǎn)到步驟12)。

進一步的，本發(fā)明的車輛運動狀態(tài)估計方法，所述步驟2)具體步驟如下：

步驟21)、選取點集s中未被選取的一點u，計算在s′的對應(yīng)點為u′，具體步驟如下：

步驟211)、對第k-1幀圖像i，第k幀圖像j，建立圖像i和圖像j的金字塔模型：{i^l}l＝0,1...lm，{j^l}l＝0,1...lm，其中i^l，j^l是原始幀圖像i、圖像j的第l層采樣層，lm是采樣的最高層層數(shù)，原始圖像對應(yīng)的層數(shù)為0，初始化金字塔的光流估計量：并初始化g^lm：符號t指的是矩陣的轉(zhuǎn)置符號，將數(shù)值l初始化為lm。使用金字塔結(jié)構(gòu)分層匹配，可以大大減少計算量，金字塔的層數(shù)lm通常為3～4層，具體由攝像機本身的像素決定；

步驟212)、定位圖像i^l上點u的位置用i^l對x求偏導(dǎo)數(shù)，有用i^l對y求偏導(dǎo)數(shù)，有計算矩陣其中wx，wy是指計算矩陣g時所考慮周圍點的范圍；

步驟213)、定義數(shù)值p表示迭代次數(shù)，初始化p為1，初始化迭代向量v＝[00]^t，光流估計矢量g＝[00]^t，迭代步驟如下：

步驟a)計算圖像像素差δi^l(x,y)：

根據(jù)像素差計算圖像的不匹配量

步驟b)計算光流η＝g^-1b；

步驟c)對迭代中的v進行修改v←v+η；

步驟d)計算p←p+1，當p≤pm時轉(zhuǎn)到步驟a)，所述的pm是設(shè)置的迭代次數(shù)；

步驟214)、求得第l層的最終光流d＝v，當l不為0時，計算l-1層上的光流為并對l修改為l←l-1，轉(zhuǎn)到步驟212)；

步驟215)、計算最終的光流矢量d←g+d，得出u′＝u+d，所述的u′是點u在第k幀中的位置矢量；

步驟22)、根據(jù)步驟21)，將計算得到的點u′加入s′。

步驟23)、當沒有將s中的點全部遍歷時，轉(zhuǎn)到步驟21)執(zhí)行。

進一步的，本發(fā)明的車輛運動狀態(tài)估計方法，所述步驟3)具體步驟如下：

步驟31)、對于點集s′中的任意一點u′，求得其在點集s″的對應(yīng)點為u″，具體步驟如下：

步驟311)對第k-1幀圖像i，第k幀圖像j，建立圖像i和圖像j的金字塔模型：{i^l′}l′＝0,1...lm′，{j^l′}l′＝0,1...lm′，所述的i^l′，j^l′是原始幀圖像i，j的第l′層采樣層，lm′是采樣的最高層層數(shù)，原始圖像對應(yīng)的層數(shù)為0；初始化金字塔的光流估計量：并初始化g′^lm′＝[00]^t，將數(shù)值l′初始化為lm′。具體實施時，lm′通常與步驟2)中的lm保持一致；

步驟312)定位圖像j^l′上點u′的位置用j^l′對x求偏導(dǎo)數(shù)，用j^l′對y求偏導(dǎo)數(shù)，計算矩陣所述的w′x，w′y是指計算矩陣g′時所考慮周圍點的范圍；

步驟313)定義數(shù)值p′表示迭代次數(shù)，初始化p′為1，初始化迭代向量v′＝[00]^t，光流估計矢量g′＝[00]^t，迭代步驟如下：

步驟a)計算圖像像素差δj′^l(x,y)：

根據(jù)像素差計算圖像的不匹配量

步驟b)計算光流η′＝g′^-1b′；

步驟c)對迭代中的v′進行修改v′←v′+η′；

步驟d)計算p′←p′+1，當p′≤p′m時轉(zhuǎn)到步驟a)，所述的p′m是設(shè)置的迭代次數(shù)；

步驟314)求得第l′層的最終光流d′＝v′，當l′不為0時，計算l′-1層上的光流為并對l′修改為l′←l′-1，轉(zhuǎn)到步驟312)；

步驟315)計算最終的光流矢量d′←g′+d′，得出u″＝u′+d′，所述的u″是點u′在第k-1幀中的位置矢量；

步驟32)、將點u″加入s″，當沒有將s′中的點全部遍歷時，轉(zhuǎn)到步驟311)執(zhí)行；

步驟33)、在s中的取未遍歷一點u＝[xy]^t，在s″中的對應(yīng)的點為u′＝[x″y″]^t，如果兩點的距離大于預(yù)設(shè)閾值thd，則在s中刪去u，在s′中刪去u的對應(yīng)點u′。閾值thd與攝像機像素有關(guān)，通常取2～3；

步驟34)、當s中還有未遍歷的點時，轉(zhuǎn)到步驟33)執(zhí)行。

進一步的，本發(fā)明的車輛運動狀態(tài)估計方法，步驟二中求得本質(zhì)矩陣的具體步驟如下：

步驟41)、在集合s和s′中隨機選取8組對應(yīng)點，分別記為(xl,yl)和(x′l,y′l)，l∈[1,8]，構(gòu)造一個矩陣a:

步驟42)、對矩陣a進行分解得到a＝uadava，具體步驟如下：

步驟421)計算矩陣b＝a^ta；

步驟422)初始化特征向量矩陣va為9×9的單位矩陣，其中單位矩陣是指主對角線上元素全為1，其余元素為0的矩陣；

步驟423)在矩陣b中找到除主對角線外絕對值最大的元素brc，其中brc是指矩陣b中第r行第c列的元素，根據(jù)公式求得計算矩陣h，h是一個旋轉(zhuǎn)矩陣，其中余下元素中主對角線元素為1，非對角線元素為0；

步驟424)迭代計算b←h^tbh，va←hva，若此時b中除主對角線上的元素外絕對值最大的元素大于閾值thb，則返回步驟423)繼續(xù)迭代，否則此時b中主對角元素就是矩陣a^ta的特征值，對應(yīng)列的矩陣va中的列向量就是對應(yīng)的特征向量；將特征值按絕對值大小依次排列，記為λ1,λ2,…,λ9，對應(yīng)的特征向量為s1,s2,…,s9；得到da＝diag(λ1,λ2,…,λ9)，va＝(s1,s2,…,s9)；

步驟425)計算得到矩陣ua＝(w1,w2,…,w8)，得到a＝uadava；

步驟43)、選取va的第9列作為向量s：

s＝[s1s2s3s4s5s6s7s8s9]^t

步驟44)、計算得到基本矩陣f′：

步驟45)、計算矩陣其中，fx、fy為視頻攝像機的焦距，通常情況下相等；x0、y0是視頻攝像機相對于成像平面的主點坐標，w為坐標軸傾斜參數(shù)，理想狀態(tài)下為0；

步驟46)計算求得本質(zhì)矩陣e＝k^tf′k。

二、特征點對篩選完成后，依據(jù)求得的本質(zhì)矩陣計算車輛的運動狀態(tài)，采用以下的具體實施步驟：

步驟51)、對本質(zhì)矩陣e按步驟42)的方法分解為并保證det(ue)＞0且det(ve)＞0，所述的det指的是求解矩陣的行列式值；

步驟52)、計算得到運動方向矢量其中u13，u23，u33分別是步驟51)中矩陣ue對應(yīng)位置的元素的值；

步驟53)定義計算得旋轉(zhuǎn)矩陣r＝uemv^t。

三、求得車輛的運動方向向量和旋轉(zhuǎn)矩陣后，需要對其進行檢驗，采用以下的具體實施步驟：

步驟61)、根據(jù)旋轉(zhuǎn)矩陣r，求得前一幀時車輛的運動方向t0＝r^-1t，以t0在xoz平面的投影為x′軸方向，原y軸為y′建立新的局部坐標系，將r和t在新的坐標系里記為r′和t′，車輛繞y′軸的旋轉(zhuǎn)角度，記為β；

步驟62)、計算|t′ztan(β/2)-t′x|，其中t′x、t′z是運動方向t′在x′、z′方向的分量，當該值小于預(yù)設(shè)的閾值thc，那得到的r，t即為所求的旋轉(zhuǎn)矩陣和運動方向向量，否則轉(zhuǎn)向步驟41)。在具體實施過程中，thc過大會導(dǎo)致檢驗過于寬松，難以分辨出錯誤的結(jié)果；thc過小會使檢驗過于嚴格，容易造成過擬合的情況。thc的具體取值與攝像機像素和幀率有關(guān)。

本發(fā)明的方法根據(jù)裝載在車輛上的單個攝像機獲得的錄像來對車輛運動、轉(zhuǎn)向進行估計。該方法選取圖像中較易于追蹤的特征，對特征進行篩選去除數(shù)據(jù)中噪聲，通過隨機采樣一致性算法對特征點對進行隨機采樣，計算本質(zhì)矩陣最終得到平移向量和旋轉(zhuǎn)矩陣并進行驗證。

以上所述僅是本發(fā)明的部分實施方式，應(yīng)當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。