一种自动驾驶中基于城市道路标线地图的纵向定位系统及其方法
【技术领域】
[0001] 本发明涉及智能驾驶技术领域，尤其涉及一种自动驾驶中基于城市道路标线地图 的纵向定位系统及其方法。
【背景技术】
[0002] 对于智能驾驶、辅助安全驾驶领域而言，车辆自身的导航与定位是不可缺少的基 础功能。车辆自导航，能够解决智能驾驶中如何自动的、经济的、便捷的规划始发地与目的 地之间的驾驶路线;车辆自定位，则决定了在导航规划的路线中，能否准确的、安全的、快捷 的完成自动驾驶的行驶动作。
[0003] 现阶段应用较广泛的导航技术所依赖的是传统的、低精度的、道路级的地图数据， 由航空器、卫星所采集的测绘影像数据生成，一般而言完全无法达到能够检测出清晰道路 标线的地面分辨率，然而车辆的智能驾驶却依赖着高精度的、车道级的地图影像数据，需要 实时的对当前行驶轨迹作出策略层上的判断。
[0004] 对于车辆自身的定位技术，现阶段普遍采取的是GNSS(全球导航卫星系统，Global Navigation Satellite System)和/或 INS(惯性导航系统，Inertial Navigation System)。在室外开阔地带GNSS定位误差可以小于0.1M，但是由于存在NL0S(非视距，Non-Line-Of-Sight)传播信号及信号的Multipath(多路径）效应对于GNSS定位信号的影响，在 城市复杂环境下GNSS定位精度将受到较大干扰;而采用INS的定位系统，可以连续推算移动 目标的运动速度和运动方向，但由于累积误差的存在，INS的定位精度会随着时间增长而退 化、降低。
[0005] -般的，现有车载导航设备中INS系统会与GNSS系统结合使用，依赖INS在短时间 段内的高精度来校正GNSS的定位误差。然而，由于车辆行驶中转向、车轮或编码器等出现滑 动等因素的存在，集成GNSS与INS的定位系统仍然无法达到城市路段中的车道级别高精度 定位的需求。
[0006] 在复杂的城市环境中，只有当车辆获取到当前精确的位置信息与行驶中的车道信 息，才能够达到无人驾驶车辆的基本技术要求。
【发明内容】
[0007] 为了克服现有技术的不足，本发明提供一种自动驾驶中基于城市道路标线地图的 纵向定位系统及其方法。通过智能驾驶车辆采集到的当前道路标线信息，结合当前GNSS给 出的存在误差的定位点坐标，进一步在当前定位点坐标附近进行基于道路标线地图的车辆 纵向定位，以此来校正、重定位当前车辆的准确位置。
[0008] 本发明所采用的技术方案是：
[0009] -种自动驾驶中基于城市道路标线地图的纵向定位系统，包括：
[0010] 图像采集模块，用于采集车辆前方图像；
[0011] 图像处理模块，用于将采集到的车辆前方图像进行处理，得到当前车辆前方的鸟 瞰视图及前方道路标线像素分类的二值图；
[0012] 匹配模块，用于接收道路标线地图信息、当前道路标线像素分类的二值图、初步定 位信息，并对三者进行匹配，输出精确定位信息；
[0013]地图提供模块，用于向匹配模块提供道路标线地图信息；
[0014]车载全球导航卫星系统GNSS，用于与INS结合向匹配模块提供初步定位信息；
[0015]惯性导航系统INS，用于与GNSS结合向匹配模块提供初步定位信息。
[0016] 作为优选，所述地图提供模块根据图像匹配模块连续的匹配结果进行地图更新。
[0017] 作为优选，所述车载全球导航卫星系统GNSS和惯性导航系统INS根据匹配模块输 出的精确定位信息进行定位误差校正。
[0018] -种自动驾驶中基于城市道路标线地图的纵向定位方法，包括以下步骤：
[0019] 步骤1、在智能驾驶车辆上，前向安装图像采集模块，动态的获取到车辆前方图像；
[0020] 步骤2、对图像采集模块采集到的每一帧场景图像进行逆透视变换，得到当前车辆 前方的道路平面的正射投影视图；
[0021] 步骤3、对步骤2中经过逆透视变换得到的正射投影视图进行图像阈值分割处理， 并经过分类筛选得到正射投影图像中属于路面道路标线像素分类的二值图；
[0022]步骤4、通过GNSS系统和INS系统得到初步定位信息并结合城市道路标线地图确定 定位点周围的道路标线区块；
[0023] 步骤5、对步骤3得到的车辆前方道路标线像素分类的二值图与步骤4得到的道路 标线区块进行匹配，判定最大相似匹配点，即得到了当前道路标线的二值图中特定道路标 线的物理定位点，再结合摄像头与车辆安装时的位置关系，推算当前车辆在道路平面上的 物理定位点；
[0024] 作为优选，步骤1还包括记录图像采集模块的参数，包括摄像头的相机内参数、摄 像头安装时距离地面的高度h、摄像头视场角度，并以此建立逆透视变换矩阵。
[0025] 作为优选，步骤3中通过多类别之间的类间方差，和/或KMeans聚类方法，和/或 FloodFi 11运算得到初始分割阈值序列。
[0026] 作为优选，该方法还包括根据最终确定的当前车辆在道路平面上的物理定位点， 对GNSS系统进行重新校正，消除INS系统中的积累误差。
[0027] 作为优选，该方法还包括根据步骤3中得到的道路标线像素的二值图进行标线地 图更新，具体步骤如下：
[0028]步骤301:结合INS在短距离运行间隔时的高精度特性，记录每次采集与前一次采 集时，车辆的行进轨迹、位置、速度以及方向，以便每一帧道路标线正射二值图能够正确的 拼接在全局道路标线地图上；
[0029]步骤302:根据越靠近摄像头所成像的道路标线图像像素点，其携带正确信息的概 率越大的特点，对阈值分割处理后的道路标线图像像素点进行加权计算得到道路标线正射 概率图；
[0030] 步骤303:对步骤302得到的正射概率图进行信息融合，生成或更新当前的全局道 路标线地图。
[0031] 作为优选，步骤303中所采用的信息融合方法包括DS证据理论、隐马尔科夫状态转 移过程。
[0032] 与现有技术相比，本发明具有以下优点：
[0033] 1.能够有效的在城市复杂环境下的结构化道路上，利用静止的道路标线的绝对位 置，对GNSS定位进行辅助校正、对INS系统进行积累误差的消除；
[0034] 2.定位过程实质上是在地图的局部搜索极大相似区域，可以通过卷积操作快速完 成;如果当前道路标线存在污损、残缺，无法完整的进行图像阈值分割，本方法仍然能够给 出一个近似的地图匹配点，处理流程鲁棒性较好，实用区域广泛。
【附图说明】
[0035] 图1是根据本
【发明内容】
实施的系统结构示意图；
[0036] 图2是根据本
【发明内容】
实施的方法流程图；
[0037] 图3是道路标线地图的采集与生成过程的示意图；
[0038] 图4表示了根据本
【发明内容】
的实施的用于描述逆透视变换（IPM)时的摄像头场景 示意性图像，其中（a)是智能驾驶车辆摄像头采集到的图像，（b)是经过IPM后的正射视图， (c)说明了透视图与正射图在像素点单应性上的区别；
[0039] 图5是根据本发明的实施例中智能驾驶车辆车载视觉系统中摄像头安装示意性框 图；
【具体实施方式】
[0040] 为了使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发 明的【具体实施方式】做详细的说明。
[0041] 参见图1，该图为本发明实施例提供的基于城市道路标线地图的纵向定位系统结 构示意图，系统包括：
[0042]图像采集模块，用于采集车辆前方图像，该模块中摄像头安装时距地高度h，摄像 头视场与地面夹角由theta标示，如图5所示；
[0043]图像处理模块，用于将采集到的车辆前方图像进行处理，得到当前车辆前方的鸟 瞰视图及前方道路标线像素分类的二值图；
[0044]匹配模块，用于接收道路标线地图信息、当前道路标线像素分类的二值图、初步定 位信息，并对三者进行匹配，输出精确定位信息；
[0045]地图提供模块，该模块内预先存储有城市道路标线地图，用于向匹配模块提供道 路标线地图信息，并根据系统最终输出的精确定位信息，重新生成或更新道路标线地图； [0046]车载全球导航卫星系统GNSS和/或惯性导航系统INS，二者结合，用于向匹配模块 提供初步定位信息，并根据系统最终输出的精确定位信息，校正GNSS定位信息、消除INS积 累误差。
[0047]图2所示为根据本
【发明内容】
实施的方法流程图，一种基于城市道路标线地图的纵 向定位方法，包括以下步骤：
[0048] (1)智能驾驶车辆上前向安装的摄像头实时采集当前前方道路场景视频流，并获 取当前帧的图像数据，通过预先标定得到的逆透视变换矩阵，将得到此时的正射影像视图； [0049]所述的逆透视变换矩阵依赖以下三部分参数，摄像头的相机内参数，摄像头安装 时距离地面的高度，以及摄像头的相机视场角度；
[0050]摄像头安装的参数部分，由本说明书附图5摄像头示意性框图所示，其中摄像头安 装时距地高度h，摄像头视场与地面夹角由theta标示；
[0051 ]通过对当前摄像头采集的图像，应用逆透视变换矩阵，可将视角转为鸟瞰形式，即 得到当前道路场景的正射影像。在正射视图中，道路标线能够保持形状、位置不变的平面特 性。
[0052] (2)图像分割阈值的计算及相应二值化操作。
[0053]在本实施例中，对于原场景彩色图像需要首先灰度化，可以按照一般地彩色RGB图 像灰度化方法进行：
[0054]假定RGB彩色三通道图像上位于某一像素点处的像素值为(r，g，b)，那么灰度化时 该点处的像素值为0.299*r+0.587*g+0.114*b。
[0055] 本实施例中所需的分割阈值即可通过可选的以下方法初步判定:多类别之间的类 间方差方法，和/或KMeans聚类方法，和/或FloodFill运算，使得当前道路场景图像