本发明涉及车辆定位技术领域，尤其涉及一种车辆重定位的方法及装置。
背景技术：
车联网系统是近年兴起的一种以提高交通效率和交通安全为主要目的的网络与应用系统，车辆定位技术是其中的关键技术，获取精确位置对于提高智能车辆的安全性和实现自主驾驶都具有重要意义。
目前，汽车用于高精度导航与定位的地图主要分为两类，一类为激光点云为主的地图(激光雷达地图)，一类为矢量信息为主的地图(高精度矢量地图)。当车辆借助高精度地图的行驶过程中，因为某些原因突然丢失自身位置时，需要快速准确地在高精度地图中恢复自身的定位(称为重定位)，以保障车辆(特别是导航系统)的正常运行。现有技术中，主要技术有基于激光点云匹配的重定位方法和基于图像点特征信息的重定位方法。其中，基于激光点云匹配的方法依赖于gps、imu、里程计等辅助信息给出较为精准的初始搜索位置，在缺少辅助信息时(如隧道、高楼等)，重定位的运算量非常大，无法快速完成。基于图像点特征的信息鲁棒性较差。
因此，如何减少重定位过程中的计算量，且提高计算的鲁棒性是本领域技术人员亟待解决的问题。
技术实现要素：
本发明提供一种车辆重定位的方法及装置，以减少重定位过程中的计算量，且提高计算的鲁棒性。
本发明实施例提供一种车辆重定位的方法，包括：
获取待定位车辆的环境图像；
提取所述环境图像中的预设特征信息；所述预设特征信息包括几何特征信息和/或语义特征信息；
根据所述预设特征信息构建所述环境图像对应的视觉特征；
将所述视觉特征与预设视觉特征进行匹配，以确定所述待定位车辆所在的位置；其中，所述预设视觉特征为地图数据中的视觉特征。
在本发明一实施例中，所述根据所述预设特征信息构建所述环境图像对应的视觉特征，包括：
确定所述预设特征信息对应的描述子；
确定所述描述子对应的词袋模型中的单词；其中，每一个所述单词对应一个或多个所述描述子；
根据与每一个所述单词匹配的描述子的个数构建所述环境图像对应的视觉特征。
在本发明一实施例中，所述根据所述预设特征信息构建所述环境图像对应的视觉特征之前，还包括：
将所述环境图像划分为多个子区域；
所述根据所述预设特征信息构建所述环境图像对应的视觉特征，包括：
确定每一个子区域中预设特征信息对应的特征向量；
将每一个所述子区域对应的特征向量按照分布位置进行向量组合，构建所述环境图像对应的视觉特征。
在本发明一实施例中，所述将所述环境图像划分为多个子区域之前，还包括：
确定所述环境图像中的消隐点；
所述将所述环境图像划分为多个子区域，包括：
根据所述消隐点将所述环境图像划分为所述多个子区域。
在本发明一实施例中，所述环境图像包括激光点云数据，所述提取所述环境图像中的预设特征信息，包括：
提取所述环境图像中的特征信息；
根据预设规则在所述特征信息中选取所述预设特征信息；其中，所述预设规则为随机采样规则、法向量分布规则集均匀采样规则中的一种或多种的组合。
本发明实施例还提供一种车辆重定位的装置，包括：
获取单元，用于获取待定位车辆的环境图像；
提取单元，用于提取所述环境图像中的预设特征信息；所述预设特征信息包括几何特征信息和/或语义特征信息；
构建单元，用于根据所述预设特征信息构建所述环境图像对应的视觉特征；
确定单元，用于将所述视觉特征与预设视觉特征进行匹配，以确定所述待定位车辆所在的位置；其中，所述预设视觉特征为地图数据中的视觉特征。
在本发明一实施例中，所述构建单元，具体用于确定所述预设特征信息对应的描述子；确定所述描述子对应的词袋模型中的单词；其中，每一个所述单词对应一个或多个所述描述子；并根据与每一个所述单词匹配的描述子的个数构建所述环境图像对应的视觉特征。
在本发明一实施例中，该车辆重定位的装置还包括划分单元；
所述划分单元，用于将所述环境图像划分为多个子区域；
所述构建单元，具体用于确定每一个子区域中预设特征信息对应的特征向量；并将每一个所述子区域对应的特征向量按照分布位置进行向量组合，构建所述环境图像对应的视觉特征。
在本发明一实施例中，所述确定单元，还用于确定所述环境图像中的消隐点；
所述划分单元，具体用于根据所述消隐点将所述环境图像划分为所述多个子区域。
在本发明一实施例中，所述环境图像包括激光点云数据；
所述提取单元，具体用于提取所述环境图像中的特征信息；并根据预设规则在所述特征信息中选取所述预设特征信息；其中，所述预设规则为随机采样规则、法向量分布规则集均匀采样规则中的一种或多种的组合。
本发明实施例提供的车辆位置重定位的方法及装置，通过获取待定位车辆的环境图像，并提取环境图像中的预设特征信息；再根据预设特征信息构建环境图像对应的视觉特征；之后，再将视觉特征与预设视觉特征进行匹配，从而确定待定位车辆所在的位置。由此可见，本发明实施例提供的车辆位置重定位的方法及装置，在确定待定位车辆所在位置时，是根据预先构建环境图像对应的视觉特征，并将该视觉特征与地图数据的预设视觉特征进行匹配，从而确定待定位车辆所在位置，不仅减少了重定位过程中的计算量，而且提高了计算的鲁棒性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本发明实施例提供的一种车辆重定位的方法的示意图；
图2为本发明实施例提供的一种环境图像的示意图；
图3为本发明实施例提供的一种标注点特征的环境图像的示意图；
图4为本发明实施例提供的一种标注线特征和圆特征的环境图像的示意图；
图5为本发明实施例提供的一种标注语义特征的环境图像的示意图；
图6为本发明实施例提供的一种构建环境图像对应的视觉特征的示意图；
图7为本发明实施例提供的一种通过对应词袋模型中的单词构建环境图像对应的视觉特征的示意图；
图8为本发明实施例提供的另一种构建环境图像对应的视觉特征的示意图；
图9为本发明实施例提供的通过划分子区域构建环境图像对应的视觉特征的示意图；
图10为本发明实施例提供的一种通过消隐点划分环境图像的示意图；
图11为本发明实施例提供的另一种通过消隐点划分环境图像的示意图；
图12为本发明实施例提供的再一种通过消隐点划分环境图像的示意图；
图13为本发明实施例提供的一种车辆重定位的装置的结构示意图；
图14为本发明实施例提供的另一种车辆重定位的装置的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体的实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
图1为本发明实施例提供的一种车辆重定位的方法的示意图，该车辆重定位的方法可以由车辆重定位的装置执行，该车辆重定位的装置可以独立设置，也可以设置在车辆的处理器中，请参见图1所示，该车辆重定位的方法可以包括：
s101、获取待定位车辆的环境图像。
其中，环境图像用于指示待定位车辆的周围环境情况。可选的，该环境图像还可以包括激光点云数据和gps数据。其中，激光点云信息能够反映周围环境的真实三维几何信息和材质信息；gps信息能够反映周围环境的经纬度信息。
在本发明实施例中，可以通过传感器获取待定位车辆的环境图像，也可以通过其他方式获取待定位车辆的环境图像。示例的，请参见图2所示，图2为本发明实施例提供的一种环境图像的示意图，该环境图像中可以包括车道线信息、路灯信息及交通灯信息等。
s102、提取环境图像中的预设特征信息。
其中，预设特征信息可以包括几何特征信息和/或语义特征信息。
需要说明的是，此处的几何特征信息可以包括点特征信息，当然，也可以包括线特征信息及圆特征信息。即在本发明实施例中，在提取环境图像中的预设特征信息时，可以只提取环境图像中的几何特征信息或语义特征信息中的一个，也可以同时提取环境图像中的几何特征信息和语义特征信息。详细来说，在提取环境图像中的预设特征信息时，可以只提取线特征信息和圆特征信息；也可以只提取语义特征信息；当然，也可以提取点特征信息、线特征信息及圆特征信息；也可以提取点特征信息和语义特征信息，也可以提取线特征信息、圆特征信息及语义特征信息，也可以同时提取点特征信息、线特征信息、圆特征信息及语义特征信息。
示例的，在本发明实施例中，点特征等灰度特征可以是sift特征、surf特征、orb特征等具有特征描述子的图像特征，也可以是特征点组合描述子的图像特征，比如fast特征点及brisk描述子。由于点特征等图像的灰度特征能够反映周围环境的纹理信息，且具有一定的不变性，因此，可以通过比较两幅不同图像中特征点的相似程度来衡量图像的相似度，进而衡量车辆位置的相似度。示例的，请参见图3所示，图3为本发明实施例提供的一种标注点特征的环境图像的示意图。
图像的几何特征能够反映周围环境的几何投影信息。以该几何特征包括线特征和圆特征为例，几何线特征可通过hough变换或者linesegmentdetector等方法获取。线特征的描述可以由linebinarydescriptor(lbd)等方法计算。由于图像的几何特征能够反映周围环境的几何信息，例如车道线是斜向直线，交通灯的灯柱是竖直直线，建筑有斜向、竖直和水平直线等。由于几何线段具有一定的尺度(长度)，因此，在相似位置的图像中有相似的分布，几何特征的描述子同样可用来衡量图像的相似度，因此，可以通过比较两幅不同图像中几何特征来衡量车辆位置的相似度。示例的，请参见图4所示，图4为本发明实施例提供的一种标注线特征和圆特征的环境图像的示意图，结合图4可以看出，车道线信息可以标注为线特征，交通灯信息可以标注为圆特征。
图像的语义特征能够反映周围环境的真实含义信息，语义特征信息可以是车道线、道路标志牌、限速标志、路灯、交通灯、停止线等常见道路元素，也可以是停车场出入口、车位、加油站等与行车有关的局部信息。车辆在相似位置的图像必然包含极为相似的语义信息，因此，可以用来衡量车辆位置的相似度。请参见图5所示，图5为本发明实施例提供的一种标注语义特征的环境图像的示意图，结合图5可以看出，车道线信息可以标注为语义特征，交通灯信息可以标注为语义特征，路灯信息可以标注为语义特征。
可选的，当环境图像包括激光点云数据，提取环境图像中的预设特征信息可以通过以下可能的方式实现：
提取环境图像中的特征信息，并根据预设规则在特征信息中选取预设特征信息；其中，预设规则为随机采样规则、法向量分布规则集均匀采样规则中的一种或多种的组合。
在提取到环境图像中的预设特征信息之后，就可以执行下述s103根据预设特征信息构建环境图像对应的视觉特征。
s103、根据预设特征信息构建环境图像对应的视觉特征。
可选的，在本发明实施例中，s103根据预设特征信息构建环境图像对应的视觉特征可以通过以下至少两种可能的方式实现，一种可能的方式是通过对应词袋模型中的单词构建环境图像对应的视觉特征；另一种可能的方式是通过划分子区域构建环境图像对应的视觉特征。下面，将详细描述这两种可能的实现方式。
在一种可能的实现方式中，可以通过对应词袋模型中的单词构建环境图像对应的视觉特征，请参见图6所示，图6为本发明实施例提供的一种构建环境图像对应的视觉特征的示意图。
s601、确定预设特征信息对应的描述子。
s602、确定描述子对应的词袋模型中的单词。
其中，每一个单词对应一个或多个描述子。
需要说明的是，预设特征信息可以对应多个描述子，将多个描述子中每一个描述子对应到词袋模型中的单词，在对应时，会存在多个描述子对应到一个单词的情况，使得对应到的单词的数量小于描述子的个数。
s603、根据与每一个单词匹配的描述子的个数构建环境图像对应的视觉特征。
在将每一个描述子对应到词袋模型中的单词之后，就可以计算每一个单词对应的描述子的个数，从而根据与每一个单词匹配的描述子的个数生成特征向量，该特征向量即为环境图像对应的视觉特征。示例的，若提取到的预设特征对应500个描述子，其中，200个描述子对应词袋模型中的单词1，200个描述子对应词袋模型中的单词2，剩余的100个描述子对应词袋模型中的单词3，则可以得到与单词1匹配的描述子的个数为200，与单词2匹配的的描述子的个数为200，与单词3匹配的的描述子的个数为100，则根据与每一个单词匹配的描述子的个数生成特征向量(200，200，100)，该特征向量(200，200，100)即为环境图像对应的视觉特征，从而实现构建环境图像对应的视觉特征。示例的，请参见图7所示，图7为本发明实施例提供的一种通过对应词袋模型中的单词构建环境图像对应的视觉特征的示意图。
在另一种可能的实现方式中，可以通过划分子区域构建环境图像对应的视觉特征，请参见图8所示，图8为本发明实施例提供的另一种构建环境图像对应的视觉特征的示意图。
s801、将环境图像划分为多个子区域。
s802、确定每一个子区域中预设特征信息对应的特征向量。
s803、将每一个子区域对应的特征向量按照分布位置进行向量组合，构建环境图像对应的视觉特征。
在该种方式中，在构建环境图像对应的视觉特征时，需要先将环境图像划分为多个子区域，并确定每一个子区域中预设特征信息对应的特征向量，之后，再将每一个子区域对应的特征向量按照分布位置进行向量组合，向量组合后得到的向量即为环境图像对应的视觉特征。示例的，若将环境图像分为4个子区域，第一个子区域对应的特征向量为a，第二个子区域对应的特征向量为b，第三个子区域对应的特征向量为c，第四个子区域对应的特征向量为d，若四个子区域的分布位置为第一子区域、第二子区域、第三子区域及第四子区域，则将每一个子区域对应的特征向量按照分布位置进行向量组合，得到的向量为(a，b，c，d)。请参见图9所示，图9为本发明实施例提供的通过划分子区域构建环境图像对应的视觉特征的示意图。结合图9可以看出，在构建环境图像对应的视觉特征时，是将环境图像划分为9个子区域，从而根据9个子区域中每一个子区域的对应的特征向量构建环境图像对应的视觉特征。
可选的，在上述通过划分子区域构建环境图像对应的视觉特征的方案中，可以通过消隐点将环境图像划分为多个子区域，因此，需要先确定环境图像中的消隐点。请参见图10-图12所示，图10为本发明实施例提供的一种通过消隐点划分环境图像的示意图，图11为本发明实施例提供的另一种通过消隐点划分环境图像的示意图，图12为本发明实施例提供的再一种通过消隐点划分环境图像的示意图，其中，图10、图11及图12分别从不同的空间点确定消隐点，从而根据该消隐点对环境图像进行划分。
需要说明的是，消隐点为真实世界中一组平行直线在图像中的交点。请参见图10-图12所示，消隐点为图10-图14中两条车道线的延长线(黑色虚线)的交点。消隐点是无穷远处地平线上的一点，所有的消隐点构成了地平线。因此，在图像中，消隐点可作为空间划分的参考点。特别地，在道路上，所有的车道线构成了一组平行线，它们对应于图像中同一个消隐点。消隐点在图像中的位置与摄像头的焦距、像元和真实世界中平行线的方向有关。由于车辆型号、摄像头安装位置和角度的差异，图像中的消隐点并不是一成不变的。图10和图11展示了车辆在行车过程中的两个不同位置采集的环境图像中的消隐点的示意图。图10和图12展示了不同车辆(如轿车和suv)在行车过程中的两个不同位置采集的环境图像中的消隐点的示意图，基于消隐点划分的区域具有一定的平移不变性，从而增加了视觉特征比对的准确性。
s104、将视觉特征与预设视觉特征进行匹配，以确定待定位车辆所在的位置。
其中，预设视觉特征为地图数据中的视觉特征。
在通过上述步骤构建好环境图像对应的视觉特征之后，就可以将构建好的视觉特征与预设视觉特征进行匹配，从而根据匹配结果确定待定位车辆所在的位置。
示例的，在本发明实施例中，可以预先获取地图数据中关键位置的预设视觉特征，并在分别获取到视觉特征和预设视觉特征之后，就可以将该视觉特征与预设视觉特征进行匹配，并根据匹配结果确定待定位车辆所在的位置。示例的，可以通过点云匹配、特征匹配和姿态优化匹配的方式对视觉特征进行匹配。
本发明实施例提供的车辆位置重定位的方法，通过获取待定位车辆的环境图像，并提取环境图像中的预设特征信息；再根据预设特征信息构建环境图像对应的视觉特征；之后，再将视觉特征与预设视觉特征进行匹配，从而确定待定位车辆所在的位置。由此可见，本发明实施例提供的车辆位置重定位的方法，在确定待定位车辆所在位置时，是根据预先构建环境图像对应的视觉特征，并将该视觉特征与地图数据的预设视觉特征进行匹配，从而确定待定位车辆所在位置，不仅减少了重定位过程中的计算量，而且提高了计算的鲁棒性。
图13为本发明实施例提供的一种车辆重定位的装置130的结构示意图，请参见图13所示，该车辆重定位的装置130可以包括：
获取单元1301，用于获取待定位车辆的环境图像。
提取单元1302，用于提取环境图像中的预设特征信息；预设特征信息包括几何特征信息和/或语义特征信息。
构建单元1303，用于根据预设特征信息构建环境图像对应的视觉特征。
确定单元1304，用于将视觉特征与预设视觉特征进行匹配，以确定待定位车辆所在的位置；其中，预设视觉特征为地图数据中的视觉特征。
可选的，构建单元1303，具体用于确定预设特征信息对应的描述子；确定描述子对应的词袋模型中的单词；其中，每一个单词对应一个或多个描述子；并根据与每一个单词匹配的描述子的个数构建环境图像对应的视觉特征。。
可选的，该车辆重定位的装置130还可以包括划分单元1305，请参见图14所示，图14为本发明实施例提供的另一种车辆重定位的装置130的结构示意图。
划分单元1305，用于将环境图像划分为多个子区域。
构建单元1303，具体用于确定每一个子区域中预设特征信息对应的特征向量；并将每一个子区域对应的特征向量按照分布位置进行向量组合，构建环境图像对应的视觉特征。
可选的，确定单元1304，还用于确定环境图像中的消隐点。
划分单元1305，具体用于根据消隐点将环境图像划分为多个子区域。
可选的，环境图像包括激光点云数据。
提取单元1302，具体用于提取环境图像中的特征信息；并根据预设规则在特征信息中选取预设特征信息；其中，预设规则为随机采样规则、法向量分布规则集均匀采样规则中的一种或多种的组合。
本发明实施例所示的车辆重定位的装置130，可以执行上述任一实施例所示的车辆重定位的方法的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。