基于点云位置预测的车轮轴线及主销解算方法与系统

本发明涉及一种汽车检测领域的测量方法及测量设备，更具体的说，它是一种基于点云位置预测的车轮轴线及主销解算方法与系统。

背景技术：

1、随着交通运输行业的迅速发展，车辆的运行安全逐渐被人们关注。汽车车轮的定位故障是导致交通事故的重要因素之一，因此定期对车轮定位参数进行检测具有重要意义。常见的汽车四轮定位检测设备包括视觉和非视觉两种，非视觉检测设备由于自动化程度低、设备安装复杂等一系列原因，较难满足测量设备的发展，而视觉式检测设备因具有高效、非接触等优点被广泛应用。同时，随着激光雷达、kinect等高精度传感器的快速发展，点云已成为表征三维世界的主要数据形式。为了实现对汽车主销及车轮轴线的高效精准解算，设计了一种基于点云位置预测的车轮轴线及主销解算方法与系统。

技术实现思路

1、本发明针对汽车车轮定位参数测量的精度和效率问题，提出了一种性能可靠、操作简便的基于点云位置预测的车轮轴线及主销解算方法与系统，实现车轮定位参数的高效、高精度检测。该系统主要由一部rgb-d相机构成，利用简单的实验器材结合扩展卡尔曼隐马尔可夫高斯加权算法，完成车轮定位参数的检测。

2、结合说明书附图，本发明采用如下技术方案予以实现:

3、基于点云位置预测的车轮轴线及主销解算方法的具体步骤如下：

4、第一步：基于李代数向量形式的轮辋点云广义速度求解：

5、利用rgb-d相机获取序列车轮轮辋点云，运用点云匹配算法icp变换求解前两帧轮辋点云之间的位姿变换矩阵

6、

7、根据变换矩阵t中的旋转矩阵r1结合罗德里格斯公式可以得到旋转轴n和旋转角度θ，求得李代数向量中的旋转分量为

8、

9、根据旋转轴n和旋转角度θ由下式可得系数矩阵j

10、

11、利用上式求得的系数矩阵j结合位姿变换矩阵t中的平移向量t1可解算李代数中的平移分量

12、ρ＝(jtj)-1jtt1

13、将旋转分量作为后三维分量，平移分量ρ作为前三维分量可组合求得轮辋点云位姿变换李代数向量ξ，假设轮辋上的特征三维点的运动由匀速直线运动和匀转速运动合成，李代数ξ又可以表示为

14、

15、其中，为广义速度，ν和ω分别为平移速度和角速度，δt为获取连续两帧点云之间的时间间隔，综合上述公式可得到车轮运动的广义速度

16、

17、假设车轮上的特征点的运动由匀速直线运动和匀转速运动合成，且车轮绕主销或车轴旋转而主销或车轴轴线方向不变，同时rgb-d相机采集任意连续两帧轮辋点云时间间隔相同，则

18、

19、k表示第k帧点云，即轮辋点云不同时刻的广义速度相同；

20、第二步：基于扩展卡尔曼滤波的轮辋点云位姿预测：

21、首先，求解轮辋空间圆在相机坐标系中的圆心及法向量位置，根据dlt标定方法可以求得rgb-d相机的彩色相机内参数kc，根据rgb-d相机的彩色相机内参数kc结合汽车车轮图像轮辋椭圆边缘点的图像齐次坐标以及rgb-d相机的彩色相机坐标系下的三维点的齐次坐标可得rgb-d相机的彩色相机坐标系oc-xcyczc到图像坐标系oi-xiyi的映射为

22、

23、根据轮辋椭圆边缘点在椭圆上的理论结合通过霍夫椭圆参数检测方法求得的轮辋二次曲线图像坐标可以得到轮辋椭圆边缘点的图像坐标与轮辋二次曲线图像坐标的关系为

24、gitcegi＝0

25、结合上述两式可得rgb-d相机的彩色相机坐标系下二次曲面方程

26、

27、其中由于qe为是实对称矩阵，故存在正交矩阵ue使得qe对角化，结合ue和特征值λ可得在rgb-d相机的彩色相机坐标系下的坐标为

28、

29、轮辋圆心在rgb-d相机的彩色相机坐标系下的坐标为

30、

31、其中，r为待检车辆3的轮辋半径，结合rgb-d相机已标定的彩色相机和深度相机的转换参数可求得rgb-d相机的深度相机坐标系下轮辋圆心及轮辋点云所在平面法向量的坐标nd、od；

32、将轮辋点云广义速度作为运动先验值，深度相机坐标系下轮辋圆心及轮辋点云所在平面法向量的坐标nd、od作为测量值，结合映射矩阵dt，均值为0，协方差矩阵分别为r1,k、r2,k的高斯分布过程噪声r1,k、r2,k建立下式轮辋点云运动方程和观测方程

33、

34、

35、其中根据上式结合基于轮辋圆心和法向量的扩展卡尔曼算法可得到车轮定位参数检测过程中任意时刻的车轮轮辋点云的位姿te，svd分解位姿旋转矩阵得到特征值为1的特征向量即为汽车主销轴线的初值ne；

36、第三步：基于隐马尔可夫条件随机场的轮辋点云匹配：

37、检测系统的rgb-d相机获取的轮辋点云数据集{x1,x2,…,xn}表示为一个n×3的矩阵x，将第二步所得的点云位姿te作用于轮辋点云x上得到预测轮辋点云下一帧的轮辋点云表示为y＝{y1,y2,…,yn}，预测点云和下一帧轮辋点云的对应点之间的距离可表示为由di组成的观测场可表示为d＝{d1,d2,…,dn}，建立隐马尔可夫随机场的概率模型得到该邻域先验，zi∈{±1}值为其对应的隐藏场中轮辋内点或轮辋离群点状态，由zi组成的隐藏场可表示为z＝{z1,z2,…,zn}，利用kd_tree计算每个点的m个最近邻点的距离d，将d从小到大排列，前50％对应的隐藏状态初始化为1，后50％对应的隐藏状态被初始化为-1；

38、待匹配轮辋点云和目标轮辋点云对应点之间距离观测场d的分布有条件地依赖于隐藏场z，该隐马尔可夫随机场的隐藏场z分布函数等价于吉布斯分布pg(z)＝w-1exp(-βh(z))，其中w是一个归一化常数，参数β用来决定邻域先验信息在隐马尔可夫随机场中所占比重，h(z)＝-β∑wizizi'为能量函数，i、i’是相邻三维点的下标，应用相邻点马氏距离μ2(x,y)＝(x-y)t(σ2i)-1(x-y)生成每个邻近点的权重

39、

40、其中，参数σ设置为平均最近邻距离的一半；

41、针对隐藏状态z使用平均场方法可近似求解w和可等价于吉布斯分布的z状态分布函数pg(z)，假设并以以为条件的独立分布来近似z状态分布

42、

43、根据轮辋点云中点的独立性，上式右侧各分量表达式为

44、

45、假设轮辋内点是正态分布的，轮辋离群点是逻辑分布的，结合上式可得近似的似然函数

46、

47、其中μ+1、σ+1为内点正态分布的均值与方差，μ-1、σ-1为离群点逻辑分布的均值与方差；

48、采用em算法最大化上式求解的近似似然函数可以得到概率模型的隐藏状态z，并在每次迭代过程中对轮辋点云进行不同大小的体素采样，得到两帧轮辋点云中点的一一对应关系；

49、第四步：基于高斯加权的汽车主销及车轮轴线解算：

50、根据第三步求得的点对应关系构建加权最小二乘问题求解使目标函数

51、

52、达到极小值的旋转矩阵r与平移向量t，以汽车主销解算为例，其中si＝1/exp(-||(xi-od)×ne||2/2||ne||2σsm2)，σsm为轮辋半径的倍，令则上式可化简为

53、

54、最小化第一项，获得旋转矩阵r，令第二项为零即可得到平移向量t，展开关于旋转矩阵r的第一项，得到

55、

56、进一步化简可得

57、

58、其中w为3×3方阵，对w进行svd分解得到w＝uσvt，则旋转矩阵最优解为r＝uvt；

59、当车轮左右转向时，车轮绕主销轴线旋转，并获取不同位置的车轮轮辋点云，对m个车轮轮辋点云特征点匹配，得m个旋转矩阵rj(j＝1,2,3…m)，结合主销轴线方向上的向量旋转不会发生变化可得

60、ren＝0

61、其中使用svd分解矩阵re，求得最小的特征值对应的特征向量即为待检车辆主销轴线方向上的向量n；

62、在车轮轴线解算过程中，车轮前后转向时绕车轮轴线旋转，获取不同位置的车轮轮辋点云并对m个车轮轮辋点云特征点匹配，即可得到待检车辆车轮轴线方向上的向量m。

63、基于点云位置预测的车轮轴线及主销解算系统包括有rgb-d相机、三角架与待检车辆；

64、三角架放置在水平地面上，rgb-d相机底部通过三角架顶部的螺栓与三角架固定连接。

65、技术方案中所述的rgb-d相机为具备主动式红外技术的彩色相机与深度相机的组合体。

66、本发明的有益效果是：

67、1.本发明建立了基于二次曲线投影特点结合轮辋半径几何约束的轮辋空间圆位姿解算模型，同时为了避免二次曲线表示形式的复杂性，采用轮辋空间圆圆心位置和轮辋空间圆所在平面的法向量表示轮辋位姿，对于跟踪预测轮辋位姿以及提升定位参数测量的精度和效率具有良好效果。

68、2.本发明利用扩展卡尔曼算法跟踪轮辋圆心、法向量，并由李代数向量映射到李群矩阵求解轮辋点云位姿，实现轮辋点云的粗匹配并为点云的精匹配提供了初始值，提升了汽车主销及车轮轴线解算系统的测量效率。

69、3.本发明提出了高斯加权隐马尔可夫条件随机场模型完成轮辋点云的精细配准，为不同距离的邻近点设置不同权重，从而实现点云间转换关系的精准测量，最后利用多对轮辋点云的旋转矩阵完成主销轴线和车轮轴线的精确求解。