车载3d道路实时重构方法及装置的制造方法
【专利说明】车载3D道路实时重构方法及装置
[0001 ] 技术邻域
[0002] 本发明实施例设及图像处理技术领域，尤其设及一种车载3D道路实时重构方法及 装置。
【背景技术】
[0003] 随着汽车制造业的发展，汽车已经成为人们日常生活中不可或缺的交通工具。
[0004] 现有技术中，智能辅助驾驶系统及自动驾驶加速发展，通过机器视觉技术去获取 前方道路信息正变的越来越普遍，然而传统的基于二维图像的道路识别、车道检测等技术， W及传感器成像机理的原因，使道路信息很容易受到颜色、纹理、光照强度等因素的影响， 降低了道路信息的计算精度，不能为驾驶员提供精确、实时、可靠的前方路面信息。
【发明内容】
[0005] 本发明实施例提供一种车载3D道路实时重构方法及装置，W便为驾驶员提供精 确、实时、可靠的前方路面信息。
[0006] 本发明实施例的一个方面是提供一种车载3D道路实时重构方法，包括：
[0007] 在两个相邻采样时刻分别获取目标道路的第一深度图像Μκ-1和第二深度图像Μκ; [000引将所述第一深度图像Μκ-1和所述第二深度图像Μκ分别经过透视投影变换获得第一 点云数据集合Νκ-1和第二点云数据集合化；
[0009] 依据所述第一点云数据集合Νκ-1获得第一目标点云数据集合Ν'κ-1，并依据所述第 二点云数据集合化获得第二目标点云数据集合Ν ' Κ;
[0010] 计算所述第一目标点云数据集合Ν'κ-1中每个点对应的第一PFH特征直方图，W及 所述第二目标点云数据集合Ν'κ中每个点对应的第二PFH特征直方图；
[0011] 若所述第一 PFH特征直方图和所述第二PFH特征直方图匹配，则与所述第一 PFH特 征直方图对应的点为第一匹配特征点，与所述第二PFH特征直方图对应的点为第二匹配特 征点，将所有所述第一匹配特征点构成第一集合Q'K-l，将所有所述第二匹配特征点构成第 二集合Q'K;
[0012] 依据ICP算法处理所述第一集合Q'K-i和所述第二集合Q'K获得旋转矩阵R和平移矩 阵T，且Q'K=R*Q'K-i+T;
[0013] 依据所述旋转矩阵R和所述平移矩阵T将第一点云数据集合化-1和第二点云数据集 合化归一到同一个坐标系获得重构模型；
[0014] 将所述重构模型作为模式识别算法的输入数据，依据所述模式识别算法对所述重 构模型进行模式识别，W使所述模式识别算法输出所述目标道路对应的路面信息。
[0015] 本发明实施例的另一个方面是提供一种车载3D道路实时重构装置，包括：
[0016] 采样模块，用于在两个相邻采样时刻分别获取目标道路的第一深度图像Μκ-1和第 二深度图像Μκ;
[0017] 投影模块，用于将所述第一深度图像Μκ-1和所述第二深度图像Μκ分别经过透视投 影变换获得第一点云数据集合Νκ-1和第二点云数据集合Νκ;
[0018]去噪模块，用于依据所述第一点云数据集合Νκ-1获得第一目标点云数据集合Ν'κ-1， 并依据所述第二点云数据集合Νκ获得第二目标点云数据集合Ν'κ;
[0019]直方图计算模块，用于计算所述第一目标点云数据集合Ν'κ-冲每个点对应的第一 PFH特征直方图，W及所述第二目标点云数据集合Ν'κ中每个点对应的第二PFH特征直方图；
[0020] 匹配模块，用于若所述第一 PFH特征直方图和所述第二PFH特征直方图匹配，则与 所述第一PFH特征直方图对应的点为第一匹配特征点，与所述第二PFH特征直方图对应的点 为第二匹配特征点，将所有所述第一匹配特征点构成第一集合Q'K-l，将所有所述第二匹配 特征点构成第二集合Q'K;
[0021] ICP处理模块，用于依据ICP算法处理所述第一集合Q ' K-1和所述第二集合Q ' K获得 旋转矩阵R和平移矩阵T，且Q ' κ=R*Q ' K-1巧；
[0022] 归一模块，用于依据所述旋转矩阵R和所述平移矩阵T将第一点云数据集合Νκ-1和 第二点云数据集合Νκ归一到同一个坐标系获得重构模型;将所述重构模型作为模式识别算 法的输入数据，依据所述模式识别算法对所述重构模型进行模式识别，W使所述模式识别 算法输出所述目标道路对应的路面信息。
[0023] 本发明实施例提供的车载3D道路实时重构方法及装置，通过将二维深度图像转换 为Ξ维的点云数据集合，获取点云数据集合中每个点对应的PFH特征直方图，通过PFH特征 直方图匹配寻找相邻两个时刻点云数据集合的匹配特征点对，对匹配特征点对实施ICP算 法，求取相邻两个时刻点云数据集合的旋转平移矩阵，依据旋转平移矩阵将两个点云数据 集合归一到同一坐标系，实现了点云数据集合的融合，得到重构模型，避免路信息受到颜 色、纹理、光照强度等因素的影响，提高了道路信息的计算精度，为驾驶员提供精确、实时、 可靠的前方路面信息。
【附图说明】
[0024] 图1为本发明实施例提供的车载3D道路实时重构方法流程图；
[0025] 图2为本发明实施例提供的目标点云数据集合中任意一点的邻域点的示意图；
[0026] 图3为本发明实施例提供的目标点云数据集合中任意一点的坐标示意图；
[0027] 图4为本发明实施例提供的PFH特征直方图的示意图；
[0028] 图5为本发明实施例提供的主从计算方法适用的结构图；
[0029] 图6为本发明实施例提供的车载3D道路实时重构装置的结构图。
【具体实施方式】
[0030] 图1为本发明实施例提供的车载3D道路实时重构方法流程图；图2为本发明实施例 提供的目标点云数据集合中任意一点的邻域点的示意图。本发明实施例针对传统的基于二 维图像的道路识别、车道检测等技术，W及传感器成像机理的原因，使道路信息很容易受到 颜色、纹理、光照强度等因素的影响，降低了道路信息的计算精度，不能为驾驶员提供精确、 实时、可靠的前方路面信息，提供了车载3D道路实时重构方法，该方法的具体步骤如下：
[0031] 步骤S101、在两个相邻采样时刻分别获取目标道路的第一深度图像Μκ-1和第二深 度图像Μκ;
[0032] 本发明实施例通过安装在车辆前部的TOF成像设备获取前方道路场景的深度图 像，且T0F成像设备具体可W为3D成像传感器，3D成像传感器W较高的采用频率获取前方道 路场景的深度图像，例如，在K-1时刻，3D成像传感器对前方道路场景进行一次扫描获得第 一深度图像Μκ-1，在K时刻，3D成像传感器对前方道路场景进行一次扫描获得第二深度图像 Μκ。
[0033] 步骤S102、将所述第一深度图像Μκ-1和所述第二深度图像Μκ分别经过透视投影变 换获得第一点云数据集合Νκ-1和第二点云数据集合Νκ;
[0034] 所述将所述第一深度图像Μκ-1和所述第二深度图像Μκ分别经过透视投影变换获得 第一点云数据集合Νκ-1和第二点云数据集合Νκ，包括:获取深度图像到点云数据集合的变换 矩阵F;依据所述变换矩阵F和所述第一深度图像Μκ-1计算所述第一点云数据集合Nk-i = F* Μκ-1，依据所述变换矩阵F和所述第二深度图像Μκ计算所述第二点云数据集合Nk = F*Mk。
[0035] 依据3D成像传感器内部标定的参数和外部的位置参数得到深度图像到点云数据 集合的变换矩阵F，计算所述第一点云数据集合Nk-i = F*Mk-i和第二点云数据集合Nk=F*Mk。
[0036] 步骤S103、依据所述第一点云数据集合Νκ-1获