基于OpenCv卡爾曼濾波器的車載道路偏移識別方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及車載道路偏移識別方法，尤其涉及一種基于OpenCv卡爾曼濾波器的車載道路偏移識別方法及其系統(tǒng)。
【背景技術(shù)】
[0002]現(xiàn)有的車載道路偏移識別方法的誤差較大，識別效果較差。

【發(fā)明內(nèi)容】

[0003]為了解決現(xiàn)有技術(shù)中的問題，本發(fā)明提供了一種精度高的基于OpenCv卡爾曼濾波器的車載道路偏移識別方法及系統(tǒng)。
[0004]本發(fā)明提供了一種基于OpenCv卡爾曼濾波器的車載道路偏移識別方法，包括以下步驟:
51、對存儲器中的車道模板進行匹配；
52、對本車的位置進行預(yù)測，并測算角度和偏移距離；
53、判斷偏移距離是否超出閥值；
54、如果超出閥值，則報警，如果沒有超出閥值，則更新存儲器中的車道模板并返回步驟SI。
[0005]作為本發(fā)明的進一步改進，步驟SI中:通過差分算法根據(jù)車道模板匹配圖形，確定其相似度，定義一個變量，保存其相似度，當相似度大于0.85時，確定匹配成功。
[0006]作為本發(fā)明的進一步改進，步驟S2中的預(yù)測過程包括:調(diào)用成員函數(shù)predict得到當前狀態(tài)變量的估計值，其卡爾曼濾波器由向前推算狀態(tài)變量方程、向前推算誤差協(xié)方差方程首先構(gòu)造，得到下一個時間狀態(tài)的預(yù)先估計；其過程調(diào)用成員函數(shù)predict的當前變量的估計值、卡爾曼增益方程所計算的卡爾曼增益、后驗協(xié)方差方程計算的后驗協(xié)方差，可對下一次的結(jié)果進行預(yù)測。
[0007]作為本發(fā)明的進一步改進，向前推算狀態(tài)變量方程為:X(k|k-l) =A X(k-l|k-l)+BU(k)，其中，A:狀態(tài)轉(zhuǎn)移矩陣；B:單位矩陣；Q:高斯噪聲協(xié)方差矩陣；P:后驗錯誤協(xié)方差矩陣單位矩陣；X:狀態(tài)變量；Z:實際上的測量結(jié)果；U:觀測時噪音；R:測量噪音的協(xié)方差矩陣。
[0008]作為本發(fā)明的進一步改進，向前推算誤差協(xié)方差方程為:P (k I k-1) =A P (k-11 k-1)A’+Q，其中，A:狀態(tài)轉(zhuǎn)移矩陣；B:單位矩陣；Q:高斯噪聲協(xié)方差矩陣；P:后驗錯誤協(xié)方差矩陣單位矩陣；X:狀態(tài)變量；Z:實際上的測量結(jié)果；U:觀測時噪音；R:測量噪音的協(xié)方差矩陣。
[0009]作為本發(fā)明的進一步改進，卡爾曼增益方程為:Kg(k)= p(k|k-l) H’ / (HP (k I k-1) H’ + R)，其中，A:狀態(tài)轉(zhuǎn)移矩陣；B:單位矩陣；Q:高斯噪聲協(xié)方差矩陣；P:后驗錯誤協(xié)方差矩陣；1:單位矩陣；X:狀態(tài)變量；Z:實際上的測量結(jié)果；U:觀測時噪音；R:測量噪音的協(xié)方差矩陣。
[0010]作為本發(fā)明的進一步改進，下一次結(jié)果的預(yù)測方程為:x(k|k)= X(kIk-1)+Kg(k)(Z(k)-H X(k I k-1))，其中，A:狀態(tài)轉(zhuǎn)移矩陣；B:單位矩陣；Q:高斯噪聲協(xié)方差矩陣；P:后驗錯誤協(xié)方差矩陣；1:單位矩陣；X:狀態(tài)變量；Z:實際上的測量結(jié)果；U:觀測時噪音；R:測量噪音的協(xié)方差矩陣。
[0011]作為本發(fā)明的進一步改進，后驗協(xié)方差方程為:P(k |k)= (1-Kg (k) H) P (k I k-1),其中，A:狀態(tài)轉(zhuǎn)移矩陣；B:單位矩陣；Q:高斯噪聲協(xié)方差矩陣；P:后驗錯誤協(xié)方差矩陣；1:單位矩陣；X:狀態(tài)變量；Z:實際上的測量結(jié)果；U:觀測時噪音；R:測量噪音的協(xié)方差矩陣。
[0012]本發(fā)明還提供了一種基于OpenCv卡爾曼濾波器的車載道路偏移識別系統(tǒng)，包括微處理器、攝像頭、報警器、圖像處理器和存儲器，其中，所述微處理器分別與所述攝像頭、報警器、圖像處理器連接，所述圖像處理器與所述存儲器連接。
[0013]本發(fā)明的有益效果是:通過上述方案，提高了識別精度。
【附圖說明】
[0014]圖1是本發(fā)明一種基于OpenCv卡爾曼濾波器的車載道路偏移識別方法的流程圖；
圖2是本發(fā)明一種基于OpenCv卡爾曼濾波器的車載道路偏移識別方法的流系統(tǒng)的結(jié)構(gòu)框圖。
【具體實施方式】
[0015]下面結(jié)合【附圖說明】及【具體實施方式】對本發(fā)明進一步說明。
[0016]圖2中的附圖標號為:微處理器100 ;攝像頭200 ;報警器300 ;圖形處理器400 ;存儲器500。
[0017]如圖1所示，一種基于OpenCv卡爾曼濾波器的車載道路偏移識別方法，包括以下步驟:
51、通過opencv 庫函數(shù)分別初始化 ransit1nMatrix ；measurementMatrix ；processNoiseCov ；measurementNoiseCov ；errorCovPost,等值于矩陣，對存儲器中的車道模板進行匹配；
52、對本車的位置進行預(yù)測，并測算角度和偏移距離，對其的兩個變量(Θ角以及長度L)進行預(yù)測，其過程實現(xiàn)為調(diào)用成員函數(shù)correct用觀測值來對測量值進行矯正；
53、判斷偏移距離是否超出閥值；
54、如果超出閥值，則報警，如果沒有超出閥值，則更新存儲器中的車道模板并返回步驟SI。
[0018]OpenCV 的全稱是:0pen Source Computer Vis1n Library。OpenCV 是一個基于(開源)發(fā)行的跨平臺計算機視覺庫，可以運行在Linux、Windows和Mac OS操作系統(tǒng)上。它輕量級而且高效——由一系列C函數(shù)和少量C++類構(gòu)成，同時提供了 Python、Ruby、MATLAB等語言的接口，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法。
[0019]步驟SI中:通過差分算法根據(jù)車道模板匹配圖形，確定其相似度，定義一個變量，保存其相似度，當相似度大于0.85時，確定匹配成功。
[0020]步驟S2中的預(yù)測過程包括:調(diào)用成員函數(shù)predict得到當前狀態(tài)變量的估計值，其卡爾曼濾波器由向前推算狀態(tài)變量方程、向前推算誤差協(xié)方差方程首先構(gòu)造，得到下一個時間狀態(tài)的預(yù)先估計；其過程調(diào)用成員函數(shù)predict的當前變量的估計值、卡爾曼增益方程所計算的卡爾曼增益、后驗協(xié)方差方程計算的后驗協(xié)方差，可對下一次的結(jié)果進行預(yù)測。
[0021]向前推算狀態(tài)變量方程為:X(k|k_l)=A X (k-11 k-1)+B U(k);向前推算誤差協(xié)方差方程為:P (k I k-1) =A P (k-11 k-1) A’+Q ;卡爾曼增益方程為:Kg(k)= p(k|k-l) Η’/ (Η P (k I k-1) H’ + R);下一次結(jié)果的預(yù)測方程為:X(k|k)= X (k I k-1)+Kg (k) (Z(k)-HX(kI