Abstract

为了通过单眼视觉测量车辆与目标车辆之间的距离，并消除由于车辆姿态变化带来的估计误差，提出了一种基于车辆姿态信息的距离估计方法，该方法可以消除车辆姿态误差。 距离估计有效地由无人车辆的俯仰角和侧倾角的变化引起。 另外，姿势信息还可以帮助我们估计车辆是否在斜坡上，从而参与车辆的距离估计。 为实验收集了几组数据。 结果证明了该算法在距离估计中的有效性。

1. Introduction

单眼视觉距离估计利用单个摄像机捕获的图像来计算距离。目前，它分为基于模型的距离估计方法和基于深度学习的深度估计。在传统的基于模型的距离估计方法中，主要使用照相机的针孔成像模型。 Stein GP等。 [1]和盖特一世等。文献[2]首先利用传统的车辆检测算法在图像中检测出车辆的位置，然后根据针孔摄像机的原理对当前检测到的车辆进行距离估计。但是，位置精度对于距离估计特别重要，因为应该知道车辆底部的位置。同时，图像中消失线的位置也是必要的。但是，在行驶过程中不可避免的碰撞会导致距离估算错误。 Dagan E等。 [3]提出了一种根据图像中车辆后部宽度的大小来计算当前车辆距离的方法。但是，如果采用这种方法，则应事先知道车辆的宽度。根据车辆的位置和宽度信息，Kim G等人。文献[4]提出了一种结合车辆底部位置和车辆宽度信息的距离估计算法。郭力等。文献[5]根据图像坐标系和世界坐标系之间的几何映射关系，计算了到前车的纵向距离。沉中旭等。 [6]利用距离和目标在图像中的高度之间的关系建立了数学回归模型，然后使用二次曲线来测量距回归模型的距离。 Chen Y等。 [7]提出了一个更适合解决直线和曲线距离估计的模型。但是，上述传统的距离估计方法并没有改变外部参数的变化。摄像机是由驾驶过程中的颠簸引起的，会影响距离估算的准确性。 在基于深度学习的距离估计算法中，例如DORN [8]和CSWS_E_ROB [9]，提出了一种通用网络模型来预测整个图片的深度估计。 尽管深度估计比以前的方法要好，但是无人驾驶车辆目标距离估计的计算却是多余的且没有针对性的。 另外，分别花费0.5秒和0.2秒来完成昂贵的计算，这使得不可能将这些方法同时应用于车辆范围估计中。
为了解决行驶过程中车辆姿态变化引起的距离估计误差，我们以[1、2]中的方法为基准，提出了一种基于车辆姿态信息的距离估计算法。 惯性测量单元（IMU）用于测量行驶过程中的俯仰角和侧倾角。 然后，将角度信息添加到距离估计中，以减少由车辆晃动引起的不准确性。 同时，车辆可能会在实际道路条件下在斜坡上行驶，因此在通过俯仰角分析车辆姿态之后，我们可以决定是否引入IMU信息来估算车辆距离。

2. Distance Estimation Algorithm Based on Vehicle Pose Information

根据针孔成像模型，单眼视觉系统可以简化为相机投影模型[1、2]，如图1所示。

2.1Distance estimation based on the position of vehicle

针孔成像距离计算

2.2 Update rotate matrix R（更新旋转矩阵R）

车辆行驶时，车辆的俯仰角和侧倾角会发生变化，这会导致摄像机的外部参数发生变化。 原始校准的旋转矩阵R不适合车辆的当前状态，并且会导致消失线v0发生变化。 如图2和表1所示，车辆的俯仰角的变化引起消失线的更大波动，并且随着俯仰角的改变，估计距离具有较大的估计误差。 从这些结果可以证实，俯仰角的变化对距离估计有很大的影响。
为了消除车辆振动引起的估计误差，引入惯性测量单元对俯仰角α和侧倾角β进行测量，以更新旋转矩阵R，然后使用公式（6）校正消失线的位置以改善 距离估算的准确性。 由于由姿势角生成的旋转矩阵R不均匀，我们定义旋转矩阵以“偏航角γ→俯仰角α→侧倾角β”的方式生成，并且始终认为 逆时针方向是平面图中偏航角的正方向，向上是俯仰角的正方向，右侧是翻转时侧倾角的正方向。 姿态角及其大小的变化取决于车辆本身，并且与所选坐标系无关[10]。 坐标系的定义如图3所示。

3. Acquisition for ground truth of vehicle distance

为了验证我们算法的性能，有必要获取目标车辆距离的GT。 我们使用毫米波雷达获得目标距离的真实值。 毫米波雷达直接安装在车辆前方，是具有远程和中程扫描功能的76-77 GHz ESR雷达。在获得目标车辆的边界框和当前图像对应的雷达数据后，根据投影原理将雷达数据投影到图像上，其结果如图5所示。然后采用[11]中的匹配算法 选择与边界框相对应的雷达点。 蓝点是与这些边界框相对应的匹配结果。 当我们完成边界框和雷达数据的匹配时，需要计算距离的地面真实性。 距离的计算原理如图4所示，距离Dm可通过雷达获取。 Dr是毫米波雷达在车辆坐标系中的位置，θ是目标车辆的方位角。 D表示坐标系原点与目标车辆之间的距离，可以通过正弦定理获得。 可以获得沿垂直方向的距离的真实值。 距离的地面真相如图5所示。

4. Experiment

4.1 Experiment data

如图4所示，图像由水平安装在挡风玻璃上的相机捕获，而雷达数据由垂直安装的毫米波雷达收集。图像大小为1824 940 3。 在进行实验之前，我们需要测量摄像机的高度H，距离Dr和距离Dc。 相机的校准是通过利用MATLAB Toolbox中包含的Zhang Zhengyou [12]的校准方法来实现的。 校准完成后，我们可以获得内在参数矩阵K和外在参数矩阵R，t。 角度信息由惯性测量单元获取。 摄像机，雷达和IMU的频率为20Hz。

5. Conclusion

提出一种基于车辆姿态信息的距离估计算法，以提高距离估计的准确性。 首先，通过添加车辆姿态信息来更新旋转矩阵R，然后更新消失线v0的位置，以达到消除由车辆抖动引起的估计误差的目的。 通过实验数据分析了该算法的优缺点，结果证明该算法适用于近目标车辆。 获得了车辆距离估计算法的最佳应用范围。