基于消失点的车载相机俯仰角标定方法

洪丰

基于消失点的车载相机俯仰角标定方法

洪丰

（浙江科技学院 机械与能源工程学院，浙江 杭州 310023）

车载相机的标定对于基于机器视觉的智能辅助驾驶系统来说十分重要，其中，相机的俯仰角是一项重要参数。基于此，提出基于消失点的车载相机俯仰角标定方法，根据道路的纹理特征，利用5个尺度、8个方向的Gabor滤波器获得图像的纹理信息，然后运用局部软投票算法得到消失点的位置，最后，根据相机成像原理，建立消失点与俯仰角的运算关系，最终得到相机俯仰角信息。实验结果表明，该方法俯仰角的标定误差在0.5°以内，具有较好的测量精度，满足实际工程应用需求。

单目视觉；纹理特征；消失点；俯仰角

目前，机器视觉在智能辅助驾驶系统中运用得越来越广泛，而最常用的视觉设备便是车载相机了。车道线检测、车辆跟踪及测距等算法都需要运用摄像机的标定参数，其中，摄像机俯仰角对算法检测结果影响最显著[1-2]。因此，精确地标定车载相机的俯仰角对基于机器视觉的智能辅助驾驶系统来说十分重要。

实际上，车辆的行车环境复杂多样，例如树木阴影、光照不均、路面障碍物等情况，使得处理道路图像的难度增加。目前，基于纹理特征的道路检测方法能够适应复杂的道路环境，鲁棒性较好。

因此，本文提出基于消失点的车载相机俯仰角标定方法，建立5个尺度、8个方向的二维Gabor滤波器对图像进行卷积运算，得到图像的纹理方向；运用局部软投票机制确定道路消失点的位置；运用消失点与俯仰角的运算关系得到相机的俯仰角。

1 消失点检测

1.1 Gabor变换

纹理是图像的固有特征，获得图像纹理特征的常用方法是采用Gabor 滤波器。Gabor滤波器能够在频域不同尺度、不同方向上提取图像特征，这样的表达方式与人类视觉系统很相似。本文利用 Gabor 滤波器多尺度多方向的特点，对图像进行分析，提取图像的纹理方向。二维 Gabor 滤波器表示如式（1）所示：

式（1）中：=sin+cos，=－sin+cos，一般取2.2；为尺度；为方向。

由于5个尺度、36个方向的Gabor滤波器耗时很长，经实验验证，本文选取5个尺度、8个方向共40个模板的Gabor滤波器对图像进行卷积运算。

令（，）表示图像在点（，）处的灰度值，则图像与Gabor滤波器的卷积操作表示为：

卷积的结果ω，φ在点=（，）处有两部分：实部和虚部。将实部和虚部的平方和的平均值定义为ω，φ（），则点处的响应值为：

图像在不同方向上的响应会有所不同，定义响应强度最大的方向为该点的纹理方向，并确定原图像中所对应点的方向响应幅值，即该点8个方向特征最大的幅值来确定，如式（4）所示：

（）=argmaxφω，φ（） （4）

1.2 局部软投票

Gabor滤波器提取出每个像素的纹理方向后，进行消失点的筛选和确定。采用投票机制对消失点候选点进行投票可最终确定消失点的位置。根据投票范围可以将投票方式划分为全局硬投票方式和局部软投票[3]方式，全局硬投票方式往往偏向于选择上部的点，使得消失点上移，产生较大的误差。为克服这一问题，本文选用局部软投票方式。

对于图像中的每一个候选消失点，在该点下方设定一个以该点为圆心、半径为0.35×的半圆区域为投票点区域V，其中为图像的对角线长度。对于投票点区域V内的任一投票点，其纹理主方向为P，投票公式为：

从上述公式中可以看出，夹角的取值与（，）有关。当投票点离点越远，（，）越大，取值在较小范围内；当投票点离点较近时，可以取较大的值。因此，局部软投票法可以避免图像上方的候选消失点得票更多的情况，以提高检测精度。计算出候选点的投票值后，选出投票值最高的点作为道路的消失点。消失点的检测结果如图1所示，图1（d）中的黑色矩形框表示消失点的位置。

（a）道路图像 （b）纹理特征

（c）投票空间 （d）道路消失点

图1 消失点检测结果

2 相机俯仰角的计算

B.CAPRILE等人[4]根据相机内部参数与消失点之间的关系，提出了运用消失点进行摄像机标定的思想。本文根据无穷远处消失点与光心的连线近乎平行于道路平面这一关系对相机的俯仰角进行标定。俯仰角如图2所示，1为图像坐标系，为光心位置，其在图像坐标系上的坐标为（0，0）；为道路消失点在图像平面上的投影点，像素坐标为（1，1），由前面部分计算得到；相机的焦距为；摄像头安装高度为；为相机的盲区距离（图像最底端与相机之间的实际距离），可由式（7）计算得到；为相机垂直视角的一半，与相机的自身参数有关，计算公式如式（8）所示；为相机的俯仰角。

根据几何关系得到的相机俯仰角计算公式为：

式（8）中：2为相机光敏元件的尺寸参数。

3 实验结果与分析

选用焦距为18 mm，CMOS尺寸为22.3 mm×14.9 mm的相机，并将相机固定在三脚架上，让三脚架上的水平仪保持在水平状态。相机的高度为1.2 m。将相关参数代入式（8）中得出为22.48°。沿垂直方向转动相机一定角度，每转动一次拍摄一张照片，共拍摄100张照片。

图2 俯仰角示意图

图像处理平台：2.30 GHz CPU，Window 10操作系统，MATLAB 2017a 编译环境。将测量盲区距离所得的俯仰角作为实际俯仰角与运用本文算法所得的俯仰角进行实验对比，实验结果如表1所示。由表1得到，运用本文方法标定出的俯仰角误差均在0.5°以内，具有较好的检测精度，可运用在车载相机俯仰角的标定中。

表1 俯仰角标定结果

序号基于消失点得到的俯仰角基于盲区距离得到的俯仰角相对误差 10°57′0°26′0°31′ 22°39′2°13′0°26′ 35°20′4°53′0°27′ 49°55′9°26′0°29′ 514°43′15°10′﹣0°27′ 620°32′20°07′0°25′ 724°53′25°11′﹣0°18′ 830°11′29°48′0°23′

4 结论

本文提出了基于消失点的车载相机俯仰角标定方法，首先运用Gabor滤波器得到道路的纹理图像，然后采用局部软投票法得到消失点的位置，最后根据相机成像原理，建立了消失点与俯仰角的关系，得出相机实际俯仰角角度。实验结果表明：该方法俯仰角检测误差在0.5°以内，有较高的工程应用价值。下一步研究将针对算法的实时性问题进行优化。

［1］刘军，后士浩，张凯，等.基于单目视觉车辆姿态角估计和逆透视变换的车距测量［J］.农业工程学报， 2018， 34（13）：70-76.

［2］余厚云，张为公.基于单目视觉传感器的车距测量与误差分析［J］.传感器与微系统，2012，31（9）：10-13.

［3］KONG H，AUDIBERT J Y，PONCE J.General road detection from a single image［J］.IEEE Transactions on Image Processing a Publication of the IEEE Signal Processing Society，2010，19（8）：2211-2220.

［4］B.CAPRILE，V.TORRE.Using vanishing points for camera calibration［J］.International Journal of Computer Vision，1990，4（2）：127-140

U471.1

A

10.15913/j.cnki.kjycx.2019.15.037

2095－6835（2019）15－0094－02

洪丰（1994—），女，研究方向为智能交通。

〔编辑：张思楠〕