车辆高精度定位是实现智能车辆的一项基础性关键技术,由于常用的GPS定位精确度有限,在卫星被遮挡的地方(如高楼林立的城市道路、地下隧道、高架桥底部等)不能输出定位数据,无法满足全天候、无区域限制的定位需求。论文深入分析研究了车辆高精度定位技术,在“不依赖GPS”的前提下采用视觉感知算法实现车辆定位。论文构建了基于多模式协同的车辆定位系统,对光照鲁棒的图像匹配算法、基于视觉里程计的车辆相对定位和基于视觉地图构建的车辆绝对定位等关键技术进行了重点研究,主要工作包括以下四个方面:(1)提出了一种光照鲁棒的图像匹配算法。针对车辆行驶环境中多变的路面图像,单一匹配算法无法精确实现特征获取,论文分别采用Harris、SUSAN、FAST、SIFT和SURF算法对正常光照条件下多种路面图像进行处理,实际应用时根据其检测率和运行时间择优而定。由于车辆实际行驶中采集的图像常常伴有光线变化的干扰,传统匹配算法在变化光照环境下效果不佳,论文提出一种光照鲁棒的图像匹配算法。已知图像的边缘和细节信息对光照变化的敏感性较低,基于Canny算子的思想,通过图像梯度优化SURF特征点,并采用双向搜索实现图像精确匹配。实验结果表明该算法在图像亮度发生变化时,特征点检测仍保持较好的稳定性。相比上述传统的匹配算法,对光照变化具有鲁棒性的同时,既保证了较高的匹配速度又大大提高了匹配正确率。(2)提出了一种融合路面特征匹配与光流的车辆定位算法。首先针对路面图像帧间偏移量较大和较小两种情况,分别采用基于路面特征匹配和改进Lucas-Kanade算法实现车辆定位,对于算法执行中不同的特征点误匹配,分别通过PROSAC算法和自定义的LARSAE算法进行优化。然后在分析两种算法匹配精确性、定位频率以及运行时间性能的基础上,论文提出一种融合路面特征匹配和光流的车辆定位给算法。采用离散卡尔曼滤波融合两种车辆定位结果,并基于自定义的车辆运动误差估计算法优化位置偏移量,弥补了特征匹配定位运行时间较长和光流法定位精度较低的不足。多组实验对比分析表明基于特征匹配和光流法的两种算法精确性高于GPS定位,而且更加平滑,可以有效地解决GPS盲区下的车辆定位问题,保证车辆轨迹提取的连续性,但是存在随时间推移会产生累积误差的问题。融合定位算法在考虑车辆定位实时性的基础上具有较高的精度,尤其对于平整路面的自主定位有着较好的结果。在光照变化和地面纹理不清晰的场景下,亦可提供一种更加精确、抗噪性更强的结果,对于快速视觉里程计的开发有着一定的指导意义。(3)提出了一种基于视觉地图构建的车辆定位算法。为了从原理上消除相对定位算法存在的累积误差,论文引入静态环境特征,将车辆定位技术和地图创建结合起来,采用车辆自身的视觉传感器构建场景地图,然后利用自构建的视觉地图实现车辆精确定位。该算法首先构建视觉数据库,包含场景图像、图像主颜色特征和SURF特征以及其相应的位置,然后车载相机拍摄一幅正前方待测场景图像,基于主颜色特征向量和DP匹配获得粗定位结果,进而加权融合邻域信息实现车辆精确定位。实验结果表明该算法构建数据库时间消耗过大,但是定位过程中大大降低了处理的数据量,且精度满足实际需要,定位轨迹不随时间漂移,适合用于固定线路的车辆随机定位场景。同时其定位系统具有低成本、高可靠性、强抗信号干扰等优点,有较强的实用价值。(4)构建了一种基于多模式协同的车辆定位系统。在上述研究的基础上,通过分析车辆定位系统的需求,论文构建一种基于多模式协同的车辆定位系统。通过视觉传感器采集车辆行驶过程中的路面图像与场景图像,协同操作基于视觉里程计和视觉地图构建的定位技术估计车辆运动,并基于RFID感知和车辆检测的误差校正装置优化定位结果,最终实现多组定位信息的最优关联。基于智能车平台验证车辆定位系统的适用性以及相关算法的可靠性,结果表明该定位系统可以弥补GPS定位的不足,对车辆全天候、无区域限制的精确位置信息获取具有极其关键的连接作用。车辆定位算法分析与实车试验结果表明,论文提出的基于视觉感知的车辆高精度定位技术定位精度可达0.5m,同时弥补了GPS传感器自身的局限性,解决了GPS盲区这一特殊环境下的车辆定位问题,该研究成果为智能车辆系统将来的实际应用提供了理论研究基础。