申请/专利权人：吉林大学

申请日：2023-12-19

公开（公告）日：2024-03-15

公开（公告）号：CN117710425A

主分类号：G06T7/33

分类号：G06T7/33;G06T7/60;G06T7/66;G06T7/13

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.02#实质审查的生效;2024.03.15#公开

摘要：本发明公开了一种基于点云位置预测的车轮轴线及主销解算方法与系统，旨在解决基于点云位置预测的车轮轴线及主销轴线解算的问题。基于点云位置预测的车轮轴线及主销解算方法主要包括：基于李代数向量形式的轮辋点云广义速度求解、基于扩展卡尔曼滤波的轮辋点云位姿预测、基于隐马尔可夫条件随机场的轮辋点云匹配、基于高斯加权的汽车主销及车轮轴线解算。基于点云位置预测的车轮轴线及主销解算系统主要包括RGB‑D相机1、三角架2与待检车辆3，RGB‑D相机1为具备主动式红外技术的彩色相机与深度相机的组合体。提供了一种可用于非接触、性能稳定的基于点云位置预测的车轮轴线及主销解算方法与系统。

主权项：1.一种基于点云位置预测的车轮轴线及主销解算方法，其特征在于，所述的基于点云位置预测的车轮轴线及主销解算方法的具体步骤如下：第一步：基于李代数向量形式的轮辋点云广义速度求解：利用RGB-D相机1获取序列车轮轮辋点云，运用点云匹配算法ICP变换求解前两帧轮辋点云之间的位姿变换矩阵 根据变换矩阵T中的旋转矩阵R1结合罗德里格斯公式可以得到旋转轴n和旋转角度θ，求得李代数向量中的旋转分量为 根据旋转轴n和旋转角度θ由下式可得系数矩阵J 利用上式求得的系数矩阵J结合位姿变换矩阵T中的平移向量t1可解算李代数中的平移分量ρ＝JTJ-1JTt1将旋转分量作为后三维分量，平移分量ρ作为前三维分量可组合求得轮辋点云位姿变换李代数向量ξ，假设轮辋上的特征三维点的运动由匀速直线运动和匀转速运动合成，李代数ξ又可以表示为 其中，为广义速度，ν和ω分别为平移速度和角速度，Δt为获取连续两帧点云之间的时间间隔，综合上述公式可得到车轮运动的广义速度 假设车轮上的特征点的运动由匀速直线运动和匀转速运动合成，且车轮绕主销或车轴旋转而主销或车轴轴线方向不变，同时RGB-D相机1采集任意连续两帧轮辋点云时间间隔相同，则 k表示第k帧点云，即轮辋点云不同时刻的广义速度相同；第二步：基于扩展卡尔曼滤波的轮辋点云位姿预测：首先，求解轮辋空间圆在相机坐标系中的圆心及法向量位置，根据DLT标定方法可以求得RGB-D相机1的彩色相机内参数Kc，根据RGB-D相机1的彩色相机内参数Kc结合汽车车轮图像轮辋椭圆边缘点的图像齐次坐标以及RGB-D相机1的彩色相机坐标系下的三维点的齐次坐标可得RGB-D相机1的彩色相机坐标系Oc-XcYcZc到图像坐标系oI-xIyI的映射为 根据轮辋椭圆边缘点在椭圆上的理论结合通过霍夫椭圆参数检测方法求得的轮辋二次曲线图像坐标可以得到轮辋椭圆边缘点的图像坐标与轮辋二次曲线图像坐标的关系为giTcegi＝0结合上述两式可得RGB-D相机1的彩色相机坐标系下二次曲面方程 其中由于Qe为是实对称矩阵，故存在正交矩阵Ue使得Qe对角化，结合Ue和特征值λ可得在RGB-D相机1的彩色相机坐标系下的坐标为 轮辋圆心在RGB-D相机1的彩色相机坐标系下的坐标为 其中，r为待检车辆3的轮辋半径，结合RGB-D相机1已标定的彩色相机和深度相机的转换参数可求得RGB-D相机1的深度相机坐标系下轮辋圆心及轮辋点云所在平面法向量的坐标nd、od；将轮辋点云广义速度作为运动先验值，深度相机坐标系下轮辋圆心及轮辋点云所在平面法向量的坐标nd、od作为测量值，结合映射矩阵DT，均值为0，协方差矩阵分别为R1,k、R2,k的高斯分布过程噪声r1,k、r2,k建立下式轮辋点云运动方程和观测方程 其中根据上式结合基于轮辋圆心和法向量的扩展卡尔曼算法可得到车轮定位参数检测过程中任意时刻的车轮轮辋点云的位姿TE，SVD分解位姿旋转矩阵得到特征值为1的特征向量即为汽车主销轴线的初值nE；第三步：基于隐马尔可夫条件随机场的轮辋点云匹配：检测系统的RGB-D相机1获取的轮辋点云数据集{x1,x2,…,xN}表示为一个N×3的矩阵X，将第二步所得的点云位姿TE作用于轮辋点云X上得到预测轮辋点云下一帧的轮辋点云表示为Y＝{y1,y2,…,yN}，预测点云和下一帧轮辋点云的对应点之间的距离可表示为由di组成的观测场可表示为D＝{d1,d2,…,dN}，建立隐马尔可夫随机场的概率模型得到该邻域先验，zi∈{±1}值为其对应的隐藏场中轮辋内点或轮辋离群点状态，由zi组成的隐藏场可表示为Z＝{z1,z2,…,zN}，利用Kd_Tree计算每个点的M个最近邻点的距离d，将d从小到大排列，前50％对应的隐藏状态初始化为1，后50％对应的隐藏状态被初始化为-1；待匹配轮辋点云和目标轮辋点云对应点之间距离观测场D的分布有条件地依赖于隐藏场Z，该隐马尔可夫随机场的隐藏场Z分布函数等价于吉布斯分布PGZ＝W-1exp-βHZ，其中W是一个归一化常数，参数β用来决定邻域先验信息在隐马尔可夫随机场中所占比重，Hz＝-β∑wizizi'为能量函数，i、i’是相邻三维点的下标，应用相邻点马氏距离μ2x,y＝x-yTσ2I-1x-y生成每个邻近点的权重 其中，参数σ设置为平均最近邻距离的一半；针对隐藏状态z使用平均场方法可近似求解W和可等价于吉布斯分布的Z状态分布函数PGZ，假设并以以为条件的独立分布来近似Z状态分布 根据轮辋点云中点的独立性，上式右侧各分量表达式为 假设轮辋内点是正态分布的，轮辋离群点是逻辑分布的，结合上式可得近似的似然函数 其中μ+1、σ+1为内点正态分布的均值与方差，μ-1、σ-1为离群点逻辑分布的均值与方差；采用EM算法最大化上式求解的近似似然函数可以得到概率模型的隐藏状态z，并在每次迭代过程中对轮辋点云进行不同大小的体素采样，得到两帧轮辋点云中点的一一对应关系；第四步：基于高斯加权的汽车主销及车轮轴线解算：根据第三步求得的点对应关系构建加权最小二乘问题求解使目标函数 达到极小值的旋转矩阵R与平移向量t，以汽车主销解算为例，其中si＝1exp-||xi-od×nE||22||nE||2σsm2，σsm为轮辋半径的倍，令则上式可化简为 最小化第一项，获得旋转矩阵R，令第二项为零即可得到平移向量t，展开关于旋转矩阵R的第一项，得到 进一步化简可得 其中W为3×3方阵，对W进行SVD分解得到W＝U∑VT，则旋转矩阵最优解为R＝UVT；当车轮左右转向时，车轮绕主销轴线旋转，并获取不同位置的车轮轮辋点云，对M个车轮轮辋点云特征点匹配，得M个旋转矩阵Rjj＝1,2,3…M，结合主销轴线方向上的向量旋转不会发生变化可得REn＝0其中使用SVD分解矩阵RE，求得最小的特征值对应的特征向量即为待检车辆3主销轴线方向上的向量n；在车轮轴线解算过程中，车轮前后转向时绕车轮轴线旋转，获取不同位置的车轮轮辋点云并对M个车轮轮辋点云特征点匹配，即可得到待检车辆3车轮轴线方向上的向量m。

全文数据：

权利要求：

百度查询： 吉林大学 基于点云位置预测的车轮轴线及主销解算方法与系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD