[发明专利]一种基于精细CAD模型的图像车辆三维姿态估计方法

说明书

本发明公开了一种基于精细三维模型的图像车辆姿态估计方法。首先从图像中检测出车辆的位置，并初始化车辆三维姿态参数，利用当前姿态参数将车辆三维模型渲染到图像平面上，分别提取图像车辆和模型车辆的轮廓，利用轮廓间的匹配误差构建能量函数，并采用高斯牛顿算法优化姿态参数，求解能量函数最小化问题，得到最终结果。轮廓匹配时，采用改进的随机抽样一致性(RANSAC)算法对曲线模型轮廓用分段直线拟合，再与真实车辆轮廓匹配。本发明在复杂监控场景中能准确鲁棒的恢复出监控视频中车辆相对摄像机的三维姿态参数，对监控视频理解和自动化处理有重要意义。

技术领域

本发明属于计算机视觉技术领域，特别是涉及一种基于精细CAD模型的图像车辆三维姿态估计方法。

背景技术

随着平安城市建设的不断推进，我国已布设超过3000万个监控摄像机，这些摄像机每日产生海量监控视频数据，因此对这些监控视频的自动化处理要求也越来越高。监控视频中，行驶车辆是重点关注对象之一。准确地估计车辆的三维姿态参数是监控视频自动化处理的基础，可广泛应用于交通监控、道路执法、安全保障以及监控视频压缩处理等领域。

监控视频中车辆姿态估计的难点在于图像数据在采集过程中丢失了三维世界中的深度信息，并且监控环境下的图像质量较低，大量细节信息得不到保障。因此，仅利用单幅图像包含的信息难以恢复出物体的三维姿态参数。为了准确地理解图像内容，恢复丢失的深度信息。需要借助先验知识，如车辆的三维模型，来估计车辆三维姿态参数。

目前，从图像中恢复目标三维姿态参数的方法主要分为如下三类：现有技术中，涉及到提出的一种基于简单线框模型的车辆姿态估计方法。该方法使用几条简单线框表示车辆的三维模型，并利用线框模型与图像中车辆轮廓的匹配误差来评价姿态参数准确性，通过演化算法优化姿态参数使匹配误差不断减小，从而得到最终的位置姿态参数。该方法计算复杂度较低，但简单线框模型难以精确表示真实车辆，因此参数估计精度不高。现有技术中，还涉及到提出的基于深度学习的目标三维姿态估计方法。该类方法首先通过目标三维模型渲染出各种不同姿态下的图像，以图像-姿态参数对作为训练数据训练卷积神经网络，在进行目标姿态估计时，将测试图像作为网络输入，输出即为对应姿态参数。这种基于图像识别的方法由于不存在严格的投影关系方程，因此很难得到目标姿态参数的准确估计值。现有技术中，还涉及到提出的提出一种基于目标掩码区域的姿态估计方法，该方法首先利用目标颜色直方图信息估计出目标所在区域的掩码图，接着提取目标和模型的外围轮廓，通过最小化两个外轮廓误差来优化姿态参数。该方法是目前姿态估计领域综合效果最好的方法之一，但是由于仅利用了目标的外围轮廓，没有充分利用到目标内部的轮廓信息，使得在目标被遮挡及光照复杂的情况不够鲁棒。

现有方法都存在姿态参数估计精度不高、在复杂环境下鲁棒性差等问题。为了满足在复杂监控环境下估计车辆三维姿态的需求，迫切需要一种准确、鲁棒地车辆三维姿态估计方法。

发明内容

为了解决上述的技术问题，本发明提出了一种基于精细CAD模型的图像车辆三维姿态估计方法，其特征在于，包括：

步骤1，初始化车辆相对摄像机的三维姿态参数，包括相对地面位置X,Y以及在地面上的旋转角度θ，记向量p＝(X,Y,θ)；初始化过程即仅利用图像特征粗略确定车辆相对相机的初始位置(X₀,Y₀)和旋转角θ₀；

步骤2，提取真实车辆轮廓和模型车辆轮廓，具体是采用Canny边缘检测算子提取真实车辆轮廓和模型车辆轮廓；

步骤3，对模型车辆轮廓采用直线拟合，具体是采用改进的随机抽样一致性算法(RANSAC)，先将曲线轮廓用分段直线的拟合后再进行轮廓匹配；