[发明专利]一种单目SLAM算法的初始化方法及系统

说明书

本发明提供了一种单目SLAM算法的初始化方法及系统，该方法包括：从采集图像中选取图像交叠区内的像素点，并将选取的像素点转换为对应双目SLAM算法的像素点后，基于双目SLAM算法计算图像交叠区中转换后的像素点的三维坐标，并将像素点的三维坐标转换为相机坐标系的坐标信息，进而可以依据相机坐标系的坐标信息对单目SLAM算法进行初始化。由此，本发明实施例可以通过依据双目SLAM算法来辅助单目SLAM算法实现初始化，从而能够使单目SLAM算法对应的单目系统更快、更好的实现初始化，提高了单目SLAM算法的稳定性和计算精度。

技术领域

本发明涉及汽车技术领域，特别是涉及一种单目SLAM算法的初始化方法及系统。

背景技术

目前自动泊车辅助系统(Auto Parking Assist，APA)的解决方案中，一般会自带4个低成本的鱼眼摄像头，用以实现全车监视系统(Around View Monitoring，AVM)功能，或者达到与APA相关的视觉显示效果。现有技术中车辆在采用APA寻找车位的过程中，通常需要检测车位及静态障碍物，比如雪糕筒、轮档、杆子及网栏等等，甚至需要检测一些不常见的障碍物，比如自行车、椅子等等。采用目前常用的机器学习方法来检测静态障碍物，需要预先知道障碍物的类别以及大量的训练数据，该方法使得寻找车位的通用性和灵活性较差。

另外，目前最新的研究热点的是使用点云来实现静态障碍物检测，但是通常需要使用比较好的全局相机(Global Shutter Camera)，或者双目相机，而现有汽车上大量配置的鱼眼相机无法很好的实现。现有的基于单目鱼眼相机的视觉SLAM(SimultaneousLocalization And Mapping)点云生成方法主要存在稳定性差、精度不高、难以获取静态障碍物真实尺度等问题。其中，稳定性差主要表现在点云生成过程中经常出现初始化失败、点云生成偏差较大、噪声较大、以及对于能够生成的点云存在尺度偏差也较大等方面。精度问题及真实尺度问题主要表现在单目SLAM算法生成点云没有真实尺度、尺度有较大随机性、随场景和关键帧间隔等有所变化等其他方面。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的单目SLAM算法的初始化方法及系统。

依据本发明一方面，提供了一种单目SLAM算法的初始化方法，包括：

从采集图像中选取图像交叠区内的像素点，其中，所述图像交叠区为通过不同角度采集的两个图像的内容交叠区域；

将选取的像素点转换为对应双目SLAM算法的像素点，基于所述双目SLAM算法计算图像交叠区中转换后的像素点的三维坐标；

将所述像素点的三维坐标转换为相机坐标系的坐标信息；

依据所述相机坐标系的坐标信息对单目SLAM算法进行初始化。

可选地，从采集图像中选取图像交叠区内的像素点，包括：

获取采集图像，将获取到的图像输入至预设相机模型中；

所述图像经所述相机模型处理后，从处理后的图像中根据单目SLAM算法选取图像交叠区内的像素点。

可选地，将选取的像素点转换为对应双目SLAM算法的像素点，包括：

基于图像坐标系将选取的像素点转换为对应双目SLAM算法的像素点。

可选地，基于所述双目SLAM算法计算图像交叠区中转换后的像素点的三维坐标，包括：

获取预先测量的采集图像对应的相机间的基线距离；

基于所述双目SLAM算法并根据所述相机间的基线距离，计算出图像交叠区中转换后的像素点的三维坐标。

可选地，依据所述相机坐标系的坐标信息对单目SLAM算法进行初始化之后，还包括：