基于椭圆拟合的环岛识别方法

00摘要


环岛元素是智能车比赛中较难处理的元素之一。比赛要求智能车能检测到环岛并从入口驶入,在绕行约 270°后驶出环岛,其中,能否高响应、高鲁棒性地检测环岛是后续进出环岛等步骤的基础。本文根据计算机视觉中的多视图几何学证明了环岛椭圆投影的存在,使用优化的最小二乘法拟合法并结合相关限制条件以识别环岛。

▲ 主板PCB

▲ 主板PCB

01引言


环岛元素是智能车比赛中较难处理的元素之一,由于车身在行驶过程中存在不确定性,故难以保证稳定识别效果。如图 1-1 与图 1-2 所示。

▲ 图 C-1 环岛灰度图

▲ 图 C-1 环岛灰度图

▲ 图 C-2 环岛二值化图

▲ 图 C-2 环岛二值化图

本文分析了传统电磁识别与摄像头识别环岛的优点和缺点,首先证明了环岛椭圆投影的正确性,然后此基础上提出了一种基于椭圆拟合的环岛识别方法,通过拉格朗日算子优化最小二乘误差函数使其最小化,并将结果转化为特征向量的形式。最后通过仿真和实验验证了此环岛识别方案的性能,并给出方案评价与可进一步研究的方向。

02现状和方法

从信息获取的不同方式上来说,环岛检测方案可以分为摄像头识别和电磁识别。

2.1 电磁识别

智能车大赛道路中先布置了通有 20kHz、100mA 交变电流的中心电磁引导线,频率范围 20k±1kHz,电流范围 100±20mA。由于电磁引导线完全绕行与环岛,在环岛圆与赛道的交点处可等效为两倍电磁场,故可在智能车前支架配置

电感检测装置以检测智能车是否到达环岛入口处,即点 B 处。若电磁测量值约为正常行驶时的两倍,可置入环标志位。

▲ 图 C-3 环岛示意图

▲ 图 C-3 环岛示意图

此方案的缺点在于滞后检测效应。当通过摄像头正常寻迹时,由于车身到入环点才能检测到环岛,车辆在 A、B 点之间时,由于左侧赛道缺失,智能车会往左侧偏移,随后因扫描到环岛内沿而校正回来,该过程使智能车震荡,导致行驶

到 B 点处位置可能发生偏移,导致电感检测失败。此外,对于摄像头为主要寻迹传感器的智能车,多加电磁传感器使系统更加冗余复杂。

2.2 摄像头识别

▲ 图 C-4 流程式环岛识别

▲ 图 C-4 流程式环岛识别

一种常规的,利用摄像头进行环岛入口识别的方法如下。

(1) 右侧赛道突然变宽,左侧赛道正常,标志位置为 1。
(2) 右侧赛道丢线,左侧赛道正常,标志位置为 2。
(3) 右侧赛道由宽变窄,随后又逐渐变宽,左侧赛道不变,标志位置为 3。
(4) 右侧赛道再次丢线,标志位置为 4。
(5) 若标志位等于 4,则识别到环岛。

该方案计算量较小,但仍然存在滞后检测效应,智能车会在区间 2 处小幅度右转,影响后续过程的判断过程。除此之外,该方案为流程化方案,若在判断过程中有一个步骤意外出错都无法正确判断为环岛入口,导致智能车无法入环甚至冲出赛道。

03环岛椭圆投影


对椭圆的投影进行建模,如下图所示。将P平明的圆投影到H平面。设P平面的椭圆长半轴长度为A,短半轴的长度为B。P平面与H平面的夹角为 α \alpha α

0 0 < α < 9 0 0 0^0 < \alpha < 90^0 00<α<900。于P平面建立笛卡尔坐标系XOY,椭圆长轴在X轴上,椭圆短轴在Y轴上,线段OO1的长度为L。可以平面P上的椭圆方程为:

▲ 图 C-5 椭圆映射图

▲ 图 C-5 椭圆映射图

一束平行光以 O 1 o 1 O_1 o_1 O1o1的方向照烧,是P平面椭圆映射在H平面上,形成椭圆o1。

在平面H上建立笛卡尔坐标系,oy与OY相重合,OX投影于ox,椭圆上一点M(X,Y)投影到m(x,y),可知两平面的坐标系关系为:

联立C-1与C-2,得:
在
m = A ⋅ cos ⁡ α ,    n = B ,    p = L ⋅ cos ⁡ α m = A \cdot \cos \alpha ,\,\,n = B,\,\,p = L \cdot \cos \alpha m=Acosα,n=B,p=Lcosα

将C-3记作:

显然,C-4为椭圆方程,即平面P上的椭圆经过平行光投影后仍然是椭圆。

特殊的,当平面P上的椭圆为圆时,有: L = 0 , A = B = R L = 0,A = B = R L=0,A=B=R,则C-3为:

m ′ = R ⋅ cos ⁡ α ,    n ′ = n m' = R \cdot \cos \alpha ,\,\,n' = n m=Rcosα,n=n,平面H上的投影为:
x 2 m ′ 2 + y 2 n ′ 2 = 1 {{x^2 } \over {m'^2 }} + {{y^2 } \over {n'^2 }} = 1 m2x2+n2y2=1

显然,当 cos ⁡ α ≠ 1 \cos \alpha \ne 1 cosα=1时, m ′ ≠ n ′ m' \ne n' m=n,该解析式描述的为椭圆。

对于环岛元素,设内环岛边缘为平面P上的圆。自然光线在P平面上的发生反射。由于物象距离较远,反射光可近似为平行光。根据摄像机的真空成像模型,反射光在详平面成像,即图像平面为H平面。因此,只需验证内环岛边缘微椭圆即可。

▲ C 车模电机驱动PCB

▲ C 车模电机驱动PCB

04最小二乘拟合


设椭圆一般方程为:
F ( a , x ) = a ⋅ x = a x 2 + b x y + c y 2 + d x + e y + f = 0 F\left( {a,x} \right) = a \cdot x = ax^2 + bxy + cy^2 + dx + ey + f = 0 F(a,x)=ax=ax2+bxy+cy2+dx+ey+f=0

其中,
a = [ a , b , c , d , e , f ] T a = \left[ {a,b,c,d,e,f} \right]^T a=[a,b,c,d,e,f]T

x = [ x 2 , x y , y 2 , x , y , 1 ] T x = \left[ {x^2 ,xy,y^2 ,x,y,1} \right]^T x=[x2,xy,y2,x,y,1]T

对于一个待拟合的离散点集合, X i = ( x , y ) X_i = \left( {x,y} \right) Xi=(x,y) F ( a , X i ) F\left( {a,X_i } \right) F(a,Xi)表示点Xi到椭圆 F ( a , x ) F\left( {a,x} \right) F(a,x)的几何距离。

最小二乘法的目标是求取使得李散掉的几何距离最短的a,即最小化:
D a = ∑ i = 1 N F ( a , X i ) 2 D_a = \sum\limits_{i = 1}^N {F\left( {a,X_i } \right)^2 } Da=i=1NF(a,Xi)2

由于环岛内边缘投影为椭圆,而F(a,x)为广义圆锥曲线一般表达式,需要表示为添加约束条件,以保证你和结果仅为椭圆。即:
4 a c − b 2 = 1 4ac - b^2 = 1 4acb2=1

为了表达方便,将前面方程吧粗歘在:

a T C a = 1 a^T Ca = 1 aTCa=1

其中:
c = [ 0 0 2 0 0 0 0 − 1 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ] c = \begin{bmatrix} \begin{matrix} 0 & 0 & 2 & 0 & 0 & 0\\0 & { - 1} & 0 & 0 & 0 & 0\\2 & 0 & 0 & 0 & 0 & 0\\0 & 0 & 0 & 0 & 0 & 0\\0 & 0 & 0 & 0 & 0 & 0\\\end{matrix} \end{bmatrix} c=002000100020000000000000000000

故问题转换为最小化误差函数:
E = ∥ D a ∥ 2 E = \left\| {Da} \right\|^2 E=Da2

约束条件为: a T C a = 1 a^T Ca = 1 aTCa=1

其中矩阵: D = [ X 1 X 2 ⋯ X N ] D = \left[ {X_1 X_2 \cdots X_N } \right] D=[X1X2XN]

对于一个离散点:
X i = [ x 2 , x y , y 2 , x , y , 1 ] X_i = \left[ {x^2 ,xy,y^2 ,x,y,1} \right] Xi=[x2,xy,y2,x,y,1]

根据拉格朗日乘子法,求解 z = f ( x , y ) z = f\left( {x,y} \right) z=f(x,y)在条件 ϕ ( x , y ) = 1 \phi \left( {x,y} \right) = 1 ϕ(x,y)=1下的极值,构造Lagrange函数:
L ( x , y , λ ) = f ( x , y ) + λ ϕ ( x , y ) L\left( {x,y,\lambda } \right) = f\left( {x,y} \right) + \lambda \phi \left( {x,y} \right) L(x,y,λ)=f(x,y)+λϕ(x,y)

令:

求出x,y,lambda,可以得到:
2 D T D a − 2 λ C a = 0 2D^T Da - 2\lambda Ca = 0 2DTDa2λCa=0

D T D = S D^T D = S DTD=S,则有:
S a = λ C a Sa = \lambda Ca Sa=λCa

由于S为实对称矩阵,C为正定矩阵,故求解是为求解广义特征值问题。C正定,用 C − 1 C^{ - 1} C1做成上式,可以得到:
C − 1 S a = λ a C^{ - 1} Sa = \lambda a C1Sa=λa

p = C − 1 S p = C^{ - 1} S p=C1S则:
p a = λ a pa = \lambda a pa=λa

所以只需要求解上式的特征向量a即可。根据数值分析幂法可求。

05限制条件


根据椭圆一般方程:

F ( a , x ) = a ⋅ x = a x 2 + b x y + c y 2 + d x + e y + f = 0 F\left( {a,x} \right) = a \cdot x = ax^2 + bxy + cy^2 + dx + ey + f = 0 F(a,x)=ax=ax2+bxy+cy2+dx+ey+f=0

可的长半轴长度平方:
A 2 = 2 ( a X c 2 + c Y c 2 + b X c Y c − 1 ) a + c + ( a − b ) 2 + b 2 A^2 = {{2\left( {aX_c^2 + cY_c^2 + bX_c Y_c - 1} \right)} \over {a + c + \sqrt {\left( {a - b} \right)^2 + b^2 } }} A2=a+c+(ab)2+b2 2(aXc2+cYc2+bXcYc1)

其中椭圆几何中心:
X c = b e − 2 c d 4 a c − b 2 ,     Y c = b d − 2 a e 4 a c − b 2 X_c = {{be - 2cd} \over {4ac - b^2 }},\,\,\,Y_c = {{bd - 2ae} \over {4ac - b^2 }} Xc=4acb2be2cd,Yc=4acb2bd2ae

根据世纪环岛的映射特点,限定如下识别条件:
(1)环岛映射非长扁椭圆,约束为 0.2 < A B < 5 0.2 < {A \over B} < 5 0.2<BA<5
(2)椭圆几何中心在左上侧,或者右上侧,约束为 Y C > H 2 Y_C > {H \over 2} YC>2H,H为图像高度;
(3)以右环岛为例,为保证提前识别,约束为右下侧出现环岛尖角。

06实验结果


以图C-2为计算示例,取内环岛边缘点获取坐标。


使用MATLAB 仿真得到椭圆方程为:

F ( a , x ) = 0.00154 x 2 − 0.019 x ⋅ y − 0.156 x F\left( {a,x} \right) = 0.00154x^2 - 0.019x \cdot y - 0.156x F(a,x)=0.00154x20.019xy0.156x + 0.195 ⋅ y 2 − 3.390 y + 38.870 + 0.195 \cdot y^2 - 3.390y + 38.870 +0.195y23.390y+38.870

椭圆参数为:
A = 30.537 ,    B = 5.099 ,     X c = 150.053 ,    Y c = 15.788 A = 30.537,\,\,B = 5.099,\,\,\,X_c = 150.053,\,\,Y_c = 15.788 A=30.537,B=5.099,Xc=150.053,Yc=15.788

07总结和展望


本文提出了一种基于椭圆拟合的环岛识别方法,相比于传统的摄像头识别与电感识别方法,该方法有以下特点。

(1) 无需流程式判断,降低整体误判断概率。

(2) 具有远前瞻特性,以免智能车因丢线而误转向。

(3) 利用最小二乘的结果代替了程序迭代过程,提高了运算速度。

通过实验分析研究表明,本文的方案有较快的运算速度、较强的棒性,不过仍有许多需要改进的地方,可在本文的基础上进行以下深入研究。

(1) 寻找更好的求解特征向量方法,进一步加快整体运算速度。

(2) 由于摄像机像素较小,对于较小的椭圆难以正确拟合与判断,可使用更高素质的摄像机。

(3) 由于车身位置变化,导致稳定寻找内环岛边缘区位置有一定困难,需要寻找更好的搜索方法。

▲ 车模电机驱动PCB

▲ 车模电机驱动PCB

08参考文献


[1] 彭慧敏. 平面斜截正圆锥截交线为椭圆时投影曲线分析. 西安建筑科技大学学报: 自然科学版, 1998. 30(2): 第189-191页.

[2] 莫章金. 椭圆的投影及其应用. 重庆建筑高等专科学校学报, 1999. 9(2): 第28-31页.

[3] Fitzgibbon, A., M. Pilu and R.B. Fisher, Direct least square fitting of ellipses. IEEE Transactions on pattern analysis and machine intelligence, 1999. 21(5): p. 476-480.

[4] Hal?r, R. and J. Flusser. Numerically stable direct least squares fitting of ellipses. 1998: Citeseer.

[5] 李成章, 黄玉民. 数学分析. 上北京: 科学出版, 1999.

[6] Trefethen, L.N. and D. Bau III, Numerical linear algebra. Vol. 50. 1997: Siam.

[7] 封建湖. 数值分析原理. 2001: 科学出版社.

©️2020 CSDN 皮肤主题: Age of Ai 设计师:meimeiellie 返回首页