计算机科学 ›› 2019, Vol. 46 ›› Issue (11A): 251-254, 259.

• 模式识别与图像处理 • 上一篇    下一篇

基于双目图像的大尺度智能驾驶场景重建

李银国, 周中奎, 白羚   

  1. (重庆邮电大学计算机科学与技术学院 重庆400065)
  • 出版日期:2019-11-10 发布日期:2019-11-20
  • 通讯作者: 周中奎(1993-),男,硕士生,主要研究方向为计算机视觉、智能车环境感知。
  • 作者简介:李银国(1955-),男,教授,博士生导师,主要研究方向为智能控制理论及应用、模式识别技术、汽车电子控制系统。
  • 基金资助:
    本文受重庆市人工智能技术创新重大主题专项项目(cstc2017rgzn-zdyfX0039),重庆市重点产业共性关键技术创新专项(cstc2017zdcy-zdyfX0004),重庆市研究生科研创新项目(CYB18165)资助。

Large-scale Automatic Driving Scene Reconstruction Based on Binocular Image

LI Yin-guo, ZHOU Zhong-kui, BAI Ling   

  1. (College of Computer Science and Technology,Chongqing University of Posts & Telecommunications,Chongqing 400065,China)
  • Online:2019-11-10 Published:2019-11-20

摘要: 大尺度智能驾驶场景重建能够在车辆驾驶环境中为车辆控制系统反馈周围道路交通的环境信息,并实现环境信息的可视化。目前,现有的三维重建方案主要面向结构化场景,对大尺度非结构化的智能驾驶场景进行三维重建时,在保证一定精度的情况下,难以满足智能驾驶系统所需的实时性。针对这一问题,文中提出了一种基于双目视觉的三维场景重建方法,首先通过优化立体匹配策略来提高立体匹配效率,再提出均匀保距的特征点提取算法RSD,减少三维点云计算与三角剖分耗时,提高大尺度智能驾驶场景重建的实时性。实验结果证明了该算法的有效性,采用所提算法对大尺度智能驾驶场景进行场景重建可得到良好的重建效果,且能够满足智能驾驶系统对实时性的需求。

关键词: 智能驾驶场景重建, 双目视觉, 特征提取, 立体匹配, 深度值计算

Abstract: The large-scale smart driving scene reconstruction can feedback the surrounding road traffic environment information for the vehicle control system in the vehicle driving environment,and realize the visualization of the environmental information.At present,the existing three-dimensional reconstruction scheme is mainly oriented to thestructuredscene,and it is difficult to meet the real-time performance required by the smart driving system while ensuring a certain precision which can make when the three-dimensional reconstruction of the large-scale unstructured smart driving scene is performed.In order to solve this problem,a three-dimensional scene reconstruction method based on binocular vision is proposed.Firstly,by optimizing the stereo matching strategy,the stereo matching efficiency is improved,and then the uniform distance feature point extraction algorithm RSD is proposed to reduce the time consumption of 3D point cloud computing and triangulation,and the real-time performance of large-scale smart driving scene reconstruction is improved.The experimental results prove the effectiveness of this algorithm,which can be used to reconstruct the scene of large-scale smart driving scene,and can meet the demand of intelligent driving system in real-time.

Key words: Intelligent driving scene reconstruction, Binocular vision, Feature extraction, Stereo matching, Depth value calculation

中图分类号: 

  • TP391.41
[1]谢志萍,雷莉萍.智能网联汽车环境感知技术的发展和研究现状[J].成都工业学院学报,2016,19(4):87-92.
[2]李克强,戴一凡,李升波,等.智能网联汽车(ICV)技术的发展现状及趋势[J].汽车安全与节能学报,2017,8(1):1-14.
[3]ZHANG X Y,GAO H B,GUO M,et al.A study on key technologies of unmanned driving[J].CAAI Transactions on Intelligence Technology,2016,1(1):4-13.
[4]陈辉,马世伟,Andreas Nuechter.基于激光扫描和SFM的非同步点云三维重构方法[J].仪器仪表学报,2016,37(5):1148-1157.
[5]徐超,李乔.基于计算机视觉的三维重建技术综述[J].数字技术与应用,2017,1(34):54-56.
[6]孙宇阳.基于单幅图像的三维重建技术综述[J].北方工业大学学报,2011,23(1):9-13.
[7]黄鹏程,江剑宇,杨波.双目立体视觉的研究现状及进展[J].光学仪器,2018,40(4):81-86.
[8]BAYKANT B,ALAGO Z.Obtaining Depth Maps FromColorImages By Region Based Stereo Matching Algorithms[J].OncuBilim Algorithm And Systems Labs,2008,8(4):122-134.
[9]何人杰.双目立体视觉区域局部匹配算法的改进及其实现[J].现代电子技术,2009,32(12):68-70.
[10]肖志涛,卢晓方,耿磊,等.基于极线校正的亚像素相位立体匹配方法[J].红外与激光工程,2014,43(S1):225-230.
[11]YU L,ZHANG D R, HOLDEN E J.A fast and fully automatic registration approach based on point features for multi-source remote-sensing images[J].Computers and Geosciences,2007,34(7):838-848.
[12]HARRIS C,STEPHENS M J.A combined corner and edge detector[C]∥Proceedingsof Fourth Alvey Vision Conference.Manchester.England:IEEE,1998:147-151.
[13]LOWE D G.Distinctive Image Features from Scale-InvariantKeypoints[J].International Journal of Computer Vision,2004,60(2):92-109.
[14]BAY H,ESS A,TUYTELAARS T,et al.Speeded-Up Robust Features (SURF)[J].Computer Vision and Image Understanding,2007,110(3):346-359.
[15]RUBLEE E, RABAUD V, KONOLIGE K,et al.ORB:an efficient alternative to SIFT or SURF[C]∥IEEE International Conference on Computer Vision.2011:2564-2571.
[16]MUJAM,LOWE D G.Fast approximate nearest neighborswith automaticalgorithm configuration[C]∥Proceedingsof IEEE Conference on Computer Vision Theory and Applications.Lisbon,Portugal:IEEE Computer Society,2009:331-340.
[17]CANDÉS E J,ROMBERG J K,TAO T.Stable signal recovery from incomplete and inaccurate measurements[J].Communications on Pure and Applied Mathematics,2006,59(8):1-15.
[18]吕耀文,康凯.基于双目视觉的三维重建和拼接技术研究[J].光电子技术,2016,36(4):237-241.
[19]汪神岳,刘强,王超然,等.基于双目立体相机的室外场景三维重建系统设计[J].计算机测量与控,2017,25(11):137-140.
[20]谢增广.平面点集Delaunay三角剖分的分治算法[J].计算机工程与设计,2012,33(7):2652-2658.
[21]姜翰青,王博胜,章国锋,等.面向复杂三维场景的高质量纹理映射[J].计算机学报,2015,38(12):2349-2360.
[1] 周燕, 曾凡智, 吴臣, 罗粤, 刘紫琴. 基于深度学习的三维形状特征提取方法[J]. 计算机科学, 2019, 46(9): 47-58.
[2] 杜臻, 马立鹏, 孙国梓. 一种基于小波分析的网络流量异常检测方法[J]. 计算机科学, 2019, 46(8): 178-182.
[3] 折蓉蓉, 张丽萍. 基于软件演化历史识别并推荐重构克隆的方法[J]. 计算机科学, 2019, 46(8): 224-232.
[4] 韩慧,王黎明,柴玉梅,刘箴. 基于强化表征学习深度森林的文本情感分类[J]. 计算机科学, 2019, 46(7): 172-179.
[5] 赵子阳, 蒋慕蓉, 黄亚群, 郝健宇, 曾科. 结合SFS和双目模型的单幅图像深度估计算法[J]. 计算机科学, 2019, 46(6A): 161-164.
[6] 李月峰. 一种基于多特征结合的三维模型检索方法[J]. 计算机科学, 2019, 46(6A): 266-269.
[7] 韩笑, 张晶, 李月龙. 基于手势几何分布特征的手势识别[J]. 计算机科学, 2019, 46(6A): 246-249.
[8] 何孝文, 胡一飞, 王海平, 陈默. 在线学习非负矩阵分解[J]. 计算机科学, 2019, 46(6A): 473-477.
[9] 周彬彬, 张宏军, 张睿, 冯蕴天, 徐有为. 面向实体标注的军事语料库建设[J]. 计算机科学, 2019, 46(6A): 540-546.
[10] 许磊, 王建新. 基于模糊神经网络的异常网络数据挖掘算法[J]. 计算机科学, 2019, 46(4): 73-76.
[11] 刘晓虹, 朱玉全, 刘哲, 宋余庆, 朱, 彦, 袁德琪. 基于改进多尺度LBP算法的肝脏CT图像特征提取方法[J]. 计算机科学, 2019, 46(3): 125-130.
[12] 李荫民, 薛凯心, 高赞, 薛彦兵, 徐光平, 张桦. 基于残差网络的三维模型检索算法[J]. 计算机科学, 2019, 46(3): 148-153.
[13] 陈威,刘艳,雷庆. 基于智能视觉的小差异行为特征分类[J]. 计算机科学, 2019, 46(3): 298-302.
[14] 盛雷, 卫志华, 张鹏宇. 基于多源特征后融合的分层目标检测算法[J]. 计算机科学, 2019, 46(2): 249-254.
[15] 杜娟, 沈思昀. 基于改进多权值滑动窗口的立体匹配方法的实现及应用[J]. 计算机科学, 2019, 46(11A): 241-245.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 杜威, 丁世飞. 多智能体强化学习综述[J]. 计算机科学, 2019, 46(8): 1 -8 .
[2] 高李政, 周刚, 罗军勇, 兰明敬. 元事件抽取研究综述[J]. 计算机科学, 2019, 46(8): 9 -15 .
[3] 蔡莉, 李英姿, 江芳, 梁宇. 面向城市热点区域的不平衡数据聚类挖掘研究[J]. 计算机科学, 2019, 46(8): 16 -22 .
[4] 杨震, 王红军. 基于轨迹划分与密度聚类的移动用户重要地点识别方法[J]. 计算机科学, 2019, 46(8): 23 -27 .
[5] 邓存彬, 虞慧群, 范贵生. 融合动态协同过滤和深度学习的推荐算法[J]. 计算机科学, 2019, 46(8): 28 -34 .
[6] 钟凤艳, 王艳, 李念爽. 异构分布式存储系统再生码数据修复的节点选择方案[J]. 计算机科学, 2019, 46(8): 35 -41 .
[7] 孙国道, 周志秀, 李思, 刘义鹏, 梁荣华. 基于地理标签的推文话题时空演变的可视分析方法[J]. 计算机科学, 2019, 46(8): 42 -49 .
[8] 张会兵, 钟昊, 胡晓丽. 基于主题分析的用户评论聚类方法[J]. 计算机科学, 2019, 46(8): 50 -55 .
[9] 李博嘉, 张仰森, 陈若愚. 一种可指定分布的海量数据生成方法[J]. 计算机科学, 2019, 46(8): 56 -63 .
[10] 鲁显光, 杜学绘, 王文娟. 基于改进FP growth的告警关联算法[J]. 计算机科学, 2019, 46(8): 64 -70 .