專利名稱：一種基于車輛側(cè)面與路面交線檢測的交叉口車輛運動參數(shù)測量方法
技術(shù)領(lǐng)域：
本發(fā)明屬于智能交通監(jiān)控領(lǐng)域，尤其涉及一種純視頻的針對交叉口場景低角度監(jiān)控條件下的車輛位置、車輛速度、車輛加速度的測量技術(shù)。
背景技術(shù)：
車輛的運動參數(shù)是指車輛的位移，速度，加速度等參數(shù)。實時動態(tài)的車輛運動參數(shù)是實現(xiàn)交通智能化的關(guān)鍵所在。目前實用的車輛運動參數(shù)采集技術(shù)有硬件測量方法和軟件測量方法。硬件方法包括測速雷達、環(huán)形線圈檢測器、超聲波檢測器、微波探測器、紅外線檢測器等進行車輛速度測量。硬件檢測方法有下面缺點，環(huán)形線圈檢測器需要破路安裝；測速雷達、超聲波檢測器、微波探測器、紅外線檢測器可移動性不強；而且這些技術(shù)共同的缺點包括只限于檢測車輛通過某一段距離的平均速度信息，難以實現(xiàn)車速的跟蹤；不能進行運動物體識別；成本較高。所以適合在高速公路或某一路段上使用，很難應(yīng)用車輛、行人、自行車混雜的交叉口。軟件方法以視頻圖像處理技術(shù)為主，目前主要采用設(shè)置視頻虛擬線圈的方法來檢測車輛經(jīng)過線圈的平均速度的方法居多，這種方法主要應(yīng)用在某一路段上車輛速度的測量。

發(fā)明內(nèi)容
本發(fā)明的目的是，針對現(xiàn)有技術(shù)的不足，提供一種基于視頻檢測的交叉口場景低角度監(jiān)控條件下的車輛運動學參數(shù)測量方法，本發(fā)明區(qū)別于現(xiàn)有視頻檢測方法之處在于提出了通過車輛底面二維線框模型與車輛側(cè)面與路面交線匹配的方法確定車輛位置，從而利用二維攝影測量技術(shù)計算車輛位置，速度，加速度等信息。最后利用車輛跟蹤技術(shù)實現(xiàn)車輛連續(xù)的運動學參數(shù)。為了實現(xiàn)本發(fā)明的上述目的，可以通過以下技術(shù)方案來實現(xiàn)一種基于車倆側(cè)面與路面交線檢測的交叉口車輛運動參數(shù)測量方法，包括以下步驟(I)實時視頻流獲取與傳輸通過安裝在監(jiān)控桿上的高清攝像頭獲取實時視頻流數(shù)據(jù)，然后由網(wǎng)絡(luò)傳輸?shù)焦た貦C上。(2)攝像頭標定通過道路現(xiàn)場標志標線參數(shù)和道路攝影圖像對攝像頭進行標定，獲得圖像坐標與世界坐標的轉(zhuǎn)換矩陣。本專利是利用車輛地面二維線框模型與車輛側(cè)面與地面交線匹配來確定車輛位置，因為車輛側(cè)面與地面交線和車輛地面二維線框模型投影結(jié)果都在地面上，所以可以用二維攝影測量技術(shù)來測量車輛位置。(3)車輛檢測對規(guī)定的監(jiān)控區(qū)域，利用背景差分法與運動物體輪廓相關(guān)性進行車輛感興趣區(qū)域檢測，車輛陰影消除，并利用背景重構(gòu)技術(shù)在一定的時間間隔內(nèi)更新背景。(4)車輛定位在車輛感興趣區(qū)內(nèi)，通過邊緣檢測，和哈夫直線檢測檢測車輛二值化圖像中的直線段。從而從行人，自行車，機動車中區(qū)分出車輛。利用車輛側(cè)面底邊直線判定規(guī)則，確定車輛側(cè)面底邊直線段。并利用車輛底面二維模型與車輛底部匹配，圈出車輛底面區(qū)域，從而確定車輛中心位置。(5)車輛跟蹤通過車輛檢測和車輛定位獲得的車輛大小，車輛位置等信息，結(jié)合卡爾曼濾波方法實現(xiàn)車輛的跟蹤，與車輛軌跡的生成，結(jié)合轉(zhuǎn)換矩陣，計算車輛在世界坐標系中的位置。通過車輛位置信息，與視頻圖像間的時間間隔計算車輛速度，加速度。(6)數(shù)據(jù)處理利用卡爾曼濾波對運動參數(shù)進行處理，提高檢測結(jié)果的精度和穩(wěn)定性。。與現(xiàn)有技術(shù)比，本發(fā)明具有以下的特點I、本發(fā)明由一臺高清攝像頭，和工控機組成，不需要另外的車輛檢測設(shè)備，對每一幀圖像中的車輛進行檢測，并通過車輛底面二維線框模型與車輛側(cè)面與路面交線匹配來確定車輛位置，并實時保存車輛位置，以及車輛像素中心點，大小和序號，利用時空信息，匹配和預(yù)測等算法實現(xiàn)車輛的跟蹤。最后實時輸出每輛車位置，速度，加速度，本發(fā)明結(jié)構(gòu)簡單， 實用。2、由于車輛側(cè)面與路面交線接近地面，所以本發(fā)明可以采用二維測量方法來測量車輛位置。采用二維攝影測量方法進行檢測的主要優(yōu)點如下(I)設(shè)備簡單，采用一個攝像頭(單目視覺)采集圖像；(2)無需獲取測量點的三維坐標，可方便地利用現(xiàn)場標志標線對圖像序列進行標定。無需對攝像機(攝像頭)內(nèi)部參數(shù)進行專門標定，簡化了標定過程。3、因為利用二維攝影測量方法進行車輛位置測量，提高了車輛定位實時性。4、攝像頭固定位置大于距離路面大約7米左右，屬于低角度監(jiān)控，不必對路面進行垂直拍攝，很大程度上降低了攝像頭的安裝難度。5、維護方面，可移動，不需要破路安裝。


圖I為基于視頻檢測的交叉口車輛運動參數(shù)檢測方法圖
圖2為車輛側(cè)面與路面交線示意圖
圖3為車輛運動參數(shù)檢測系統(tǒng)框圖
圖4為車輛檢測具體實施步驟
圖5為車輛定位與車輛跟蹤示意圖
圖6為本發(fā)明輸出的車輛位置參數(shù)曲線圖
圖7為本發(fā)明輸出的車輛速度參數(shù)曲線圖
圖8為本發(fā)明輸出的車輛加速度參數(shù)曲線圖
具體實施例方式本發(fā)明對視頻流每一幀圖像中的車輛，檢測車輛側(cè)面與路面交線，并利用車輛底面二維線框模型與交線匹配，從而確定車輛中心位置，保證了低空監(jiān)控條件下車輛位置信息的準確性。通過對車輛中心位置的實時檢測和跟蹤，再經(jīng)過二維攝影測量技術(shù)實現(xiàn)車輛位置的測量，進而計算出車輛的瞬時車速和加速度，最后用卡爾曼濾波對數(shù)據(jù)進行濾波，實現(xiàn)了車輛運動參數(shù)的測量，保證了測量精度，并解決了交叉口低空監(jiān)控、無信號燈交叉口， 行人，自行車，車輛并存的復(fù)雜交通場景的車輛運動參數(shù)測量問題。本發(fā)明基于視頻檢測的交叉口車輛運動學參數(shù)測量方法包括如下步驟(I)實時視頻流獲取與傳輸通過安裝在監(jiān)控桿上的高清攝像頭獲取實時視頻流數(shù)據(jù)，然后由網(wǎng)絡(luò)傳輸?shù)焦た貦C上。(2)攝像頭標定通過道路現(xiàn)場標志標線參數(shù)和道路攝影圖像對攝像頭進行標定，獲得圖像坐標與世界坐標的轉(zhuǎn)換矩陣。(3)車輛檢測通過規(guī)定監(jiān)控區(qū)域的感興趣區(qū)域，利用背景差分法與運動物體輪廓相關(guān)性進行車輛感興趣區(qū)域檢測，車輛陰影消除，并利用背景重構(gòu)技術(shù)在一定的時間間隔內(nèi)更新背景。(4)車輛定位在車輛感興趣區(qū)內(nèi)，通過邊緣檢測，和哈夫直線檢測檢測車輛二值化圖像中的直線段。從而從行人，自行車，機動車中區(qū)分出車輛。利用車輛側(cè)面底邊直線判定規(guī)則，確定車輛側(cè)面底邊直線段。并利用車輛底面二維模型與車輛底部匹配，圈出車輛底面區(qū)域，從而確定車輛中心位置。(5)車輛跟蹤通過車輛檢測和車輛定位獲得的車輛大小，車輛位置等信息，結(jié)合卡爾曼濾波方法實現(xiàn)車輛的跟蹤，與車輛軌跡的生成，結(jié)合轉(zhuǎn)換矩陣，計算車輛在世界坐標系中的位置。通過車輛位置信息，與視頻圖像間的時間間隔計算車輛速度，加速度。(6)數(shù)據(jù)處理利用卡爾曼濾波對運動參數(shù)進行處理，提高檢測結(jié)果的精度和穩(wěn)定性。。下面結(jié)合附圖和具體實施例對本發(fā)明做進一步說明圖I為本方法的安裝、設(shè)置示意圖，主要包括C⑶高清攝像頭1，監(jiān)控桿2，網(wǎng)線，3， 交換機4，工控機5。其中CCD高清攝像頭對準交叉口，使攝像頭能拍全交叉口的四條人行橫道線，選用合適的攝像機分辨率和鏡頭保證視頻圖像盡可能清晰；監(jiān)控桿的高度一般在 7米以上，將監(jiān)控桿安裝在交叉口任意一角。本方法在實際應(yīng)用中只需在監(jiān)控桿上架設(shè)一臺CCD高清攝像頭，不需要其他車輛檢測設(shè)備；只需利用交叉口路面上的標志線參數(shù)和攝影圖像來對攝像頭進行標定。然后利用視頻處理和模式識別相關(guān)算法，在實時的視頻流中完成車身底邊直線(近似視為車輛側(cè)面與路面交線)檢測，并且輸出高可信度的車輛位置，車輛速度，車輛加速的信息。本發(fā)明結(jié)構(gòu)簡單，界面設(shè)置便攜，車輛運動參數(shù)檢測精度高。圖2為車身側(cè)面與路面交線示意圖。本發(fā)明提出一種車輛底面二維模型與車輛側(cè)面與路面交線匹配的車輛定位方法，車輛側(cè)面與路面交線的定義是車身側(cè)面與路面的交線上，從車頭到車尾的這條線段。如圖2所示黑色線段。因為這條線在路面上所以可以利用二維攝影測量方法檢測線段位置信息。圖3為本方法的系統(tǒng)結(jié)構(gòu)框圖。此結(jié)構(gòu)框圖也是本發(fā)明的主流程圖，本方法主要分為攝像機標定模塊，背景重構(gòu)模塊，感興趣區(qū)檢測模塊，影子消除模塊，交線檢測模塊，車輛定位模塊，車輛跟蹤模塊，車輛運動學參數(shù)測量模塊組成。其中背景重構(gòu)模塊，感興趣區(qū)檢測模塊，影子消除模塊，交線檢測模塊組成了車輛檢測模塊。攝像頭標定模塊，利用交叉口背景圖像和標志線的圖像參數(shù)與現(xiàn)場參數(shù)對攝像頭進行標定，獲得圖像平面坐標系與現(xiàn)場平面世界坐標系的變換矩陣。車輛檢測模塊，是利用背景重構(gòu)技術(shù)，感興趣區(qū)檢測技術(shù)， 影子消除技術(shù)，交線檢測，模型匹配等來實現(xiàn)車輛的檢測。車輛定位模塊作用是確定被檢測車輛的現(xiàn)場位置坐標。車輛跟蹤模塊實現(xiàn)被檢測車輛的實時跟蹤，從而生成車輛運動軌跡。 車輛運動學參數(shù)測量模塊用來計算車輛的現(xiàn)場位置路線和速度，加速度。圖4是車輛檢測模塊的具體實施步驟。首先本發(fā)明利用均值法提取初始背景，即利用一定數(shù)量的視頻序列來計算監(jiān)控區(qū)域的背景圖像。均值法的增量形式為S: _Λ. V； = ζ!- : Λ. V； — S,、 :_Λ, V；其中Bj (x, y)表示第j幀像素(x，y)處的背景，Ij (x, y)則表示第j幀像素(x，y) 的灰度值或顏色向量。由于均值法存在增量形式，因此適合實時的視頻處理。還可以看出， 對于均值法，背景的重構(gòu)與更新是同一過程，這種簡單的特性有利于工程實現(xiàn)。這也是本發(fā)明選擇用這種方法求初始背景的原因。本發(fā)明利用背景差分法進行前景檢測。視頻圖像與初始背景圖像或重構(gòu)的背景圖像作差后，對差分圖像二值化處理后，可以獲得前景圖像。設(shè)fk(x，y)表示輸入視頻序列的幀圖像，B(x，y)表示初始背景或重建背景圖像，F(xiàn) (x，y)表示前景掩碼(mask)圖像，則前景檢測可以表示為F(x, y)是一個二值化圖像，I代表前景區(qū)域，O代表背景區(qū)域。Th代表二值化閾值，差分圖像像素值大于Th的點認為是前景區(qū)域，反之為背景區(qū)域。感興趣區(qū)域檢測具體實現(xiàn)方法為前景掩碼通過形態(tài)學濾波后，通過查找運動物體外輪廓，并利用最小矩形邊框一一包括外輪廓，將矩形邊框所在位置作為車輛的感興趣區(qū)，由于在前景檢測過程中可能會出現(xiàn)一個運動物體被分割為若干部分的情況，所以本發(fā)明采用對符合一直性原則的矩形區(qū)域進行合并，一致性規(guī)則為矩形框具有重疊或包含特點。這種合并，有時會將位置接近或者粘連的物體合并到一個區(qū)域。這種情況將在交線檢測過程中將同一區(qū)域的運動物體進行分離。背景重構(gòu)模塊具體實施方法是利用改進的塊處理技術(shù)來獲取新背景。通過設(shè)定一定的時間間隔，從視頻圖像中截取用于背景重建的圖像序列，標號為1，2..N。通過感興趣區(qū)域檢測后，將感興趣區(qū)改為白色區(qū)，非感興趣區(qū)為原始圖像。將上述圖像分為8*8的子塊。通過判斷每個子塊中白色像素統(tǒng)計量來判斷，這個子塊為前景還是背景。將N幀中的所用背景子塊組合成新的背景，這樣就會因為子塊的亮度不同產(chǎn)生塊狀效應(yīng)，且存在未能完全重建的子塊。針對這一問題，可采用將符合條件的多個相鄰子塊進行平均后，再加入估計背景。對于未能完全重建的子塊，可取均值場景中對應(yīng)的塊進行拼接。影子消除具體實現(xiàn)方法是本法明利用了結(jié)合一階梯度剪除算法的HSV陰影檢測算法，這種方法實現(xiàn)簡單，魯棒性好，可準確的檢測出車輛陰影。接觸線檢測具體實現(xiàn)方法是對感興趣區(qū)域內(nèi)的二值化圖像進行Sobel邊緣檢測后，利用哈夫變換來檢測車身直線，往往行人和自行車不具備明顯的直線特征，所以由此可以排除自行車和行人的干擾。但通常車輛二值化邊緣圖像上存在多條直線，因此需要制定車輛側(cè)面與路面交線判斷規(guī)則來識別交線。這個規(guī)則包括直線的長度，直線的位置，直線間距，直線角度與車輛區(qū)域整體角度的相關(guān)性。這種方法同樣可以識別在同一個感興趣區(qū)域的兩輛以上車輛各自的車輛側(cè)面與路面交線，從而區(qū)別車輛。我們在識別交線之后，需要統(tǒng)計監(jiān)控圖像上檢測的所有車輛側(cè)面與路面交線的長度。根據(jù)不同區(qū)域檢測到直線的長度分布情況，分別確定不同區(qū)域，不同車型車輛側(cè)面與路面交線的普遍適用的長度，并利用這個長度將各自車型的車輛側(cè)面與路面交線進行歸一化處理。圖5為車輛定位與車輛跟蹤示意圖，表明了車輛定位結(jié)果與跟蹤效果。車輛定位模塊是通過模型匹配來實現(xiàn)，具體實現(xiàn)方法是利用圖像坐標、現(xiàn)場路面坐標、車輛底面模型坐標的關(guān)系為不同車型分別建立一個固定大小的車輛底面二維線框模型，通過二維模型與車輛側(cè)面與路面交線匹配，將二維線框模型投影到圖像上，如圖5中黑色邊框，從而利用模型坐標，現(xiàn)場坐標，圖像坐標轉(zhuǎn)化關(guān)系計算出二維線框模型中點位置，即車輛在路面上的位置。然后利用車輛大小位置等信息對規(guī)定的監(jiān)控區(qū)域內(nèi)的車輛進行跟蹤，圖5(a)為車輛 6開始被跟蹤上的第一幀圖像，圖5(b)為車輛6被跟蹤的最后一幀圖像。圖6為利用本發(fā)明方法輸出的圖5中車輛的位置參數(shù)經(jīng)過卡爾曼濾波平滑處理后的曲線圖。圖7為本發(fā)明輸出的圖5中車輛經(jīng)過車輛運動參數(shù)測量模塊計算得到并濾波后的速度數(shù)據(jù)曲線圖，其中圖7 (I)為車輛在監(jiān)控現(xiàn)場世界坐標系X軸方向的速度曲線，圖7 (2) 為車輛在監(jiān)控現(xiàn)場世界坐標系X軸方向的速度曲線。本發(fā)明從車輛被跟蹤后第2幀開始計算車速，因為卡爾曼濾波器在處理前幾幀數(shù)據(jù)時處于學習狀態(tài)，誤差偏大，從第4幀開始濾波數(shù)據(jù)變得準確、穩(wěn)定。圖8為本法明輸出的圖5中車輛經(jīng)過車輛運動參數(shù)測量模塊計算得到并濾波后的加速度數(shù)據(jù)曲線圖，其中圖8 (I)為車輛在監(jiān)控現(xiàn)場世界坐標系X軸方向的加速度曲線，圖 8(2)為車輛在監(jiān)控現(xiàn)場世界坐標系X軸方向的加速度曲線。本發(fā)明從車輛被跟蹤后第3幀開始計算車速，因為卡爾曼濾波器在處理前幾幀數(shù)據(jù)時處于學習狀態(tài)，誤差偏大，從第5幀開始濾波數(shù)據(jù)變得準確、穩(wěn)定。
權(quán)利要求
1.一種基于車輛側(cè)面與路面交線檢測的交叉口車輛運動參數(shù)測量方法，其特征在于， 包括如下步驟(1)實時視頻流獲取與傳輸通過安裝在監(jiān)控桿上的高清攝像頭獲取實時視頻流數(shù)據(jù)，然后由網(wǎng)絡(luò)傳輸?shù)焦た貦C上。(2)攝像頭標定通過道路現(xiàn)場標志標線參數(shù)和道路攝影圖像對攝像頭進行標定，獲得圖像坐標與世界坐標的轉(zhuǎn)換矩陣。本專利是利用車輛側(cè)面與地面交線來確定車輛位置， 因為車輛側(cè)面與地面交線接近地面，所以可以用二維攝影測量技術(shù)來測量車輛位置。(3)車輛檢測首先確定規(guī)定監(jiān)控區(qū)域，用于在跟蹤階段判斷被檢測車輛是否在該區(qū)域內(nèi)，來決定是否跟蹤。利用背景差分法與運動物體輪廓相關(guān)性進行車輛感興趣區(qū)域檢測， 車輛陰影消除，并利用背景重構(gòu)技術(shù)在一定的時間間隔內(nèi)更新背景。(4)車輛定位在車輛感興趣區(qū)內(nèi)，通過邊緣檢測，和哈夫直線檢測檢測車輛二值化圖像中的直線段。從而從行人，自行車，機動車中區(qū)分出車輛。利用車輛側(cè)面底邊直線判定規(guī)則，確定車輛側(cè)面底邊直線段。并利用車輛底面二維模型與車輛底部匹配，圈出車輛底面區(qū)域，從而確定車輛中心位置。(5)車輛跟蹤通過車輛檢測和車輛定位獲得的車輛大小，車輛位置等信息，結(jié)合卡爾曼濾波方法實現(xiàn)車輛的跟蹤，與車輛軌跡的生成，結(jié)合轉(zhuǎn)換矩陣，計算車輛在現(xiàn)場世界坐標系中的位置。通過車輛位置信息，與視頻圖像間的時間間隔計算車輛速度，加速度。(6)數(shù)據(jù)處理利用卡爾曼濾波對運動參數(shù)進行處理，提高檢測結(jié)果的精度和穩(wěn)定性。
2.根據(jù)權(quán)利要求I所述一種基于視頻檢測的交叉口車輛運動參數(shù)測量方法，其特征在于所述步驟(2)具體為(a)實時的視頻流。(b)利用一定數(shù)量的實時視頻圖像采用均值法求出交叉口的背景圖像。(C)將背景圖像保存。(d)根據(jù)在交叉口建立的現(xiàn)場世界坐標系，測量并計算出4條人行橫道線邊緣在世界坐標系下的直線方程，背景圖像包含交叉口四條完整的人行橫道線，通過鼠標拾取背景圖像上的人行橫道線邊緣直線上兩點，獲得圖像坐標系下的4條直線方程，利用4組世界坐標系和圖像坐標系的直線方程參數(shù)對攝像頭進行標定，計算出圖像坐標系與世界坐標系的轉(zhuǎn)換矩陣。(e)保存轉(zhuǎn)換矩陣。
3.根據(jù)權(quán)利要求I所述一種基于視頻檢測的交叉口車輛運動參數(shù)測量方法，其特征在于，所述步驟(3)具體為(a)在背景圖像上選擇監(jiān)控區(qū)域中有用區(qū)域，將非道路區(qū)域排除。(b)利用背景差分來檢測運動物體，并對檢測圖像經(jīng)過二值化，平滑濾波和形態(tài)學濾波處理。(C)在步驟(b)結(jié)果中查找外輪廓，利用最小外接矩形框圈出，并對滿足一致性規(guī)則的矩形框合并。是一個矩形框與一個或多個完整的運動物體對應(yīng)。從而確定車輛的感興趣區(qū)域。(d)在感興趣區(qū)域內(nèi)利用一階梯度剪除算法的HSV陰影檢測算法消除車輛的陰影，提高后面車輛定位的準確性。(e)在一定時間間隔內(nèi)，利用改進的塊處理技術(shù)，重建背景。
4.根據(jù)權(quán)利要求I所述一種基于視頻檢測的交叉口車輛運動參數(shù)測量方法，其特征在于，所述步驟(4)具體為(a)在車輛感興趣區(qū)內(nèi)對形態(tài)學濾波后的二值化圖像進行Sobel邊緣檢測。(b)對步驟(a)的結(jié)果進行哈夫直線檢測，并利用車輛側(cè)面與路面交線判定規(guī)則識別交線。(C)利用監(jiān)控區(qū)域中車輛側(cè)面與路面交線長度的統(tǒng)計結(jié)果，分別使用固定長度將相同車型的車輛側(cè)面與路面交線歸一化。(d)對不同車型建立不同大小的車輛地面二維模型，并將模型與車輛側(cè)面與路面交線匹配，利用模型坐標系，現(xiàn)場坐標系，圖像坐標系之間的轉(zhuǎn)化關(guān)系，確定匹配后模型中點的現(xiàn)場坐標，即車輛位置。
5.根據(jù)權(quán)利要求I所述一種基于視頻檢測的交叉口車輛運動參數(shù)測量方法，其特征在于，所述步驟(5)具體為(a)確定檢測到的車輛在圖像中的大小，位置等信息。(b)利用卡爾曼濾波法跟蹤被檢測車輛，并記錄車輛的現(xiàn)場位置坐標。(C)利用車輛現(xiàn)場位置計算車輛速度，和加速度數(shù)據(jù)。
全文摘要
本發(fā)明公布了一中基于車輛側(cè)面與路面交線檢測的交叉口車輛運動參數(shù)測量方法。通過在交叉口安裝攝像頭對交叉口進行監(jiān)控；利用圖像處理技術(shù)，結(jié)合一系列先驗知識，利用背景差分，形態(tài)學圖像處理和輪廓查找等方法提取包含最少完整運動物體的感興趣區(qū)域；利用改進的塊處理技術(shù)重建背景，實現(xiàn)背景更新；利用一階梯度剪除算法的HSV陰影檢測算法消除車輛陰影；利用一定的識別規(guī)則在感興趣區(qū)域中檢測車輛側(cè)面與路面交線；采用路面上的標識標線信息對攝像機標定；建立不同車型底面二維模型，通過與交線匹配后獲得車輛中心點位置；通過車輛跟蹤，利用連續(xù)的車輛位置數(shù)據(jù)計算出車輛速度，加速度；最后利用卡爾曼濾波進行數(shù)據(jù)濾波處理。
文檔編號G08G1/01GK102592454SQ20121004956
公開日2012年7月18日 申請日期2012年2月29日 優(yōu)先權(quán)日2012年2月29日
發(fā)明者余貴珍, 孔龍飛, 王云鵬, 田大新, 魯光泉 申請人:北京航空航天大學