基于多源数据融合的北斗惯性导航定位方法及系统与流程

摘要: 本申请涉及图像滤波,具体涉及基于多源数据融合的北斗惯性导航定位方法及系统。背景技术:1、在自动驾驶车辆行驶过程中需要不间断的导航定位,当行驶于山区、隧道等地时,...
基于多源数据融合的北斗惯性导航定位方法及系统与流程

本申请涉及图像滤波,具体涉及基于多源数据融合的北斗惯性导航定位方法及系统。

背景技术:

1、在自动驾驶车辆行驶过程中需要不间断的导航定位,当行驶于山区、隧道等地时,卫星信号受限,为了保证导航的准确性,现有技术中通常采用imu技术、视觉slam技术和卫星技术组合进行导航定位。然而,在实际应用过程中自动驾驶车辆所行驶的环境复杂,时常会受到光照条件的干扰,如行驶环境昏暗、车辆来往照明的干扰以及复杂道路上的物体反光等,均可能会造成车辆采集到的图像中存在较大的噪声干扰,进而导致在利用视觉slam技术对采集到的图像进行行驶环境视觉特征提取时,对特征点的识别精准度下降,导致后续进行导航定位时的精确度降低问题。因而,通常会使用相关的图像去噪算法对采集的图像进行去噪,如bm3d去噪算法。

2、然而,传统的bm3d算法通常针对图像全局采用硬阈值的方式进行去噪,阈值设置的过大,会使图像细节被过度平滑,阈值设置的过小,则会使噪声残留。因此,该算法难以基于图像中实际的噪声干扰情况和分布情况进行自适应调整,从而可能会导致对于局部噪声干扰较高的图像块去噪效果不佳,而对于噪声干扰较小的图像块过度平滑导致特征失真,进而导致输出的图像质量较差,导致后续进行北斗惯性导航定位时出现精度较低的问题。

技术实现思路

1、为了解决上述技术问题,本申请的目的在于提供基于多源数据融合的北斗惯性导航定位方法及系统,所采用的技术方案具体如下:

2、第一方面,本申请实施例提供了基于多源数据融合的北斗惯性导航定位方法,该方法包括以下步骤:

3、实时获取自动驾驶车辆的前方的环境图像、加速度、角速度、gnss数据、激光点云数据,并将各环境图像均匀划分为多个图像块;

4、提取各环境图像中的高亮像素点;根据当前环境图像的各图像块中高亮像素点的数目,以及各图像块的纹理模糊程度、灰度值的平均水平,获取当前环境图像中各图像块的强光照干扰系数;

5、根据当前环境图像与其前一环境图像之间各图像块的边缘弯曲程度差异和颜色丰富程度差异,获取当前环境图像中各图像块的行驶干扰系数,并结合各图像块的强光照干扰系数,获取当前环境图像中各图像块的行车干扰度,以此获取当前环境图像中各图像块的去噪阈值,从而得到当前时刻的去噪后的环境图像;

6、根据当前时刻去噪后的环境图像中的特征点、激光点云数据,构建当前时刻的全局三维点云模型,并结合当前时刻的加速度、角速度、gnss数据,获取自动驾驶车辆在当前时刻的位姿数据。

7、优选地,提取各环境图像中的高亮像素点的具体过程为:

8、将各环境图像划分为多个生长区域;

9、将平均灰度值大于或等于预设亮度阈值的生长区域记为高亮区域;

10、将各环境图像中所有高亮区域中的像素点记为各环境图像的高亮像素点。

11、优选地,当前环境图像中各图像块的强光照干扰系数的获取方法为:

12、统计当前环境图像中各图像块的高亮像素点总数;

13、获取当前环境图像中各图像块中的所有边缘;将单个边缘所包含的像素点总数作为该边缘的边缘长度,将各图像块中的边缘总数与所有边缘长度均值之间的和值的倒数作为各图像块的边缘模糊系数;

14、统计当前环境图像的所有图像块中的灰度均值最大值与各图像块的灰度均值之间的差值;

15、所述当前环境图像中各图像块的强光照干扰系数与所述高亮像素点总数和所述边缘模糊系数均呈正相关关系,与所述差值呈负相关关系。

16、优选地,当前环境图像中各图像块的行驶干扰系数的获取方法为:

17、计算前一环境图像与当前环境图像中各图像块的所有边缘的弯曲系数总和之间的差值;

18、计算当前环境图像与前一环境图像的各图像块的图像熵之间的绝对差值;

19、所述当前环境图像中各图像块的行驶干扰系数与所述差值和所述绝对差值均呈正相关关系。

20、优选地,各边缘的弯曲系数的获取方法为:对各边缘进行曲线拟合,计算各边缘的拟合曲线上各像素点处的斜率,将各边缘上所有像素点的斜率的标准差作为各边缘的弯曲系数。

21、优选地,当前环境图像中各图像块的行车干扰度与当前环境图像中各图像块的强光照干扰系数和行驶干扰系数均呈正相关关系。

22、优选地,当前环境图像中各图像块的去噪阈值的计算公式为:;式中,为当前环境图像中第i个图像块的去噪阈值;为当前环境图像中第i个图像块的行车干扰度的归一化结果;为预设硬阈值最小值,为预设硬阈值最大值。

23、优选地,当前时刻的去噪后的环境图像的获取方法为:将当前时刻的环境图像作为bm3d去噪算法的输入,将计算得到的各图像块的去噪阈值作为去噪过程中各图像块的去噪阈值,输出当前时刻的去噪后的环境图像。

24、优选地,自动驾驶车辆在当前时刻的位姿数据的获取过程为:

25、根据自动驾驶车辆在当前时刻的全局三维点云模型、加速度、角速度、gnss数据,构建当前时刻的imu因子、视觉因子、gnss因子;

26、将当前时刻的imu因子、视觉因子、gnss因子作为因子图优化法的输入,输出自动驾驶车辆在当前时刻的位姿数据。

27、第二方面,本申请实施例还提供了基于多源数据融合的北斗惯性导航定位系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述基于多源数据融合的北斗惯性导航定位方法的步骤。

28、本申请至少具有如下有益效果:

29、本申请针对传统bm3d去噪算法使用硬阈值进行去噪,难以根据行车环境中实际的噪声干扰情况进行自适应调整,导致图像的去噪效果不好,最终影响惯性导航定位精度的问题,提出了一种基于多源数据融合的北斗惯性导航定位方法及系统,通过分析自动驾驶车辆的环境图像中受环境光照条件变化产生的噪声干扰特征,构建强光照干扰系数,能够对环境图像中受到的强光照干扰程度进行评估;通过分析自动驾驶车辆在行驶状态变化时,其环境图像中的干扰特征,构建行驶干扰系数,能够判断当前环境图像中受行驶状态变化的影响程度;进而构建行车干扰度,从而能够自适应地调整去噪算法中的去噪参数,提高了环境图像的去噪效果,进而通过去噪后的环境图像以及其他多源数据,对自动驾驶车辆进行定位,提升了北斗惯性导航定位的精确性。

1.基于多源数据融合的北斗惯性导航定位方法,其特征在于,该方法包括以下步骤:

2.如权利要求1所述的基于多源数据融合的北斗惯性导航定位方法,其特征在于,提取各环境图像中的高亮像素点的具体过程为:

3.如权利要求1所述的基于多源数据融合的北斗惯性导航定位方法,其特征在于,当前环境图像中各图像块的强光照干扰系数的获取方法为:

4.如权利要求1所述的基于多源数据融合的北斗惯性导航定位方法,其特征在于,当前环境图像中各图像块的行驶干扰系数的获取方法为:

5.如权利要求4所述的基于多源数据融合的北斗惯性导航定位方法,其特征在于,各边缘的弯曲系数的获取方法为:对各边缘进行曲线拟合,计算各边缘的拟合曲线上各像素点处的斜率,将各边缘上所有像素点的斜率的标准差作为各边缘的弯曲系数。

6.如权利要求1所述的基于多源数据融合的北斗惯性导航定位方法,其特征在于,当前环境图像中各图像块的行车干扰度与当前环境图像中各图像块的强光照干扰系数和行驶干扰系数均呈正相关关系。

7.如权利要求1所述的基于多源数据融合的北斗惯性导航定位方法,其特征在于,当前环境图像中各图像块的去噪阈值的计算公式为:;式中,为当前环境图像中第i个图像块的去噪阈值;为当前环境图像中第i个图像块的行车干扰度的归一化结果;为预设硬阈值最小值,为预设硬阈值最大值。

8.如权利要求1所述的基于多源数据融合的北斗惯性导航定位方法,其特征在于,当前时刻的去噪后的环境图像的获取方法为:将当前时刻的环境图像作为bm3d去噪算法的输入,将计算得到的各图像块的去噪阈值作为去噪过程中各图像块的去噪阈值,输出当前时刻的去噪后的环境图像。

9.如权利要求1所述的基于多源数据融合的北斗惯性导航定位方法,其特征在于,自动驾驶车辆在当前时刻的位姿数据的获取过程为:

10.基于多源数据融合的北斗惯性导航定位系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述基于多源数据融合的北斗惯性导航定位方法的步骤。