CN106596856A - 一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法 - Google Patents
一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法 Download PDFInfo
- Publication number
- CN106596856A CN106596856A CN201611131072.5A CN201611131072A CN106596856A CN 106596856 A CN106596856 A CN 106596856A CN 201611131072 A CN201611131072 A CN 201611131072A CN 106596856 A CN106596856 A CN 106596856A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- road
- laser
- automobile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 87
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 230000001133 acceleration Effects 0.000 claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000007935 neutral effect Effects 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000004599 local-density approximation Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000033001 locomotion Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法,采用神经网络离线建模获得各型汽车污染物排放量与汽车速度、加速度和道路坡度的拟合模型。在十字路口安装四个数字摄像机和一个多普勒扫描激光雷达,由图像处理获得数字摄像机每帧图像中各车辆的边缘轮廓,将由激光雷达测量的激光脚点空间位置仿射到每帧图像空间中,激光脚点的仿射点落入哪辆车边缘轮廓内,则可判断此激光脚点打在哪辆车上。根据激光多普勒测速获得车速及加速度,由汽车在激光雷达两个相邻扫描周期中的空间位置计算道路坡度。将整个十字路口内所有汽车型号每秒间隔的速度、加速度和道路坡度值带入神经网络模型中,获得十字路口中所有车辆每秒间隔的尾气污染物排放量。
Description
技术领域
本发明涉及激光雷达和摄影成像的融合测量技术,实现对交通十字路口所有行驶车辆的运动状态测量,从而对汽车尾气污染物排放量进行实时监测。
背景技术
在交通十字路口,汽车的尾气污染物对环境空气质量影响显著,因此实时监测一个交通十字路口的车辆污染物排放量,对于判断空气污染情况,采取有效的预防和控制措施,具有重要的现实意义。一个交通十字路口的车辆所产生的尾气污染物排放量,与汽车的数量、型号、发动机排量、速度、加速度和道路坡度等多种因素有关。为了实时监测经过一个十字路口的所有车辆的尾气污染物排放量,需要将这些主要参数测量出来。
目前,现有的交通十字路口的车辆尾气排放量通常采用仿真软件进行估算,首先采用各种汽车运动模拟软件,如VISSIM、PARAMICS、CORSIM和NGSIM,由这些仿真软件获得一个十字路口所有汽车的运动状态参数值,如速度和加速度等,将这些运动状态参数值输入汽车尾气排放量仿真软件中进行估算,常用的污染物排放量仿真软件有CMEM、VT-Mcro、MOVIES。采用仿真软件进行污染物排放量估算的缺点是,有时汽车运动仿真软件的输出结果不能准确反映十字路口现场车辆的真实运动状态,因此获得的污染物排放量也不能反映真实的排放量。再有一种测量方法是在车辆的尾气管连接污染物测量传感器,可实时测出污染物的排放量,但这种测量方法适合于测量一辆车的污染物实时排放量,而要在一个十字路口中对所有往来车辆的尾气污染物排放量测量是不现实的,因为无法给每辆经过该十字路口的车都安装尾气污染物排放量传感器。
因此,需要采用非接触的测量方法,能够在极短时间内对一个十字路口的所有往来车辆进行运动状态测量,同时可实时监测十字路口的尾气污染物排放量。目前一种常用的非接触测量方法是采用视频采集方式,通过摄像机对十字路口进行监控,通过图像处理,获得一个交通十字路口的所有车辆的运动状态,然后再输入污染物排放量仿真软件中进行污染物的估计。采用这种方法的缺点是采用图像测量汽车运动状态的精度较低,另外当十字路口中有相邻两辆车紧靠在一起而采用图像处理很难进行两辆车的区分时,会导致车辆的运动状态测量失真。
基于目前的测量现状,本专利采用将数字摄像机和多普勒扫描激光雷达进行组合测量和数据融合处理的方式,来非接触的测量整个十字路口车辆的实时运动参数,并预先进行神经网络建模获得车辆的污染物排放量预测模型,将获得的整个十字路口所有车辆的运动参数值输入神经网络模型中,达到实时预测整个十字路口所有车辆的尾气污染物排放量的目的。
发明内容
为了能实时监测一个交通十字路口车辆的尾气污染物排放量,一方面,需要获得在十字路口所有车辆的实时运动状态,包括位置、速度、加速度,另外,需要获得道路的坡度以及车辆的型号信息。另一方面,需要明确每种型号的车辆的污染物排放量与车辆运动状态之间的一一对应关系。
本发明所提供的一种交通十字路口车辆污染物排放量实时监测方法,首先采用离线测量和建模的方式,在一种型号的汽车上,安装了汽车运行状态记录仪和尾气排放量测量仪,可获得每秒钟的汽车速度、加速度、道路坡度和尾气污染物排放量数值,将尾气污染物排放量作为因变量,将汽车的速度、加速度和道路坡度作为自变量,采用神经网络建立了自变量与因变量之间的精确的非线性传递函数模型。继而,在交通十字路口,安装了四个数字摄像机和一个多普勒扫描激光雷达,可获得整个十字路口区域内的所有汽车的型号以及每秒的速度、加速度和道路坡度。将获得的汽车行驶参数带入获得的神经网络模型中,即可求得在该交通十字路口中所有车辆每秒间隔的尾气污染物排放量。
其中,十字路口中的一辆被测汽车(1),对应某种型号的汽车,如小轿车、卡车或公共汽车,根据型号,可获得发动机的排量和性能。所述GPS运动状态测量仪(2),包括GPS接收天线(2.1)、GPS数据处理器(2.2)、RS232串口接口(2.3)、外部数据输入接口模块(2.4)。将所述汽车尾气污染物测量仪(3)安装在汽车的尾气排放管上,进行尾气污染物排放量的实时测量。由所述GPS运动状态测量仪(2)获得汽车每秒间隔的空间位置、实时速度,并进而可计算出每秒间隔的加速度,同时根据每秒间隔的空间位置,可计算出车辆所在道路的坡度。所述GPS运动状态测量仪(2)和所述汽车尾气污染物测量仪(3)两个仪器的供电均由所述被测汽车(1)上的车载电池通过点烟器电源接口提供。
其中,在所述GPS运动状态测量仪(2)中,由所述GPS接收天线(2.1)监测至少4颗以上的同步卫星信号发送的通信数据,送入所述GPS数据处理器(2.2)中,计算出所述被测汽车(1)的空间位置、速度和加速度值。另外,将所述汽车尾气污染物测量仪(3)的测量值通过所述GPS运动状态测量仪(2)的所述外部数据输入接口模块(2.4)进行测量,由所述GPS运动状态测量仪(2)中的GPS每秒间隔的时钟同步信号,可同步采集每秒间隔的汽车尾气污染物排放量值,单位为克/秒,主要的六种污染物包括CO,NOx,HC,Pb,PM2.5,以及SO2。根据所述GPS运动状态测量仪(2)获得的所述被测汽车(1)每秒间隔的空间位置,包括经度、纬度和高度值,可计算出所述被测汽车(1)所在道路上每秒间隔的坡度值。如此,所述被测汽车(1)的运动速度和加速度值以及道路的坡度值,与尾气污染物排放量之间一一对应,四种参数的测量值均为每秒间隔进行采集。
其中,采用B-P神经网络,建立了车辆尾气的污染物排放量与汽车运动速度、加速度及道路坡度的精确拟合模型。其中,神经网络的输入层有三个神经元,对应三个输入参数,分别为车辆每秒间隔的速度、加速度和道路坡度。神经网络的输出有6个神经元,对应六个输出参数,分别为六种车辆尾气污染物的排放量数值,即CO、NOx、HC、Pb、PM2.5、以及SO2。神经网络有两个中间层,第一个中间层含有11个神经元,第二个中间层有5个神经元。此神经网络中所有神经元的传递函数均采用sigmoid函数,即,其中x为神经元的输入数据,共有n个,y是该神经元的输出数据,w和b分别为该神经元的n个输入值的权值和偏置值。神经网络采用Levenberg-Marquardt优化计算方法,其采用了非线性最小二乘算法和梯度求最大(小)值算法。设输出误差不大于10-6,通过神经网络的离线学习过程,可确定6个尾气污染物排放量与车辆速度、加速度和道路坡度三个参数之间的神经网络模型。在获得了此神经网络模型后,当给神经网络模型输入车辆速度、加速度和道路坡度三个参数的实时值时,可快速计算出此时对应的车辆尾气6个污染物的排放量数值。对不同型号的车辆,分别获得车辆的速度、加速度和道路坡度以及尾气污染物的排放量值,采用神经网络建模,可获得各种型号的车辆的速度、加速度及道路坡度与车辆尾气污染物排放量之间各自的精确建模。
其中,在一个所述交通十字路口(6)上,四个路口臂长分别为L1、L2、L3、L4。各种型号的车辆(7)行驶在所述交通十字路口(6)上。所述L形支架(8.1)上安装了一个十字形支架(8.2),在所述十字形支架(8.2)的四个端头上,各安装了一个数字摄像机,共四个数字摄像机,分别为(5.1)、(5.2)、(5.3)和(5.4)。在所述十字形支架(8.2)的中心位置上,安装了一个多普勒扫描激光雷达(4)。四个所述数字摄像机和所述多普勒扫描激光雷达(4)的相对空间位置确定且已知。四个所述数字摄像机(5.1)、(5.2)、(5.3)、(5.4),分别对准所述交通十字路口(6)的一个路口方向,对道路上的各种型号的车辆(7)进行实时拍摄,获得的数字图像的测量频率为20帧/秒。测量时,四个所述数字摄像机分别获得所述交通十字路口(6)四个路口车辆的动态影像,并对每帧图像进行实时处理,通过与预先存储的各种车辆的外观特性进行比对实现车辆的识别,可获得每辆车的型号。所述多普勒扫描激光雷达(4)可进行水平方向为360°、垂直方向为0°~75°的三维空间扫描,其中激光脉冲的发射频率为100KHz,扫描频率为20 Hz。因此,每秒钟可对整个所述交通十字路口(6)范围内的车辆进行20次扫描测量。所述多普勒扫描激光雷达(4)的激光脉冲扫描线轨迹为所述同心圆(9)。
其中,所述多普勒扫描激光雷达(4)发出的每一个激光脉冲具有两种测量功能,一是进行激光测距,采用激光脉冲飞行时间测量法,获得打在被测车辆上的激光脚点与所述多普勒扫描激光雷达(4)激光脉冲发射点之间的距离,结合水平方向扫描角度和垂直方向扫描角度,通过计算可获得此时被测车辆上激光脚点所述多普勒扫描激光雷达(4)仪器参考坐标系中的空间三维坐标;二是进行多普勒激光测速,通过测量由行驶汽车反射的回波激光频率相对于发射激光频率的变化,可计算出该汽车的实时速度,进而采用速度差分计算,可获得加速度值。因此,所述多普勒扫描激光雷达(4)采用这两种测量模式,可非接触测量在整个所述交通十字路口(6)范围内的所有车辆每秒间隔的空间位置、速度和加速度。
其中,为了对每一辆车的运动速度和加速度进行测量,将所述多普勒扫描激光雷达(4)的测量数据与四个所述数字摄像机的测量图像进行融合处理,其方法为:根据四个所述数字摄像机的动态影像,采用图像处理方法,可将每帧图像中在所述交通十字路口(6)范围内的每辆车的边缘轮廓提取出来,从而可对每辆车进行顺序编号,并获得每辆车在每帧图像坐标系中的实时位置。将所述多普勒扫描激光雷达(4)获得的激光脚点的空间三维坐标,投射到四个所述数字摄像机每帧的图像空间坐标系中,判断此激光脚点的映射点落入哪辆车的边缘轮廓内,则此激光脚点就打在了该辆车上。另外根据多普勒测量获得的速度和加速度值可确定是该车的瞬时速度和加速度值。将一次激光扫描周期中所有打在此汽车上的激光点的空间位置、速度和加速度分别进行平均计算,即可获得在这个激光扫描周期中该汽车的实时空间位置、速度和加速度。将一秒钟内20次扫描周期获得的汽车的实时空间位置、速度和加速度进行平均,可获得每秒间隔的汽车空间位置、速度和加速度。通过如此处理,只要有激光脉冲打在汽车上,即可确定该车的空间位置、速度和加速度值。以所述数字摄像机(5.3)为例,O1-x1y1z1是所述数字摄像机(5.3)的成像空间坐标系,O2-x2y2z2是所述多普勒扫描激光雷达(4)的仪器参考坐标系,O1O2之间的相对空间位置矢量为L。假设所述多普勒扫描激光雷达(4)发射的激光脉冲打在一辆行驶的汽车上时,激光空间扫描角为ϴ,激光测距为S,由所述数字摄像机(5.3)拍摄到的被测道路(6)。在所述多普勒扫描激光雷达(4)的仪器参考坐标系中,根据测量的激光空间扫描角ϴ和激光测距S可计算获得激光脚点P的空间三维坐标。根据O1和O2两个参考坐标系的空间转换关系,通过仿射运算,可将在O2参考坐标系中的P点转换到O1参考坐标系中,可获得P点在所述数字摄像机(5.3)的成像空间坐标系中的二维平面坐标。将所述数字摄像机(5.3)获得的每帧图像通过边缘提取技术,获得各辆汽车的边缘轮廓,并分析P点映射到图像空间中的二维平面坐标落入了哪辆汽车的边缘轮廓内,则可判断出该激光脚点打在了哪辆车上。根据多普勒测速可获得该汽车的瞬时速度和加速度值。另外,事先将各种型号的车辆外形特点建模,存在于计算机中,由所述数字摄像机获得的汽车图像,与事先储存好的模型匹配,可判断出各种车辆的型号。由此,根据所述多普勒扫描激光雷达(4)和所述数字摄像机的测量数据进行融合匹配,可获得在所述被测道路(6)上每辆车的型号、空间位置、速度和加速度值。另外,根据车辆每秒间隔的空间位置,可获得当前道路的坡度值。设一辆车相隔一秒时间的两个空间三维坐标分别为(x m,y m,z m)和(x n,y n,z n),则所在道路的坡度可计算为。
其中,根据所述多普勒扫描激光雷达(4)与四个所述数字摄像机测量的车辆型号、每秒间隔的速度、加速度以及道路坡度值,带入该型号事先获得的车辆污染物排放量神经网络模型中,可获得每秒间隔的车辆尾气六种污染物排放量预测值,即CO、NOx、HC、Pb、PM2.5、以及SO2,从而可实现对一个交通十字路口车辆污染物排放量每秒间隔的实时监测,利于对环境污染现状的分析、预警和控制。
附图说明
图1是一种交通十字路口车辆污染物排放量实时监测方法的工作流程图。
图2是对单个车辆的污染物排放量及其运行状态的测量设备安装示意图。
图3是对单个车辆污染物排放量与其运行状态的测量装置硬件连接示意图。
图4是基于神经网络对单个车辆的污染物排放量与其运行参数之间的关系精确建模示意图。
图5是基于多普勒扫描激光雷达和摄影测量对十字路口所有车辆运动状态的测量过程示意图。
图6是基于多普勒扫描激光雷达和摄影测量的数据匹配原理。
图7是对交通十字路口的车辆污染物排放量每秒间隔的实时估计流程图。
具体实施方式
以下结合附图对本发明专利实施例作进一步详细描述。
图1为一种交通十字路口车辆污染物排放量实时监测方法的工作流程图。为了能实时监测一个交通十字路口车辆的尾气污染物排放量,一方面,需要获得在十字路口所有车辆的实时运动状态,包括位置、速度、加速度,另外,需要获得道路的坡度以及车辆的型号信息。另一方面,需要明确每种型号的车辆的污染物排放量与车辆运动状态之间的一一对应关系。为了实时快速的估计汽车的污染物排放量,首先采用离线测量和建模的方式,在一种型号的汽车上,安装了汽车运行状态记录仪和尾气排放量测量仪,可获得每秒钟的汽车速度、加速度、道路坡度和尾气污染物排放量数值,将尾气污染物排放量作为因变量,将汽车的速度、加速度和道路坡度作为自变量,采用神经网络建立了自变量与因变量之间的精确的非线性传递函数模型。继而,在交通十字路口,安装了四个数字摄像机和一个多普勒扫描激光雷达,可获得整个十字路口区域内的所有汽车的型号以及每秒的速度、加速度和道路坡度。将获得的汽车行驶参数带入获得的神经网络模型中,即可求得在该交通十字路口中所有车辆每秒间隔的尾气污染物排放量。
图2为对单个车辆的污染物排放量及其运行状态的测量设备安装示意图。十字路口中的一辆被测汽车(1),对应某种型号的汽车,如小轿车、卡车或公共汽车,根据型号,可获得发动机的排量和性能。所述GPS运动状态测量仪(2),包括GPS接收天线(2.1)、GPS数据处理器(2.2)、RS232串口接口(2.3)、外部数据输入接口模块(2.4)。将所述汽车尾气污染物测量仪(3)安装在汽车的尾气排放管上,进行尾气污染物排放量的实时测量。由所述GPS运动状态测量仪(2)获得汽车每秒间隔的空间位置、实时速度,并进而可计算出每秒间隔的加速度,同时根据每秒间隔的空间位置,可计算出车辆所在道路的坡度。所述GPS运动状态测量仪(2)和所述汽车尾气污染物测量仪(3)两个仪器的供电均由所述被测汽车(1)上的车载电池通过点烟器电源接口提供。
图3为对单个车辆污染物排放量与其运行状态的测量装置硬件连接示意图。在所述GPS运动状态测量仪(2)中,由所述GPS接收天线(2.1)监测至少4颗以上的同步卫星信号发送的通信数据,送入所述GPS数据处理器(2.2)中,计算出所述被测汽车(1)的空间位置、速度和加速度值。另外,将所述汽车尾气污染物测量仪(3)的测量值通过所述GPS运动状态测量仪(2)的所述外部数据输入接口模块(2.4)进行测量,由所述GPS运动状态测量仪(2)中的GPS每秒间隔的时钟同步信号,可同步采集每秒间隔的汽车尾气污染物排放量值,单位为克/秒,主要的六种污染物包括CO,NOx,HC,Pb,PM2.5,以及SO2。根据所述GPS运动状态测量仪(2)获得的所述被测汽车(1)每秒间隔的空间位置,包括经度、纬度和高度值,可计算出所述被测汽车(1)所在道路上每秒间隔的坡度值。如此,所述被测汽车(1)的运动速度和加速度值以及道路的坡度值,与尾气污染物排放量之间一一对应,四种参数的测量值均为每秒间隔进行采集。
图4为基于神经网络对单个车辆的污染物排放量与其运行参数之间的关系精确建模示意图。采用B-P神经网络,建立了车辆尾气的污染物排放量与汽车运动速度、加速度及道路坡度的精确拟合模型,其中,神经网络的输入层有三个神经元,对应三个输入参数,分别为车辆每秒间隔的速度、加速度和道路坡度。神经网络的输出有6个神经元,对应六个输出参数,分别为六种车辆尾气污染物的排放量数值,即CO、NOx、HC、Pb、PM2.5、以及SO2。神经网络有两个中间层,第一个中间层含有11个神经元,第二个中间层有5个神经元。此神经网络中所有神经元的传递函数均采用sigmoid函数,即,其中x为神经元的输入数据,共有n个,y是该神经元的输出数据,w和b分别为该神经元的n个输入值的权值和偏置值。神经网络采用Levenberg-Marquardt优化计算方法,其采用了非线性最小二乘算法和梯度求最大(小)值算法。设输出误差不大于10-6,通过神经网络的离线学习过程,可确定6个尾气污染物排放量与车辆速度、加速度和道路坡度三个参数之间的神经网络模型。在获得了此神经网络模型后,当给神经网络模型输入车辆速度、加速度和道路坡度三个参数的实时值时,可快速计算出此时对应的车辆尾气6个污染物的排放量数值。对不同型号的车辆,分别获得车辆的速度、加速度和道路坡度以及尾气污染物的排放量值,采用神经网络建模,可获得各种型号的车辆的速度、加速度及道路坡度与车辆尾气污染物排放量之间各自的精确建模。
图5为基于多普勒扫描激光雷达和摄影测量对十字路口所有车辆运动状态的测量过程示意图。在一个所述交通十字路口(6)上,四个路口臂长分别为L1、L2、L3、L4。各种型号的车辆(7)行驶在所述交通十字路口(6)上。所述L形支架(8.1)上安装了一个十字形支架(8.2),在所述十字形支架(8.2)的四个端头上,各安装了一个数字摄像机,共四个数字摄像机,分别为(5.1)、(5.2)、(5.3)和(5.4)。在所述十字形支架(8.2)的中心位置上,安装了一个多普勒扫描激光雷达(4)。四个所述数字摄像机和所述多普勒扫描激光雷达(4)的相对空间位置确定且已知。四个所述数字摄像机(5.1)、(5.2)、(5.3)、(5.4),分别对准所述交通十字路口(6)的一个路口方向,对道路上的各种型号的车辆(7)进行实时拍摄,获得的数字图像的测量频率为20帧每秒。测量时,四个所述数字摄像机分别获得所述交通十字路口(6)四个路口车辆的动态影像,并对每帧图像进行实时处理,通过与预先存储的各种车辆的外观特性进行比对实现车辆的识别,可获得每辆车的型号。所述多普勒扫描激光雷达(4)可进行水平方向为360°、垂直方向为0°~75°的三维空间扫描,其中激光脉冲的发射频率为100KHz,扫描频率为20 Hz。因此,每秒钟可对整个所述交通十字路口(6)范围内的车辆进行20次扫描测量。所述多普勒扫描激光雷达(4)的激光脉冲扫描线轨迹为所述同心圆(9)。所述多普勒扫描激光雷达(4)发出的每一个激光脉冲具有两种测量功能,一是进行激光测距,采用激光脉冲飞行时间测量法,获得打在被测车辆上的激光脚点与所述多普勒扫描激光雷达(4)激光脉冲发射点之间的距离,结合水平方向扫描角度和垂直方向扫描角度,通过计算可获得此时被测车辆上激光脚点所述多普勒扫描激光雷达(4)仪器参考坐标系中的空间三维坐标;二是进行多普勒激光测速,通过测量由行驶汽车反射的回波激光频率相对于发射激光频率的变化,可计算出该汽车的实时速度,进而采用速度差分计算,可获得加速度值。因此,所述多普勒扫描激光雷达(4)采用这两种测量模式,可非接触测量在整个所述交通十字路口(6)范围内的所有车辆每秒间隔的空间位置、速度和加速度。
图6为基于多普勒扫描激光雷达和摄影测量的数据匹配原理。为了对每一辆车的运动速度和加速度进行测量,将所述多普勒扫描激光雷达(4)的测量数据与四个所述数字摄像机的测量图像进行融合处理,其方法为:根据四个所述数字摄像机的动态影像,采用图像处理方法,可将每帧图像中在所述交通十字路口(6)范围内的每辆车的边缘轮廓提取出来,从而可对每辆车进行顺序编号,并获得每辆车在每帧图像坐标系中的实时位置。将所述多普勒扫描激光雷达(4)获得的激光脚点的空间三维坐标,投射到四个所述数字摄像机每帧的图像空间坐标系中,判断此激光脚点的映射点落入哪辆车的边缘轮廓内,则此激光脚点就打在了该辆车上。另外根据多普勒测量获得的速度和加速度值可确定是该车的瞬时速度和加速度值。将一次激光扫描周期中所有打在此汽车上的激光点的空间位置、速度和加速度分别进行平均计算,即可获得在这个激光扫描周期中该汽车的实时空间位置、速度和加速度。将一秒钟内20次扫描周期获得的汽车的实时空间位置、速度和加速度进行平均,可获得每秒间隔的汽车空间位置、速度和加速度。通过如此处理,只要有激光脉冲打在汽车上,即可确定该车的空间位置、速度和加速度值。以所述数字摄像机(5.3)为例,O1-x1y1z1是所述数字摄像机(5.3)的成像空间坐标系,O2-x2y2z2是所述多普勒扫描激光雷达(4)的仪器参考坐标系,O1O2之间的相对空间位置矢量为L。假设所述多普勒扫描激光雷达(4)发射的激光脉冲打在一辆行驶的汽车上时,激光空间扫描角为ϴ,激光测距为S,由所述数字摄像机(5.3)拍摄到的被测道路(6)。在所述多普勒扫描激光雷达(4)的仪器参考坐标系中,根据测量的激光空间扫描角ϴ和激光测距S可计算获得激光脚点P的空间三维坐标。根据O1和O2两个参考坐标系的空间转换关系,通过仿射运算,可将在O2参考坐标系中的P点转换到O1参考坐标系中,可获得P点在所述数字摄像机(5.3)的成像空间坐标系中的二维平面坐标。将所述数字摄像机(5.3)获得的每帧图像通过边缘提取技术,获得各辆汽车的边缘轮廓,并分析P点映射到图像空间中的二维平面坐标落入了哪辆汽车的边缘轮廓内,则可判断出该激光脚点打在了哪辆车上。根据多普勒测速可获得该汽车的瞬时速度和加速度值。另外,事先将各种型号的车辆外形特点建模,存在于计算机中,由所述数字摄像机获得的汽车图像,与事先储存好的模型匹配,可判断出各种车辆的型号。由此,根据所述多普勒扫描激光雷达(4)和所述数字摄像机的测量数据进行融合匹配,可获得在所述被测道路(6)上每辆车的型号、空间位置、速度和加速度值。另外,根据车辆每秒间隔的空间位置,可获得当前道路的坡度值。设一辆车相隔一秒时间的两个空间三维坐标分别为(x m,y m,z m)和(x n,y n,z n),则所在道路的坡度可计算为。
图7为对交通十字路口的车辆污染物排放量每秒间隔的实时估计流程图。根据所述多普勒扫描激光雷达(4)与四个所述数字摄像机测量的车辆型号、每秒间隔的速度、加速度以及道路坡度值,带入该型号事先获得的车辆污染物排放量神经网络模型中,可获得每秒间隔的车辆尾气六种污染物排放量预测值,即CO、NOx、HC、Pb、PM2.5、以及SO2,从而可实现对一个交通十字路口车辆污染物排放量每秒间隔的实时监测,利于对环境污染现状的分析、预警和控制。
以上对本发明及其实施方式的描述,并不局限于此,附图中所示仅是本发明的实施方式之一。在不脱离本发明创造宗旨的情况下,不经创造地设计出与该技术方案类似的结构或实施例,均属本发明保护范围。
Claims (5)
1.一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法,其特征在于,采用离线测量和建模的方式,在一种型号的汽车上安装了GPS运动状态测量仪(2)和汽车尾气污染物测量仪(3),获得每秒间隔的汽车速度、加速度、道路坡度和尾气污染物排放量,将尾气污染物排放量作为因变量,将汽车的速度、加速度和道路坡度作为自变量,采用神经网络建立了自变量与因变量之间的精确预测模型;在交通十字路口,安装了四个数字摄像机和一个多普勒扫描激光雷达(4),可获得整个十字路口区域内的所有汽车的型号以及每秒间隔的速度、加速度和道路坡度值;将获得的汽车每秒间隔的速度、加速度和道路坡度值带入获得的神经网络模型中,获得在该交通十字路口中所有车辆每秒间隔的尾气污染物排放量实时预测值。
2.按照权利要求1所述的一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法,其特征在于,所述GPS运动状态测量仪(2),包括GPS接收天线(2.1)、GPS数据处理器(2.2)、RS232串口接口(2.3)、外部数据输入接口模块(2.4);在所述GPS运动状态测量仪(2)中,由所述GPS接收天线(2.1)监测至少4颗以上的同步卫星信号发送的通信数据,送入所述GPS数据处理器(2.2)中,计算出所述被测汽车(1)的空间位置、速度和加速度值;将所述汽车尾气污染物测量仪(3)安装在汽车的尾气排放管上,进行尾气污染物排放量的实时测量;所述汽车尾气污染物测量仪(3)的测量值通过所述GPS运动状态测量仪(2)的所述外部数据输入接口模块(2.4)进行测量,由所述GPS运动状态测量仪(2)中的GPS每秒间隔的时钟同步信号,同步采集每秒间隔的汽车尾气污染物排放量值。
3.按照权利要求1所述的一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法,其特征在于,采用B-P神经网络,建立了车辆尾气的污染物排放量与汽车运动速度、加速度及道路坡度的精确拟合模型,其中,神经网络的输入层有三个神经元,对应三个输入参数,分别为车辆每秒间隔的速度、加速度和道路坡度;神经网络的输出有6个神经元,对应六个输出参数,分别为六种车辆尾气污染物的排放量数值,即CO、NOx、HC、Pb、PM2.5、以及SO2;神经网络有两个中间层,第一个中间层含有11个神经元,第二个中间层有5个神经元;设输出误差不大于10-6,通过神经网络的离线学习过程,可确定6个尾气污染物排放量与车辆速度、加速度和道路坡度三个参数之间的神经网络模型;在获得了此神经网络模型后,当给神经网络模型输入车辆速度、加速度和道路坡度三个参数的实时值时,可快速计算出此时对应的车辆尾气6个污染物的排放量数值;对不同型号的车辆,分别获得车辆的速度、加速度和道路坡度以及尾气污染物的排放量值,采用神经网络建模,可获得各型号的车辆的速度、加速度及道路坡度与车辆尾气污染物排放量之间的精确拟合模型。
4.按照权利要求1所述的一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法,其特征在于,在一个交通十字路口(6)上,安装了一个所述L形支架(8.1),其上安装了一个十字形支架(8.2),在所述十字形支架(8.2)的四个端头上,各安装了一个数字摄像机,共四个数字摄像机;在所述十字形支架(8.2)的中心位置上,安装了一个多普勒扫描激光雷达(4);四个所述数字摄像机(5.1)、(5.2)、(5.3)、(5.4),分别对准所述交通十字路口(6)的一个路口方向,对道路上的各种型号的车辆(7)进行实时拍摄,获得的数字图像的测量频率为20帧每秒;四个所述数字摄像机分别获得所述交通十字路口(6)四个路口车辆的动态影像,并对每帧图像进行实时处理,通过与预先存储的各种车辆的外观特性进行比对实现车辆的识别,可获得每辆车的型号;所述多普勒扫描激光雷达(4)可进行水平方向为360°、垂直方向为0°~75°的三维空间扫描,其中激光脉冲的发射频率为100 KHz,扫描频率为20 Hz,所述多普勒扫描激光雷达(4)的激光脉冲扫描线轨迹为所述同心圆(9);所述多普勒扫描激光雷达(4)发出的每一个激光脉冲具有两种测量功能,一是进行激光测距,采用激光脉冲飞行时间测量法,获得打在被测车辆上的激光脚点与所述多普勒扫描激光雷达(4)激光脉冲发射点之间的距离,结合水平方向扫描角度和垂直方向扫描角度,通过计算可获得此时被测车辆上激光脚点所述多普勒扫描激光雷达(4)仪器参考坐标系中的空间三维坐标;二是进行多普勒激光测速,通过测量由行驶汽车反射的回波激光频率相对于发射激光频率的变化,可计算出该汽车的实时速度,进而采用速度差分计算,可获得加速度值;所述多普勒扫描激光雷达(4)采用这两种测量模式,可非接触测量在整个所述交通十字路口(6)范围内的所有车辆每秒间隔的空间位置、速度和加速度。
5.按照权利要求1和4所述的一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法,其特征在于,根据四个所述数字摄像机的动态影像,采用图像处理方法,将每帧图像中在所述交通十字路口(6)范围内的每辆车的边缘轮廓提取出来,从而可对每辆车进行顺序编号,并获得每辆车在每帧图像坐标系中的实时位置;将所述多普勒扫描激光雷达(4)获得的激光脚点的空间三维坐标,投射到四个所述数字摄像机每帧的图像空间坐标系中,判断此激光脚点的映射点落入哪辆车的边缘轮廓内,则此激光脚点就打在了该辆车上;另外根据多普勒测量获得的速度和加速度值可确定是该车的瞬时速度和加速度值;将一次激光扫描周期中所有打在此汽车上的激光点的空间位置、速度和加速度分别进行平均计算,即可获得在这个激光扫描周期中该汽车的实时空间位置、速度和加速度;将一秒钟内20次扫描周期获得的汽车的实时空间位置、速度和加速度进行平均,可获得每秒间隔的汽车空间位置、速度和加速度;根据车辆每秒间隔的空间位置,可获得当前道路的坡度值;根据所述多普勒扫描激光雷达(4)与四个所述数字摄像机测量的车辆型号、每秒间隔的速度、加速度以及道路坡度值,带入该型号事先获得的车辆污染物排放量神经网络模型中,可获得每秒间隔的车辆尾气六种污染物排放量预测值,即CO、NOx、HC、Pb、PM2.5、以及SO2,从而实现对一个交通十字路口车辆污染物排放量每秒间隔的实时监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611131072.5A CN106596856A (zh) | 2016-12-09 | 2016-12-09 | 一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611131072.5A CN106596856A (zh) | 2016-12-09 | 2016-12-09 | 一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106596856A true CN106596856A (zh) | 2017-04-26 |
Family
ID=58598502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611131072.5A Pending CN106596856A (zh) | 2016-12-09 | 2016-12-09 | 一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106596856A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832495A (zh) * | 2017-10-13 | 2018-03-23 | 东南大学 | 基于车辆轨迹数据的机动车尾气污染物排放量计算方法 |
CN107972887A (zh) * | 2017-11-22 | 2018-05-01 | 北京航空航天大学 | Pm2.5的监测方法及装置 |
CN108931611A (zh) * | 2018-05-29 | 2018-12-04 | 深圳中兴网信科技有限公司 | 多维度的环境检测方法及系统 |
CN109035309A (zh) * | 2018-07-20 | 2018-12-18 | 清华大学苏州汽车研究院(吴江) | 基于立体视觉的双目摄像头与激光雷达间的位姿配准方法 |
CN109709530A (zh) * | 2017-10-26 | 2019-05-03 | 株式会社小糸制作所 | 传感系统及车辆 |
CN111578858A (zh) * | 2020-05-26 | 2020-08-25 | 山东大学 | 一种自动监测大型支挡构筑物裂缝变形的装置及方法 |
CN115035713A (zh) * | 2022-04-29 | 2022-09-09 | 银江技术股份有限公司 | 智慧交通碳排放监测系统和方法 |
CN116188510A (zh) * | 2023-04-25 | 2023-05-30 | 安徽皖欣环境科技有限公司 | 一种基于多传感器的企业排放数据采集系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730501A (zh) * | 2015-02-04 | 2015-06-24 | 江苏省计量科学研究院 | 机动车雷达测速仪现场仿真方法及检测装置 |
CN105912862A (zh) * | 2016-04-12 | 2016-08-31 | 北京荣之联科技股份有限公司 | 一种尾气排放量检测方法及大气污染分析方法和装置 |
-
2016
- 2016-12-09 CN CN201611131072.5A patent/CN106596856A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730501A (zh) * | 2015-02-04 | 2015-06-24 | 江苏省计量科学研究院 | 机动车雷达测速仪现场仿真方法及检测装置 |
CN105912862A (zh) * | 2016-04-12 | 2016-08-31 | 北京荣之联科技股份有限公司 | 一种尾气排放量检测方法及大气污染分析方法和装置 |
Non-Patent Citations (2)
Title |
---|
郭栋 等: "轻型车微观排放模型的建立与比较分析", 《中南大学学报》 * |
黎枫 等: "遥测技术在机动车排气检测中的应用研究", 《中国测试》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832495A (zh) * | 2017-10-13 | 2018-03-23 | 东南大学 | 基于车辆轨迹数据的机动车尾气污染物排放量计算方法 |
CN109709530A (zh) * | 2017-10-26 | 2019-05-03 | 株式会社小糸制作所 | 传感系统及车辆 |
CN107972887A (zh) * | 2017-11-22 | 2018-05-01 | 北京航空航天大学 | Pm2.5的监测方法及装置 |
CN107972887B (zh) * | 2017-11-22 | 2019-11-08 | 北京航空航天大学 | 基于Cubesat卫星的PM2.5的监测方法及装置 |
CN108931611A (zh) * | 2018-05-29 | 2018-12-04 | 深圳中兴网信科技有限公司 | 多维度的环境检测方法及系统 |
CN109035309A (zh) * | 2018-07-20 | 2018-12-18 | 清华大学苏州汽车研究院(吴江) | 基于立体视觉的双目摄像头与激光雷达间的位姿配准方法 |
CN111578858A (zh) * | 2020-05-26 | 2020-08-25 | 山东大学 | 一种自动监测大型支挡构筑物裂缝变形的装置及方法 |
CN115035713A (zh) * | 2022-04-29 | 2022-09-09 | 银江技术股份有限公司 | 智慧交通碳排放监测系统和方法 |
CN115035713B (zh) * | 2022-04-29 | 2023-08-25 | 银江技术股份有限公司 | 智慧交通碳排放监测系统和方法 |
CN116188510A (zh) * | 2023-04-25 | 2023-05-30 | 安徽皖欣环境科技有限公司 | 一种基于多传感器的企业排放数据采集系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106596856A (zh) | 一种基于激光雷达和摄影测量的车辆污染物排放量实时监测方法 | |
JP6821712B2 (ja) | 自然光景中での統合センサの較正 | |
CN106327573B (zh) | 一种针对城市建筑的实景三维建模方法 | |
JP5912200B2 (ja) | 複数のセンサーを用いる物体検出方法及びシステム | |
CN113819914B (zh) | 一种地图构建方法及装置 | |
CN112001958B (zh) | 基于有监督单目深度估计的虚拟点云三维目标检测方法 | |
CN110032949A (zh) | 一种基于轻量化卷积神经网络的目标检测与定位方法 | |
CN109215083A (zh) | 车载传感器的外部参数标定的方法和设备 | |
CN109781431A (zh) | 基于混合现实的自动驾驶测试方法及系统 | |
CN111859618A (zh) | 多端在环的虚实结合交通综合场景仿真测试系统及方法 | |
CN109212542A (zh) | 用于自主车辆操作的校准方法 | |
CN106295505A (zh) | 路面使用过程中的状态测定系统 | |
CN104021676A (zh) | 基于车辆动态视频特征的车辆定位及车速测量方法 | |
CN109813335A (zh) | 数据采集系统的标定方法、装置、系统及存储介质 | |
CN109472393A (zh) | 空间降尺度降水数据检测方法、装置及电子设备 | |
CN108692719A (zh) | 物体检测装置 | |
KR20140054763A (ko) | 객체 및 시스템 특성에 기반한 확률 분포 지도 작성 장치 및 그 방법 | |
CN108107462A (zh) | Rtk与高速相机组合的交通标志杆姿态监测装置及方法 | |
CN104459183A (zh) | 一种基于物联网的单相机车辆测速系统及方法 | |
CN113532499B (zh) | 无人系统的传感器安全性检测方法、设备及存储介质 | |
CN106969721A (zh) | 一种三维测量方法及其测量装置 | |
CN110458080A (zh) | 一种汽车行驶中前方坑洞的预判方法及系统 | |
CN114758504A (zh) | 一种基于滤波校正的网联车超速预警方法及系统 | |
CN113191030A (zh) | 一种自动驾驶测试场景构建方法及装置 | |
CN107340407A (zh) | 列控系统测速定位方案验证方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |