CN106683530A - 一种基于三维激光视觉和高精度车道模型的计算机评判系统和方法 - Google Patents
一种基于三维激光视觉和高精度车道模型的计算机评判系统和方法 Download PDFInfo
- Publication number
- CN106683530A CN106683530A CN201710093657.0A CN201710093657A CN106683530A CN 106683530 A CN106683530 A CN 106683530A CN 201710093657 A CN201710093657 A CN 201710093657A CN 106683530 A CN106683530 A CN 106683530A
- Authority
- CN
- China
- Prior art keywords
- module
- point cloud
- high accuracy
- data
- dimensional
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000010295 mobile communication Methods 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000005520 cutting process Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 208000010086 Hypertelorism Diseases 0.000 claims description 5
- 206010020771 Hypertelorism of orbit Diseases 0.000 claims description 5
- 238000013144 data compression Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000013316 zoning Methods 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
- G09B19/16—Control of vehicles or other craft
- G09B19/167—Control of land vehicles
Abstract
本发明公开了一种基于三维激光视觉和高精度车道模型的计算机评判系统和方法，安装在驾考车辆上，包括嵌入式车载终端、移动通讯模块、三维激光扫描仪和高精度卫星接收机，车载终端运行基于三维激光扫描和高精度车道模型的机器视觉模块和评判模块；车载终端通过移动通讯模块实时下载高精度车道模型，通过视觉模块识别车辆、行人，判断距离和车速，结合评判模块判断会车、超车、前方行人通过时的驾驶员行为是否符合规范，得出相应考试成绩。本发明通过三维激光扫描与高精度车道模型融合计算，对行人车辆的目标进行识别和跟踪，能更精确地反映车辆周边目标对象在三维空间中的位置和速度信息，根据评判模块实现以往驾驶员实际道路考试系统中无法实现的与周边车辆行人有关的评判。
Description
技术领域
本发明涉及一种驾驶员计算机自动考试方法及系统，属于车载计算机视觉领域。
背景技术
驾驶员计算机自动考试设备是一类安装在驾驶员考试中心考试车辆上的车载电子设备，用于通过卫星定位、车载传感器和计算机智能算法获得考生在考试过程中的驾驶行为的信息，自动得出考生考试成绩。现有科目三实际道路考试设备由于不具备行驶过程中对车辆周边的行人和车辆的识别功能，许多评判功能无法实现，比如当会车、超车以及正常行驶过程中与周边车辆保持安全距离、前方出现行人时是否减速慢行等。
行人车辆目标识别与跟踪技术作为计算机视觉技术，在安全辅助驾驶等领域具有重要意义。在目标识别与跟踪问题的研究中，较多使用的是视频数据。由于视频数据的局限性，其展示的是二维成像平面上的数据，缺乏目标对象的深度信息，不能很好的反映目标对象在三维空间上的位置和运动过程。但现有的车载激光扫描技术在对点云数据进行分割的算法普遍存在算法复杂度过高、效率过低的问题，且现有的车载激光扫描技术不能有效获得车辆对象所在车道及车道行驶方向等重要特征信息。
发明内容
发明目的：针对上述技术问题，提供一种基于三维激光视觉和高精度车道模型的计算机评判系统和方法，能更精确地反映目标对象在三维空间中的位置和距离信息，对完全依赖激光点云的视觉方法进行改进，加入实时高精度定位数据和高精度车道模型参与计算，获得车辆所在车道等重要特征，同时降低了分割过程的算法复杂度，提高实时计算能力和实用性。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于三维激光视觉和高精度车道模型的计算机评判系统和方法，安装在驾考车辆上，包括嵌入式车载终端、移动通讯模块、扫描仪模块和卫星定位模块，车载终端运行基于三维激光扫描和高精度车道模型的机器视觉模块和评判模块。车载终端通过移动通讯模块实时下载高精度车道模型，通过视觉模块识别车辆、行人，判断距离和车速，结合评判模块判断会车、超车、前方行人通过时的驾驶员行为是否符合规范，得出相应考试成绩。
优选的：所述机器视觉模块包括依次连接的激光点云数据构建模块、高精度定位模块、点云数据和定位数据配准模块、点云数据过滤模块、点云数据压缩模块、点云数据分割模块、点云数据聚类模块、点云对象特征检测模块、点云对象人车目标识别模块、点云对象跟踪和速度检测模块。
优选的：所述评判模块包括依次连接的高精度卫星输入模块、评判规则模块、成绩输出模块。
优选的：所述高精度车道模型为事先通过高精度卫星接收机测得的车道模型信息，考车通过实时经纬度坐标向服务端请求所在区域的车道模型，实时获取车道模型，数据通过移动通讯信号传送。
优选的：所述扫描仪模块包括依次连接的三维激光扫描仪和扫描仪控制盒。
优选的：所述卫星定位模块包括依次连接的卫星天线和高精度卫星接收机。
一种基于三维激光视觉和高精度车道模型的计算机评判方法，包括以下几个步骤：
步骤1：三维激光扫描仪实时采集驾考车辆周围的三维点云数据，并将三维点云数据输入车载终端。通过高精度卫星接收机接收卫星天线的实时数据输入车载终端。
步骤2：运行在车载终端上的机器视觉模块对三维点云数据和高精度卫星接收机接收的实时数据进行处理，对车辆周边行人和车辆目标进行识别、跟踪和运动信息提取，将结果输入评判模块。
步骤3：评判模块根据驾考车辆与周边车辆距离、驾考车辆车速信息判断驾驶员在考试项目中与周边车辆是否保持安全距离，是否减速礼让行人，判断是否应该采取相应的扣分。
所述步骤2中机器视觉模块对接收到的三维点云数据和高精度卫星接收机接收的实时数据的处理方法：
步骤2.1，三维点云数据构建:针对每一帧三维点云数据的每一扫描点可测得扫描仪至扫描点的距离,配合扫描的水平角和竖直角,可以求得每一扫描点的三维坐标。
步骤2.2，考车定位:针对1cm精度的经纬度坐标和航向角，通过仿射变换获得实时考车模型位置。
步骤2.3，点云数据和定位数据配准：三维点云数据与高精度车道模型以及高精度卫星实时数据统一坐标系,为后续融合计算作准备。
步骤2.4，三维点云数据过滤：过滤噪点数据和距离过远的点数据。
步骤2.5，三维点云数据压缩：对大量点云数据在保留特征的情况下进行精简。
步骤2.6，三维点云数据分割：对三维点云数据的空间特征的分类，去除无用数据所述无用数据包括地面点、建筑物点数据。分割过程中将三维点云数据和高精度车道模型数据以及高精度卫星接收机接收的实时数据进行融合计算，使用车道多边形作为分割依据。
步骤2.7，三维点云数据聚类：将分割操作得到的相近的三维点云数据聚成一类，便于提取。
步骤2.8，目标距离特征提取：通过对三维点云数据对象的人车目标，提取特征。所属特征包括对象所在的车道或人行道，计算区域对象的定向包围盒与跟踪门范围，对象距离以及外形尺寸和反射率统计直方图，构建特征向量。
步骤2.9，对三维点云数据的人车目标识别：通过特征向量提取和分类器训练，使用训练好的分类器对目标对象进行识别。
步骤2.10，目标跟踪与速度检测：对于三维点云数据的人车目标，关联前后两帧里的同一目标，获取目标对象的运动轨迹，从而计算目标的运动速度。
所述步骤2.4中采用中值滤波方法过滤噪点数据和距离过远的点数据。
所述步骤2.6中采用平面网格方法对融合后的三维点云数据分割。
所述步骤2.7中采用区域增长算法将分割操作得到的相近的三维点云数据聚成一类。
所述步骤2.9中对特征向量采用AdaBoost算法进行机器学习训练。
所述步骤2.10中获取目标对象的运动轨迹的方法：保留上一帧各对象的跟踪门、反射率统计直方图，如果有轨迹信息，则通过线性运动方程求出预测位置，做上一帧各对象和新帧各对象的反射率直方图。将上一帧和新帧各待测对象进行比对，在满足关联条件的多个新对象中，求出相似度最高的对象为关联对象，将关联对象的各特征属性信息进行赋值，比对是一个级联过程。最后根据对象轨迹数据和每帧时间戳计算对象运动速度。
有益效果：本发明相比现有技术，具有以下有益效果：
本发明通过三维激光扫描对行人车辆的目标识别和跟踪技术，能更精确地反映目标对象在三维空间中的位置和距离信息，根据判断模块实现以往驾驶员实际道路考试系统中无法实现的与周边车辆行人有关的评判。同时对完全依赖激光点云的视觉方法进行改进，加入实时高精度定位数据和高精度车道模型参与计算，获得车辆所在车道等重要特征，同时降低了分割过程的算法复杂度，提高实时计算能力和实用性。
附图说明
图1是本发明的结构原理图。
图2是本发明的程序算法流程图。
图3点云数据构建公式。
图4为原始点云数据示意图。
图5为点云数据与高精度车道模型统一坐标系后示意图。
图6为原始图像示意图。
图7为计算分割区域示意图。
图8为分割结果示意图。
图9点云特征计算，其中，图9a为定向包围盒与对象尺寸计算示意图，图9b为对象距离计算示意图。
图10点云对象跟踪与速度检测结果示意图。
图11高精度车道模型采集与构建示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1、11所示，一种基于三维激光视觉和高精度车道模型的计算机评判系统，安装在驾考车辆上，包括车载终端、扫描仪控制盒、卫星天线、高精度卫星接收机、安装于车顶的三维激光扫描仪和移动通讯模块，高精度卫星接收机为水平精度在1cm+1ppm的卫星接收机，本实施例的高精度卫星接收机采用RTK卫星接收机，车载终端包括相互连接的机器视觉模块和评判模块。其中三维激光扫描仪、扫描仪控制盒和机器视觉模块依次连接，卫星天线、高精度卫星接收机和机器视觉模块依次连接。
高精度车道模型为事先通过高精度卫星接收机天线测绘所得。
所述机器视觉模块包括依次连接的激光点云数据构建模块、高精度定位模块、点云数据和定位数据配准模块、点云数据过滤模块、点云数据压缩模块、点云数据分割模块、点云数据聚类模块、点云对象特征检测模块、点云对象人车目标识别模块、点云对象跟踪和速度检测模块。
所述评判模块包括依次连接的高精度卫星输入模块、评判规则模块、成绩输出模块。
扫描仪控制盒接收三维激光扫描仪激光扫描的实时数据，与高精度卫星接收机接收卫星天线的实时数据一起输入车载终端，车载终端通过机器视觉模块识别车辆、行人，判断距离和车速，通过评判模块结合评判规则判断会车、超车、前方行人通过时的驾驶员行为是否符合规范，得出相应考试成绩。具体的评判规则如下表所示:
这种考试系统采用三维激光扫描技术作为一种空间数据采集技术，实时地获取目标的三维激光点云数据，能较精确地反映目标对象在三维空间中的位置和距离信息。
如图2所示，一种基于三维激光视觉和高精度车道模型的计算机评判方法，包括以下几个步骤：
步骤1：三维激光扫描仪实时采集驾考车辆周围的三维点云数据，并将三维点云数据输入车载终端。
步骤2：运行在车载终端上的机器视觉模块，对车辆周边行人和车辆目标进行识别、跟踪和运动信息提取，将结果输入评判模块。
其中，机器视觉模块对接收到的三维点云数据对每一帧的处理过程包括：
步骤2.1：三维点云数据构建，在激光点云数据构建模块中完成。针对每一扫描点可测得扫描仪至扫描点的距离,配合扫描的水平角和竖直角,可以求得每一扫描点的三维坐标，计算公式如图3。
步骤2.2，考车定位，在高精度定位模块中完成。针对1cm精度的经纬度坐标和航向角，通过仿射变换获得实时考车模型位置。
步骤2.3，点云数据和定位数据配准，在点云数据和定位数据配准模块中完成。将三维点云数据与高精度车道模型以及高精度卫星实时数据进行配准,高精度卫星接收机以定位天线中心为坐标原点，三维点云数据以激光扫描仪中心为坐标原点，两种设备的航向角也有不同，在考虑这些因素，将两路信号通过旋转和偏移操作，统一到同一坐标系中，图4、5为原始点云数据与高精度车道模型统一坐标系后的数据比对。
步骤2.4，三维点云数据过滤，在点云数据过滤模块完成。在三维点云数据的采集过程中，由于设备和环境因素的影响，会出现一些噪点信息，导致三维点云数据中存在不合常理的坐标值。同时由于采集设备的有效距离的影响，对于距离较远的目标其反射的三维点云数据呈现过度离散的状态，不具备识别的可能，因此通过统计方法对三维点云数据做一些过滤处理操作，过滤噪点数据和距离过远的点数据，具体而言，采用中值滤波方法。
步骤2.5，三维点云数据压缩，在点云数据压缩模块中完成：三维点云数据过密，这使点云数据处理变得复杂和困难，因此需要对点云数据精简，提高计算效率。
具体方法是采用包围盒算法,采用体包围盒来约束点云，然后将3D数据压缩成2D数据，只取包围盒最高点为特征点，只有特征点参与计算，同时调整特征点的2D坐标到包围盒中心，这样即压缩数据，又将点云数据矩阵化，方便后续处理。
步骤2.6：三维点云数据分割，在点云数据分割模块中完成。每一帧的三维点云数据，包含有大量反射点，直接对每一圈的激光点云数据进行操作，其计算量是巨大的。因此需要从目标对象的空间形状和位置等方面进行分析，对激光点云做分割操作，将激光点云数据划分为两类，一类是非目标点，包括地面点、建筑物点、树木点等。一类是目标点，包括可能的人车目标点。通过对三维点云数据的空间特征的分类，去除地面点、建筑物点等无用数据，只对目标点进行计算，便于减少检测的点云数量，提高计算速度。在数据分割的过程中，运用了点云数据和高精度车道模型融合计算的方法，使分割算法大大简化:
具体方法是采用平面网格方法，将XY平面划分为4m*4m大小的网格，与高精度车道、人行道模型区域相交的网格为目标网格，坐标落在目标网格里的点云数据为目标数据，非目标点云数据作标记不参与计算。高精度车道模型为事先通过高精度卫星接收机采集获得。考车通过实时经纬度坐标向服务端请求所在区域的道路模型，实时获取道路模型，数据通过移动通讯信号传送。图6-8所示为原始点云数据与分割后数据的比对。
步骤2.7：三维点云数据聚类，在点云数据聚类模块中完成。通过分割操作得到的激光点云数据离散地分布在三维空间中，通过聚类操作，可以将相近的三维点云数据聚成一类，便于采集人车目标样本对象,同时在车辆行人识别过程中，聚类操作可以用来选取可能的目标区域。
具体而言，采用区域增长算法，算法步骤如下:
1.从种子点的集合开始，从这些点的区域增长是通过将相邻特征点数据合并到此区域。
2.在完成区域增长后要进行小区域的相似度合并,将满足合并条件的小区域合并到临近的大区域中。
步骤2.8：对三维点云数据的人车目标识别，在点云对象人车目标识别模块中完成。需要完成对目标对象的特征提取，然后采用机器学习的算法来训练分类器，通过特征提取和分类器训练，使用训练好的分类器对目标对象进行识别。
具体而言，基于空间形状和反射率特征构建特征向量，引入AdaBoost算法进行机器学习完成。
步骤2.9:目标特征提取，在点云对象特征检测模块中完成。
1.距离特征计算:对已识别为车辆和行人的目标，计算其离车辆边缘距离，通过对三维点云对象的人车目标，提取距离特征。
2.对象所在的车道或人行道、对象的定向包围盒与跟踪门范围，以及外形尺寸，通过点云对象和所在车道模型一起计算。
3.计算反射率统计直方图。
图9为定向包围盒与对象尺寸计算示意图和对象距离计算示意图,对象距离为图中AC两点距离。
步骤2.10:目标跟踪与速度检测，在点云对象跟踪和速度检测模块中完成。对于三维激光点云的人车目标，关联前后两帧里的同一目标，获取目标对象的运动轨迹，从而计算目标的运动速度。
具体而言，保留上一帧各对象的跟踪门、反射率集合，如果有轨迹信息，则通过线性运动方程求出预测位置，做上一帧各对象和新帧各对象的反射率直方图。
将上一帧和新帧各待测对象进行比对，在满足关联条件的多个新对象中，求出相似度最高的对象为关联对象，将关联对象的各特征属性信息进行赋值，比对是一个级联过程。
最后根据对象轨迹数据和每帧时间戳计算对象运动速度。图10为点云对象跟踪与速度检测结果示意图。
步骤3：评判模块根据驾考车辆与周边车辆距离，驾考车辆车速等信息判断驾驶员在会车、超车、通过路口等考试项目中与周边车辆是否保持安全距离，是否减速礼让行人，判断是否应该采取相应的扣分。
具体而言，如果前方检测出车辆目标，距离小于安全距离(一个车身)，则判定未保持安全距离。向左变道，与左后方车辆距离小于安全距离，则判定变道妨碍车辆正常行驶。前方检测出行人，自身车速(通过高精度卫星信号计算获得)大于一阈值(10km/h)则判定未礼让行人等等。
本发明的有益效果是：
采用三维激光扫描对行人车辆的目标识别和跟踪技术，实现以往驾驶员实际道路考试系统中无法实现的与周边车辆行人有关的评判。
与其他激光视觉系统相比，加入实时高精度定位数据和高精度车道模型参与计算，获得车辆所在车道等重要特征，降低了分割过程的算法复杂度，提高实时计算能力和实用性。
以上所述公为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于三维激光视觉和高精度车道模型的计算机评判系统，其特征在于：包括嵌入式车载终端、移动通讯模块、扫描仪模块和卫星定位模块，车载终端运行基于三维激光扫描和高精度车道模型的机器视觉模块和评判模块；车载终端通过移动通讯模块实时下载高精度车道模型，通过机器视觉模块识别车辆、行人，判断距离和车速，结合评判模块判断会车、超车、前方行人通过时的驾驶员行为是否符合规范，得出相应考试成绩。
2.根据权利要求1所述的基于三维激光视觉和高精度车道模型的计算机评判系统，其特征在于：所述机器视觉模块采用了三维激光点云数据和高精度车道模型数据以及高精度卫星接收机实时数据融合解算的方式，实时接收激光点云数据和高精度定位和航向数据；高精度车道模型事先通过高精度卫星接收机测绘获得保存在服务端，通过移动通讯模块实时下载到车载终端。
3.根据权利要求1所述的基于三维激光视觉和高精度车道模型的计算机评判系统，其特征在于：所述机器视觉模块包括依次连接的激光点云数据构建模块、高精度定位模块、点云数据和定位数据配准模块、点云数据过滤模块、点云数据压缩模块、点云数据分割模块、点云数据聚类模块、点云对象特征检测模块、点云对象人车目标识别模块、点云对象跟踪和速度检测模块。
4.根据权利要求1所述的基于三维激光视觉和高精度车道模型的计算机评判系统，其特征在于：所述评判模块包括依次连接的评判规则模块、成绩输出模块。
5.根据权利要求1所述的基于三维激光视觉和高精度车道模型的计算机评判系统，其特征在于：所述扫描仪模块包括依次连接的三维激光扫描仪和扫描仪控制盒。
6.根据权利要求1所述的基于三维激光视觉和高精度车道模型的计算机评判系统，其特征在于：所述卫星定位模块包括依次连接的卫星天线和高精度卫星接收机。
7.一种基于三维激光视觉和高精度车道模型的计算机评判方法，其特征在于，包括以下几个步骤：
步骤1：三维激光扫描仪实时采集驾考车辆周围的三维点云数据，并将三维点云数据输入车载终端；高精度卫星接收机接收卫星天线的实时接收高精度的考车定位和航向数据；
步骤2：运行在车载终端上的机器视觉模块对三维点云数据和高精度卫星接收机接收的实时数据进行处理，对车辆周边行人和车辆目标进行识别、跟踪和运动信息提取，将结果输入评判模块；
步骤3：评判模块根据驾考车辆与周边车辆距离、驾考车辆车速信息判断驾驶员在考试项目中与周边车辆是否保持安全距离，是否减速礼让行人，判断是否应该采取相应的扣分。
8.根据权利要求7所述的基于三维激光视觉和高精度车道模型的计算机评判方法，其特征在于：所述步骤2中机器视觉模块对接收到的三维点云数据和高精度卫星接收机接收的实时数据的处理方法：
步骤2.1，三维点云数据构建:针对每一帧三维点云数据的每一扫描点可测得扫描仪至扫描点的距离,配合扫描的水平角和竖直角,可以求得每一扫描点的三维坐标；
步骤2.2，考车定位:针对经纬度坐标和航向角，通过仿射变换获得实时考车模型位置；
步骤2.3，点云数据和定位数据配准：三维点云数据与高精度车道模型以及高精度卫星实时数据统一坐标系,为后续融合计算作准备；
步骤2.4,三维点云数据过滤：过滤噪点数据和距离过远的点数据；
步骤2.5,三维点云数据压缩：对大量点云数据在保留特征的情况下进行精简；
步骤2.6,三维点云数据分割：对三维点云数据的空间特征的分类，去除无用数据，所述无用数据包括地面点、建筑物点数据；分割过程中将三维点云数据和高精度车道模型数据以及高精度卫星接收机接收的实时数据进行融合计算，使用车道模型的车道多边形作为分割依据；
步骤2.6，三维点云数据聚类：将分割操作得到的相近的三维点云数据聚成一类，便于提取；
步骤2.7，目标特征提取：通过对三维点云数据对象的人车目标，提取特征；所属特征包括对象所在的车道或人行道，计算区域对象的定向包围盒与跟踪门范围，对象距离、外形尺寸、反射率统计直方图；
步骤2.8，对三维点云数据的人车目标识别：通过特征向量提取和分类器训练，使用训练好的分类器对目标对象进行识别；
步骤2.9，目标跟踪与速度检测：对于三维点云数据的人车目标，关联前后两帧里的同一目标，获取目标对象的运动轨迹，从而计算目标的运动速度。
9.根据权利要求8所述的基于三维激光视觉和高精度车道模型的计算机评判方法，其特征在于：所述步骤2.3中采用中值滤波方法过滤噪点数据和距离过远的点数据；
所述步骤2.4中采用包围盒算法，将三维点云数据压缩成二维数据，同时保留每个点的高程特征对三维点云数据压缩；
所述步骤2.5中采用平面网格方法和高精度车道模型结合对融合后的三维点云数据分割；
所述步骤2.6中采用区域增长算法将分割操作得到的相近的三维点云数据聚成一类。
10.根据权利要求7所述的基于三维激光视觉和高精度车道模型的计算机评判方法，其特征在于：所述步骤2.9中获取目标对象的运动轨迹的方法：保留上一帧各对象的跟踪门、反射率统计直方图，如果有轨迹信息，则通过线性运动方程求出预测位置，做上一帧各对象和新帧各对象的反射率直方图；将上一帧和新帧各待测对象进行比对，在满足关联条件的多个新对象中，求出相似度最高的对象为关联对象，将关联对象的各特征属性信息进行赋值，比对是一个级联过程，一次关联操作的流程；最后根据对象轨迹数据和每帧时间戳计算对象运动速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710093657.0A CN106683530A (zh) | 2017-02-21 | 2017-02-21 | 一种基于三维激光视觉和高精度车道模型的计算机评判系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710093657.0A CN106683530A (zh) | 2017-02-21 | 2017-02-21 | 一种基于三维激光视觉和高精度车道模型的计算机评判系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106683530A true CN106683530A (zh) | 2017-05-17 |
Family
ID=58862325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710093657.0A Pending CN106683530A (zh) | 2017-02-21 | 2017-02-21 | 一种基于三维激光视觉和高精度车道模型的计算机评判系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106683530A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108550301A (zh) * | 2018-04-23 | 2018-09-18 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的道路驾驶技能考试自动打分的方法和装置 |
| CN108564874A (zh) * | 2018-05-07 | 2018-09-21 | 腾讯大地通途（北京）科技有限公司 | 地面标志提取的方法、模型训练的方法、设备及存储介质 |
| CN108986473A (zh) * | 2017-05-31 | 2018-12-11 | 蔚来汽车有限公司 | 车载交通违规行为识别与处理系统和方法 |
| CN109598947A (zh) * | 2018-12-26 | 2019-04-09 | 武汉万集信息技术有限公司 | 一种车辆识别方法及系统 |
| CN109977844A (zh) * | 2019-03-21 | 2019-07-05 | 江苏科技大学 | 一种基于图像识别机动车礼让行人控制系统及控制方法 |
| CN110221324A (zh) * | 2019-05-28 | 2019-09-10 | 上海车轮互联网服务有限公司 | 用于定位的数据处理方法及装置 |
| CN111427349A (zh) * | 2020-03-27 | 2020-07-17 | 齐鲁工业大学 | 基于激光与视觉的车辆导航避障方法与系统 |
| CN111708021A (zh) * | 2020-07-15 | 2020-09-25 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的人员跟踪与识别算法 |
| CN112150576A (zh) * | 2019-06-28 | 2020-12-29 | 华晨汽车集团控股有限公司 | 一种高精度矢量地图采集系统和方法 |
| WO2021062581A1 (zh) * | 2019-09-30 | 2021-04-08 | 深圳市大疆创新科技有限公司 | 路面标识识别方法及装置 |
| CN113139569A (zh) * | 2021-03-04 | 2021-07-20 | 山东科技大学 | 目标分类检测方法、装置与系统 |
| CN113936465A (zh) * | 2021-10-26 | 2022-01-14 | 公安部道路交通安全研究中心 | 交通事件检测方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030211448A1 (en) * | 2002-05-07 | 2003-11-13 | Cae Inc. | 3-dimensional apparatus for self-paced integrated procedure training and method of using same |
| CN201417516Y (zh) * | 2009-06-22 | 2010-03-03 | 南京多伦科技有限公司 | 机动车驾驶员科目三自动化考试系统 |
| CN102779280A (zh) * | 2012-06-19 | 2012-11-14 | 武汉大学 | 一种基于激光传感器的交通信息提取方法 |
| CN103871242A (zh) * | 2014-04-01 | 2014-06-18 | 北京工业大学 | 一种驾驶行为综合评价系统与方法 |
| CN104374376A (zh) * | 2014-11-05 | 2015-02-25 | 北京大学 | 一种车载三维测量系统装置及其应用 |
| CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术（北京）有限公司 | 一种获取车道线的方法和装置 |
| CN105509764A (zh) * | 2015-12-30 | 2016-04-20 | 北京星网宇达科技股份有限公司 | 一种用于智能驾考的车载集成终端 |
| CN106094823A (zh) * | 2016-06-29 | 2016-11-09 | 北京奇虎科技有限公司 | 汽车危险驾驶行为的处理方法及系统 |
| CN205812187U (zh) * | 2016-07-14 | 2016-12-14 | 安徽敏瑞智能科技有限公司 | 一种机动车驾驶人实际道路考试智能系统 |
| CN106394559A (zh) * | 2016-11-17 | 2017-02-15 | 吉林大学 | 基于环境感知信息的多目标评判驾驶行为分析方法 |
-
2017
- 2017-02-21 CN CN201710093657.0A patent/CN106683530A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030211448A1 (en) * | 2002-05-07 | 2003-11-13 | Cae Inc. | 3-dimensional apparatus for self-paced integrated procedure training and method of using same |
| CN201417516Y (zh) * | 2009-06-22 | 2010-03-03 | 南京多伦科技有限公司 | 机动车驾驶员科目三自动化考试系统 |
| CN102779280A (zh) * | 2012-06-19 | 2012-11-14 | 武汉大学 | 一种基于激光传感器的交通信息提取方法 |
| CN103871242A (zh) * | 2014-04-01 | 2014-06-18 | 北京工业大学 | 一种驾驶行为综合评价系统与方法 |
| CN104374376A (zh) * | 2014-11-05 | 2015-02-25 | 北京大学 | 一种车载三维测量系统装置及其应用 |
| CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术（北京）有限公司 | 一种获取车道线的方法和装置 |
| CN105509764A (zh) * | 2015-12-30 | 2016-04-20 | 北京星网宇达科技股份有限公司 | 一种用于智能驾考的车载集成终端 |
| CN106094823A (zh) * | 2016-06-29 | 2016-11-09 | 北京奇虎科技有限公司 | 汽车危险驾驶行为的处理方法及系统 |
| CN205812187U (zh) * | 2016-07-14 | 2016-12-14 | 安徽敏瑞智能科技有限公司 | 一种机动车驾驶人实际道路考试智能系统 |
| CN106394559A (zh) * | 2016-11-17 | 2017-02-15 | 吉林大学 | 基于环境感知信息的多目标评判驾驶行为分析方法 |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986473A (zh) * | 2017-05-31 | 2018-12-11 | 蔚来汽车有限公司 | 车载交通违规行为识别与处理系统和方法 |
| CN108550301A (zh) * | 2018-04-23 | 2018-09-18 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的道路驾驶技能考试自动打分的方法和装置 |
| CN108564874A (zh) * | 2018-05-07 | 2018-09-21 | 腾讯大地通途（北京）科技有限公司 | 地面标志提取的方法、模型训练的方法、设备及存储介质 |
| US11410435B2 (en) | 2018-05-07 | 2022-08-09 | Tencent Technology (Shenzhen) Company Limited | Ground mark extraction method, model training METHOD, device and storage medium |
| CN108564874B (zh) * | 2018-05-07 | 2021-04-30 | 腾讯大地通途（北京）科技有限公司 | 地面标志提取的方法、模型训练的方法、设备及存储介质 |
| CN109598947A (zh) * | 2018-12-26 | 2019-04-09 | 武汉万集信息技术有限公司 | 一种车辆识别方法及系统 |
| CN109977844A (zh) * | 2019-03-21 | 2019-07-05 | 江苏科技大学 | 一种基于图像识别机动车礼让行人控制系统及控制方法 |
| CN110221324B (zh) * | 2019-05-28 | 2021-04-27 | 上海车轮互联网服务有限公司 | 用于定位的数据处理方法及装置 |
| CN110221324A (zh) * | 2019-05-28 | 2019-09-10 | 上海车轮互联网服务有限公司 | 用于定位的数据处理方法及装置 |
| CN112150576A (zh) * | 2019-06-28 | 2020-12-29 | 华晨汽车集团控股有限公司 | 一种高精度矢量地图采集系统和方法 |
| CN112150576B (zh) * | 2019-06-28 | 2024-02-23 | 华晨汽车集团控股有限公司 | 一种高精度矢量地图采集系统和方法 |
| WO2021062581A1 (zh) * | 2019-09-30 | 2021-04-08 | 深圳市大疆创新科技有限公司 | 路面标识识别方法及装置 |
| CN111427349A (zh) * | 2020-03-27 | 2020-07-17 | 齐鲁工业大学 | 基于激光与视觉的车辆导航避障方法与系统 |
| CN111708021A (zh) * | 2020-07-15 | 2020-09-25 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的人员跟踪与识别算法 |
| CN111708021B (zh) * | 2020-07-15 | 2022-04-15 | 四川长虹电器股份有限公司 | 一种基于毫米波雷达的人员跟踪与识别算法 |
| CN113139569A (zh) * | 2021-03-04 | 2021-07-20 | 山东科技大学 | 目标分类检测方法、装置与系统 |
| CN113139569B (zh) * | 2021-03-04 | 2022-04-22 | 山东科技大学 | 目标分类检测方法、装置与系统 |
| CN113936465A (zh) * | 2021-10-26 | 2022-01-14 | 公安部道路交通安全研究中心 | 交通事件检测方法及装置 |
| CN113936465B (zh) * | 2021-10-26 | 2023-08-18 | 公安部道路交通安全研究中心 | 交通事件检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106683530A (zh) | 一种基于三维激光视觉和高精度车道模型的计算机评判系统和方法 | |
| CN108345822B (zh) | 一种点云数据处理方法及装置 | |
| Han et al. | Research on road environmental sense method of intelligent vehicle based on tracking check | |
| CN106570454B (zh) | 基于移动激光扫描的行人交通参数提取方法 | |
| CN102779280B (zh) | 一种基于激光传感器的交通信息提取方法 | |
| WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
| WO2022141911A1 (zh) | 一种基于路侧感知单元的动态目标点云快速识别及点云分割方法 | |
| CN110443225B (zh) | 一种基于特征像素统计的虚实车道线识别方法及其装置 | |
| CN108960183A (zh) | 一种基于多传感器融合的弯道目标识别系统及方法 | |
| CN110487562A (zh) | 一种用于无人驾驶的车道保持能力检测系统及方法 | |
| CN111369541B (zh) | 一种智能汽车恶劣天气条件下车辆检测方法 | |
| CN110320504A (zh) | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 | |
| CN107341454A (zh) | 一种场景中障碍物的检测方法及装置、电子设备 | |
| CN113156421A (zh) | 基于毫米波雷达和摄像头信息融合的障碍物检测方法 | |
| CN105160309A (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
| CN110320531B (zh) | 基于激光雷达的障碍物识别方法、地图创建方法及装置 | |
| CN105260699A (zh) | 一种车道线数据的处理方法及装置 | |
| CN109145677A (zh) | 障碍物检测方法、装置、设备及存储介质 | |
| CN107193011A (zh) | 一种用于快速计算无人驾驶车感兴趣区域内车辆速度的方法 | |
| CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
| CN108830159A (zh) | 一种前方车辆单目视觉测距系统及方法 | |
| Fan et al. | Real-time object detection for lidar based on ls-r-yolov4 neural network | |
| CN101941438A (zh) | 安全车距智能检控装置与方法 | |
| CN108717540A (zh) | 基于2d激光雷达区分行人和车辆的方法及装置 | |
| CN115049700A (zh) | 一种目标检测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170517 |