CN107978151A - 一种车辆检测方法和系统 - Google Patents
一种车辆检测方法和系统 Download PDFInfo
- Publication number
- CN107978151A CN107978151A CN201711171919.7A CN201711171919A CN107978151A CN 107978151 A CN107978151 A CN 107978151A CN 201711171919 A CN201711171919 A CN 201711171919A CN 107978151 A CN107978151 A CN 107978151A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- passing
- road
- density
- vehicles
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003066 decision tree Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000002955 isolation Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 36
- 238000010276 construction Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 description 10
- 150000001875 compounds Chemical class 0.000 description 6
- 238000009434 installation Methods 0.000 description 5
- 239000003550 marker Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车辆检测方法和系统，所述方法包括：采集待测车辆经过的道路的特征数据集；其中，特征数据集包括：在扫描式激光设备的每个扫描周期内，道路上各位置点的位置特征信息；根据特征数据集和决策树分类器，判断各位置点在每个扫描周期内是否有车辆通行；根据判断的结果，得到道路上各位置点的车辆通行密度分布；根据各位置点的车辆通行密度分布，得到道路的道路参数；其中，道路参数包括：车道数量、车道边界位置、每个车道的宽度、隔离带位置和隔离带宽度中的一个或多个；根据道路参数和待测车辆的扫描数据，得到待测车辆的车型信息，该方法可以提高道路参数的准确率、激光设备配置效率以及车辆的车型检测的准确率。
Description
技术领域
本发明实施例涉及智能交通技术领域，尤其涉及一种车辆检测方法和系统。
背景技术
扫描式激光设备是采用红外光旋转发射光束，由激光接收电路接收回波激光，根据激光发射与激光接收的时间间隔，计算激光传播方向的物体，距离扫描式激光设备的距离。
在交通检测领域，为了实现车辆检测的目的，需要采用扫描式激光设备采样路面数据，提取道路参数，根据道路参数和车辆的扫描数据，进行车型分类。目前的道路参数提取方式主要有两种，其中，第一种方式为：人工通过测量工具，现场对道路信息进行测量和提取。该方式准确率较高，但在有车辆通行时测量不方便，且与激光设备匹配度受安装环境影响。第二种方式为：在路面放置标志物，采集标志物的扫描数据，对扫描数据进行分析，提取道路参数。这种方式计算的路面参数与激光设备的匹配性较好，但路面参数准确率受安装环境影响。
道路参数采集误差较大，会影响车型分类的准确性，尤其对于特征不明显的临界车辆更加容易造成错判。因此，如何提供一种准确率高的车辆检测方法，成为亟需解决的问题。
发明内容
针对现有技术中存在的问题，本发明实施例提供一种车辆检测方法和系统。
第一方面，本发明实施例提供一种车辆检测方法，所述方法包括：
采集待测车辆经过的道路的特征数据集；其中，所述特征数据集包括：在扫描式激光设备的每个扫描周期内，所述道路上各位置点的位置特征信息；
根据所述特征数据集和决策树分类器，判断所述各位置点在所述每个扫描周期内是否有车辆通行；
根据所述判断的结果，得到所述道路上各位置点的车辆通行密度分布；
根据所述各位置点的车辆通行密度分布，得到所述道路的道路参数；其中，所述道路参数包括：车道数量、车道边界位置、每个车道的宽度、隔离带位置和隔离带宽度中的一个或多个；
根据所述道路参数和所述待测车辆的扫描数据，得到所述待测车辆的车型信息。
第二方面，本发明实施例提供一种车辆检测系统，所述系统包括：
采集模块，用于采集待测车辆经过的道路的特征数据集；其中，所述特征数据集包括：在扫描式激光设备的每个扫描周期内，所述道路上各位置点的位置特征信息；
判断模块，用于根据所述特征数据集和决策树分类器，判断所述各位置点在所述每个扫描周期内是否有车辆通行；
车辆通行密度模块，用于根据所述判断的结果，得到所述道路上各位置点的车辆通行密度分布；
道路参数模块，用于根据所述各位置点的车辆通行密度分布，得到所述道路的道路参数；其中，所述道路参数包括：车道数量、车道边界位置、每个车道的宽度、隔离带位置和隔离带宽度中的一个或多个；
车型信息模块，用于根据所述道路参数和所述待测车辆的扫描数据，得到所述待测车辆的车型信息。
本发明实施例提供的车辆检测方法和系统，首先采集待测车辆经过的道路的特征数据集，然后根据采集的特征数据集和决策树分类器，判断道路上各位置点在每个扫描周期内是否有车辆通行，并根据判断结果，得到道路上各位置点的车辆通行密度分布，进而根据道路上各位置点的车辆通行密度分布，得到道路的道路参数，由于本发明实施例根据各位置点的车辆通行密度分布确定道路的道路参数，故得到的道路参数准确度较高，进而根据得到的道路参数以及待测车辆的扫描数据获得的待测车辆的车型信息也较为准确，尤其对于车型不太好确定的待测车辆，可以提高其车型信息的准确度。此外，该方法在测量道路参数时，无需现场人工测量，无需路面放置标志物，无需人为对设备进行标定，具有自动测量、适应性强的特点，且随着时间的推移，测量精度越来越准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的车辆检测方法流程图；
图2为本发明实施例提供的车辆检测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的车辆检测方法流程图，如图1所示，所述方法包括：
步骤10、采集待测车辆经过的道路的特征数据集；其中，所述特征数据集包括：在扫描式激光设备的每个扫描周期内，所述道路上各位置点的位置特征信息；
步骤11、根据所述特征数据集和决策树分类器，判断所述各位置点在所述每个扫描周期内是否有车辆通行；
步骤12、根据所述判断的结果，得到所述道路上各位置点的车辆通行密度分布；
步骤13、根据所述各位置点的车辆通行密度分布，得到所述道路的道路参数；其中，所述道路参数包括：车道数量、车道边界位置、每个车道的宽度、隔离带位置和隔离带宽度中的一个或多个；
步骤14、根据所述道路参数和所述待测车辆的扫描数据，得到所述待测车辆的车型信息。
具体地，扫描式激光设备安装在待测车辆经过的道路上方，所述扫描式激光设备可以发射红外线，根据红外线发射出至反射回中间的时间差，计算出反射物体的距离。所述扫描式激光设备的扫描面与所述待测车辆的行驶方向垂直。在每个扫描周期内，所述红外线的扫描角度可以在0～180度之间变化，扫描角度的分辨率可以在0.1～1度之间进行调节。当扫描角度的分辨率为0.5度时，所述扫描式激光设备在每个扫描周期内，可以扫描到361个位置点。结合每个所述位置点到所述扫描式激光设备的距离，以及扫描到所述位置点时对应的扫描角度，利用三角形关系，可以计算出所述位置点的高度及其坐标。
假如，所述扫描式激光设备在一个扫描周期中，可以扫描到n1个位置点，其中，第i个位置点与所述扫描式激光设备在路面的投影点之间的距离记为Li，所述第i个位置点的检测高度记为Hi1，所述第i个位置点在上一个扫描周期内对应的检测高度记为Hi2，所述第i个位置点在下一个扫描周期内对应的检测高度记为Hi3，与所述第i个位置点相邻的两个位置点的检测高度可以分别记为：Hi4、Hi5。其中，以扫描角度的分辨率为0.5度为例，假如所述第i个位置点的扫描角度为60度，则与所述第i位置点相邻的两个位置点对应的扫描角度分别为：59.5度和60.5度。
所述Hi1、所述Hi2、所述Hi3、所述Hi4和所述Hi5，组成了所述第i个位置点在该扫描周期内的位置特征信息。所述扫描式激光设备在每个扫描周期中，可以得到n1个位置点的位置特征信息，所述n1个位置点的位置特征信息，组成了所述扫描式激光设备在一个扫描周期内的特征数据集。
服务器可以采集所述特征数据集，然后所述特征数据集输入到决策树分类器，可以判断所述各位置点在每个扫描周期内是否有车辆通行。所述决策树分类器可以输出每个所述位置点的状态，所述状态可以为有车通行或无车通行，可以将有车通行记为数值1，无车通行记为数值0。
所述服务器可以以所述扫描式激光设备在路面的投影点为坐标原点，以所述坐标原点点到路面上各位置点的方向为X轴方向，所述坐标原点到所述扫描式激光设备的方向为Y轴方向，建立直角坐标系。其中，X轴坐标表示每组数据中的各位置点距离所述投影点的距离，Y轴坐标表示所述各位置点是否有车通行。假如所述服务器采集了n2组所述特征数据集，将n2组所述特征数据集对应的决策树分类器的输出进行统计，可以得到所述各位置点的车辆通行密度分布。假如，第i个位置点的车辆通行密度分布包括：5个1，n2-5个0，则表示在n2个扫描周期内，有5个车辆经过所述第i个位置点。
所述服务器可以根据所述各位置点的车辆通行密度分布，得到道路的道路参数，其中，所述道路参数可以包括：车道数量、车道边界位置、每个车道的宽度、隔离带位置和隔离带宽度中的一个或多个。
所述服务器可以根据所述道路参数，结合从激光器采集到的所述待测车辆的扫描数据，提取出所述待测车辆的外形尺寸信息，将所述待测车辆的外形尺寸信息与数据库中保存的车型分类标准外形尺寸信息相匹配，得到所述待测车辆的车型信息，此方法为现有技术，本发明实施例不对其进行说明。
根据上面描述可知，本发明实施例提供的车辆检测方法，首先采集待测车辆经过的道路的特征数据集，然后根据采集的特征数据集和决策树分类器，判断道路上各位置点在每个扫描周期内是否有车辆通行，并根据判断结果，得到道路上各位置点的车辆通行密度分布，进而根据道路上各位置点的车辆通行密度分布，得到道路的道路参数，由于本实施例根据各位置点的车辆通行密度分布确定道路的道路参数，故得到的道路参数准确度较高，进而根据得到的道路参数以及待测车辆的扫描数据获得的待测车辆的车型信息也较为准确，尤其对于车型不太好确定的待测车辆，可以提高其车型信息的准确度。此外，该方法在测量道路参数时，无需现场人工测量，无需路面放置标志物，无需人为对设备进行标定，具有自动测量、适应性强的特点，且随着时间的推移，测量精度越来越准确。
可选的，在上述实施例的基础上，所述根据所述各位置点的车辆通行密度分布，得到所述道路的道路参数，包括：
将所述车辆通行密度分布进行区间划分，得到有车通行区间和无车通行区间；
将相邻的所述有车通行区间进行拼接，得到一个或多个有车通行区域，将相邻的所述无车通行区间进行拼接，得到一个或多个无车通行区域；
根据所述有车通行区域和所述无车通行区域，得到所述道路的道路参数。
具体地，服务器得到各位置点的车辆通行密度分布之后，可以将所述车辆通行密度分布的X轴范围等分为n3个区间，然后，按照公式一，计算每个所述区间内车辆通行的密度Pi。
其中，Ni1为第i个区间内数值为1的个数，N为第i个区间内数值为1的个数与数值为0的个数之和。
所述服务器可以设置一个密度阈值，若某个区间的Pi大于所述密度阈值，则说明所述区间为有车通行区间，若所述区间的Pi小于或等于所述密度阈值，则说明所述区间为无车通行区间。其中，所述密度阈值的取值与n3相关。假如，X轴上的数据范围为20米，对其进行n3＝200等分，则每个区间的数据范围为10cm，此时，可以将所述密度阈值设为0.6。
按照上述方法，所述服务器可以得到多个有车通行区间和多个无车通行区间。然后，所述服务器可以将相邻的有车通行区间进行拼接，得到一个或多个有车通行区域，将相邻的无车通行区间进行拼接，可以得到一个或多个无车通行区域。所述服务器可以根据所述有车通行区域和所述无车通行区域，得到上述实施例中所述的道路参数。
本发明实施例提供的车辆检测方法，通过将车辆通行密度分布进行区间划分，得到有车通行区间和无车通行区间，将相邻的所述有车通行区间进行拼接，得到一个或多个有车通行区域，将相邻的所述无车通行区间进行拼接，得到一个或多个无车通行区域，根据所述有车通行区域和所述无车通行区域，得到所述道路的道路参数，可以提高道路参数的准确度。
可选的，在上述实施例的基础上，所述根据所述有车通行区域和所述无车通行区域，得到所述道路的道路参数，包括：
将所述有车通行区域按照位置进行排序，根据排序第一的有车通行区域的边界和排序最后的有车通行区域的边界，确定路面范围；
将区域宽度大于第一阈值且区域内车辆通行密度小于第二阈值的无车通行区域，确定为隔离带；
将区域宽度小于所述第一阈值且区域内车辆通行密度大于所述第二阈值的无车通行区域，确定为车道分界线。
具体地，服务器得到多个有车通行区域之后，可以将所有的有车通行区域，按照在X轴上对应的位置进行排序，得到一个有车通行区域序列。比如，所述服务器得到了4个有车通行区域，则可以将这四个有车通行区域按照在X轴上对应的位置进行排序，得到的有车通行区域序列记为：[S1,S2,S3,S4]，则所述服务器可以将排序第一的有车通行区域S1的边界和排序最后的有车通行区域S4的边界，作为路面范围的边界。比如，可以将S1的左边界作为路面左边界，将S4的右边界作为路面右边界，从而可以确定路面范围。
所述服务器可以计算每个无车通行区域的区域宽度和车辆通行密度，并可以根据实际情况设定第一阈值和第二阈值，将将区域宽度大于所述第一阈值且区域内车辆通行密度小于所述第二阈值的无车通行区域，确定为隔离带，将区域宽度小于所述第一阈值且区域内车辆通行密度大于所述第二阈值的无车通行区域，确定为车道分界线。其中，所述第一阈值可以设定为1米，所述第二阈值可以设定为0.1米。
本发明实施例提供的车辆检测方法，通过将所述有车通行区域按照位置进行排序，根据排序第一的有车通行区域的边界和排序最后的有车通行区域的边界，确定路面范围，将区域宽度大于第一阈值且区域内车辆通行密度小于第二阈值的无车通行区域，确定为隔离带，将区域宽度小于所述第一阈值且区域内车辆通行密度大于所述第二阈值的无车通行区域，确定为车道分界线，使得所述方法更加科学。
可选的，在上述实施例的基础上，所述方法还包括所述决策树分类器的建立过程，所述建立过程包括：
采集所述扫描式激光设备在同高度、同角度安装时扫描的所述各位置点的历史位置特征信息以及与所述历史位置特征信息相对应的所述各位置点的车辆通行数据，作为训练数据集；
采用决策树构造算法应用于所述训练数据集，得到针对所述各位置点在某时刻是否有车辆通行的决策树分类器。
服务器在使用所述决策树分类器之前，首先需要建立好所述决策树分类器。
具体地，所述服务器可以采集上述实施例中所述的扫描式激光设备在同高度、同角度安装时时，扫描到的所述各位置点的历史位置特征信息，以及与所述历史位置特征信息相对应的所述各位置点的车辆通行数据，作为训练数据集。其中，所述历史位置特征信息为每个所述位置点在当前扫描周期之前的位置特征信息。
然后，所述服务器可以采用决策树构造算法，应用于所述训练数据集，得到针对路面上所述各位置点在某时刻是否有车辆通行的决策树分类器。
本发明实施例提供的车辆检测方法，通过采集所述扫描式激光设备在同高度、同角度安装时扫描的所述各位置点的历史位置特征信息以及与所述历史位置特征信息相对应的所述各位置点的车辆通行数据，作为训练数据集，采用决策树构造算法应用于所述训练数据集，得到针对所述各位置点在某时刻是否有车辆通行的决策树分类器，使得所述方法更加科学。
可选的，在上述实施例的基础上，所述采用决策树构造算法应用于所述训练数据集，得到针对所述各位置点在某时刻是否有车辆通行的决策树分类器，包括：
对所述训练数据集做无效数据剔除处理，得到有效训练数据集；
基于信息增益的方法，对所述有效训练数据集进行离散化处理；
根据经过所述离散化处理的所述有效训练数据集，采用C4.5算法构造决策树，得到所述决策树分类器。
具体地，服务器可以根据扫描式激光设备的实际安装环境，定义路面信息的范围，对训练数据集中超过所述路面信息的范围的无效数据剔除，得到有效训练数据集。比如，所述扫描式激光设备的扫描范围为25米，安装高度为8米，则可以将各位置点的位置特征信息中的高度值的范围设定为0～8米，不在此范围的训练数据集元素视为无效数据，做剔除处理。
然后，所述服务器可以对有限训练数据集中的各位置点是否有车通行进行标注，标注的判断依据可以为：如果所述位置点在车道范围外，则标注该组数据中该位置点为无车通行；如果所述位置点在车道范围内，但是为行人和非机动车辆，则标注该组数据中该位置点为无车通行；如果所述位置点在车道范围内，实际为机动车辆通行的，则在扫描到车辆至车辆驶出所述扫描式激光设备的扫描面前，均标注该位置点为有车通行。
然后，所述服务器可以基于信息增益的方法，对所述有效训练数据集进行离散化处理。信息增益表示熵的变化，熵表示区间的数据混乱程度，熵越大，区间内各类别出现的概率越平均，熵越小，区间内数据“纯度”越高。应用在所述有效训练数据集中，熵可以表示区间内有车通行和无车通行的数据混乱程度，熵越小，表示有车通行/无车通行占数据量比例高，熵越大则两种结果占比越接近。
设D为有效训练数据集总区间，P有车和P无车分别是区间内有车通行和无车通行的数据出现的概率，则D的熵inf o(D)的定义为：
inf o(D)＝-P有车log2P有车-P无车log2P无车；
所述服务器可以将各组有效训练数据集中各位置点的检测高度、上一组数据中该位置点的检测高度、下一组数据中该位置点的检测高度、与该位置相邻的两个位置点的检测高度，分别标注为属性A、属性B、属性C、属性E、属性F。
对所述有效训练数据集进行区间划分，则划分后第i个子区间Di的熵inf o(Di)为：
inf o(Di)＝-P区间i有车log2P区间i有车-P区间i无车log2P区间i无车；
其中，N区间i有车和N区间i无车分别为第i个区间中有车通行的数据的个数和无车通行的数据的个数，N区间i为第i个区间中数据的总数。P区间i有车和P区间i无车分别表示第i个区间中有车通行和无车通行的数据出现的概率。
所述服务器可以计算各子区间的熵的加权平均，信息增益表示以某属性划分后的熵与划分之前的熵的变化。
所述服务器可以基于信息增益的方法，按照以下步骤将训练数据集进行离散化。
(1)对于每一个特征属性，将有效训练数据集中的元素，按照数值从小到大排序。
以属性A为例，每两个相邻元素的属性A的值Qi和Qi+1的中值Qi'作为潜在分裂点，这样将有效训练数据集元素分成多个区间，并得到潜在分裂点集：[Q0',Q1',…Qi']。
若有效训练集数据量较大，为减少计算量，可将潜在分裂点设置在只在有车通行和无车通行的结果发生改变的两个相邻元素的中值，组成潜在分裂点集[Q0',Q1',…Qj'](j<i)；
(2)从第一个潜在分裂点开始，计算以该分裂点划分的信息增益，得到以属性A分裂点集，划分对应的信息增益集：
(3)将最大信息增益的点作为该特征信息的最佳分裂点，其信息增益作为该特征属性的信息增益，如属性A的最佳分裂点的信息增益gain(A)。
然后，所述服务器可以根据采用C4.5算法构造决策树，得到决策树分类器。C4.5算法定义了分裂信息，表示区间D对属性A的各值的熵split_inf oA(D)为：
其中，t为属性A的各值，Dj表示第j个属性A的值的个数，DA表示属性A的值的总数量。
信息增益率的定义为：
然后，所述服务器可以按照以下步骤构建决策树分类器：
(1)以所述属性A、所述属性B、所述属性C、所述属性E、所述属性F，计算以各属性划分的信息增益率gain_ratio(A)、gain_ratio(B)、gain_ratio(C)、gain_ratio(E)、gain_ratio(F)，挑选信息增益率最大的属性作为当前决策节点，以该属性的最佳分裂点将训练数据集分为两个区间。
(2)分别针对两个区间去除上一步中的决策属性，按照剩余特征属性重新划分，重复上一步的信息增益率的计算及比较，挑选下一个决策节点，进行进一步的决策。
以此重复，直到子节点至少满足以下条件之一则停止决策，将该子节点设为叶子节点。条件一：节点中所有观测属于一类，即结果均为有车通行/无车通行；条件二：属性的信息增益足够小，接近于0，如以属性A、属性B划分后，剩余数据的属性C、属性E、属性F的值相等或接近相等。最终，得到完整的C4.5算法的决策树分类器。
本发明实施例提供的车辆检测方法，通过对所述训练数据集做无效数据剔除处理，得到有效训练数据集，基于信息增益的方法，对所述有效训练数据集进行离散化处理，根据经过所述离散化处理的所述有效训练数据集，采用C4.5算法构造决策树，得到所述决策树分类器，使得所述方法更加科学。
可选的，在上述实施例的基础上，所述根据所述道路参数和所述待测车辆的扫描数据，得到所述待测车辆的车型信息，包括：
若根据所述道路参数和所述待测车辆的扫描数据判断获知，所述待测车辆的车型信息为第一车型和第二车型的临界车型，则计算所述第一车型的第一可靠密度和所述第二车型的第二可靠密度；
根据所述第一可靠密度和所述第二可靠密度，得到所述待测车辆的车型信息；
其中，所述第一可靠密度是指：在已测的所述第一车型的车辆中，对应的匹配偏差小于第三阈值的车辆所占的比例；所述第二可靠密度是指：在已测的所述第二车型的车辆中，对应的匹配偏差小于所述第三阈值的车辆所占的比例。
可选的，在上述实施例的基础上，所述匹配偏差的计算公式为：
其中，n为需要比对的车辆外形尺寸参数的数量；xi为第i个车辆外形尺寸参数的数值；Ei为标准车型的第i个车辆外形尺寸参数的期望，s为匹配偏差。
具体地，服务器可以根据道路参数，结合待测车辆的扫描数据，提取出所述待测车辆的外形尺寸信息，然后将所述待测车辆的外形尺寸信息与数据库中保存的车型分类标准外形尺寸信息相匹配，如果经过匹配获知，所述待测车辆的车型信息为第一车型与第二车型得临界车型，其中，所述第一车型和所述第二车型是车型分类标准中的两种车型，则所述服务器可以分别计算出所述第一车型和所述第二车型的可靠密度。其中，所述第一车型的可靠密度可以记为第一可靠密度，所述第二车型的可靠密度可以记为第二可靠密度。
其中，所述第一可靠密度是指在已测的所述第一车型的车辆中，对应的匹配偏差小于第三阈值的车辆所占的比例，所述第二可靠密度是指：在已测的所述第二车型的车辆中，对应的匹配偏差小于所述第三阈值的车辆所占的比例。其中，所述第三阈值可以记为δ，所述δ的取值范围一般为0～50，所述第三阈值的取值越小，得出的车型信息越准确。
比如，所述服务器已经测出的所述第一车型的车辆总数为100，其中，有40个车辆对应的匹配偏差小于第三阈值，则所述第一可靠密度为：40/100＝0.4；如果所述服务器已经测出的所述第二车型的车辆数为80，其中，有20个车辆对应的匹配偏差小于第三阈值，则所述第二可靠密度为：20/80＝0.25。
所述服务器计算出所述第一可靠密度和所述第二可靠密度之后，可以根据所述第一可靠密度和所述第二可靠密度的大小关系，得到待测车辆的车型信息。如果所述第一可靠密度大于所述第二可靠密度，则所述车型信息为第一车型，如果所述第一可靠密度小于所述第二可靠密度，则所述车型信息为第二车型。
如果所述第一可靠密度与所述第二可靠密度相等，所述服务器可以设定一个新的第三阈值，所述新的第三阈值可以记为δ'，满足δ'＜δ。然后，所述服务器可以重新计算所述第一车型的第一可靠密度和所述第二车型的第二可靠密度，直至得到所述待测车辆的车型信息。
其中，所述匹配偏差表示待测车辆的车型信息与其判别车型的偏差，所述匹配偏差可以记为s，s越小，说明待测车辆车型信息与该车型越匹配。所述匹配偏差s的计算公式可以为：
其中，n为需要比对的车辆外形尺寸参数的数量；xi为第i个车辆外形尺寸参数的数值；Ei为标准车型的第i个车辆外形尺寸参数的期望，s为匹配偏差。所述车辆外形尺寸参数可以包括：车长L、车宽W、车高H、车头高HH、车斗高BH、车斗长BL和底盘高CH，所述车辆外形尺寸参数的单位可以为厘米。
下面以第i个外形尺寸参数为车长L为例，详细说明一下，对应的期望Ei的设定方法。假如，第一车型和第二车型的车长分界线为L12，则所述服务器可以设定一个车长的临界区间，记为(L12-α,L12+α)，α可取10厘米。如果，所述待测车辆的车长L处于所述临界区间，则对应的期望Ei为L12；如果，所述待测车辆的车长L不在所述临界区间，则对应的期望Ei为车长L。对于，其他的外形尺寸参数，都可以按照上述方法，得到对应的Ei。
本发明实施例通过若根据所述道路参数和所述待测车辆的扫描数据判断获知，所述待测车辆的车型信息为第一车型和第二车型的临界车型，则计算所述第一车型的第一可靠密度和所述第二车型的第二可靠密度，根据所述第一可靠密度和所述第二可靠密度，得到所述待测车辆的车型信息，可以提高车型检测的准确度，特别是可以提高临界车型的检测准确度。
图2为本发明实施例提供的车辆检测系统的结构示意图，如图2所示，所述系统包括：采集模块20、判断模块21、车辆通行密度模块22、道路参数模块23和车型信息模块24，其中：
采集模块20用于采集待测车辆经过的道路的特征数据集；其中，所述特征数据集包括：在扫描式激光设备的每个扫描周期内，所述道路上各位置点的位置特征信息；判断模块21用于根据所述特征数据集和决策树分类器，判断所述各位置点在所述每个扫描周期内是否有车辆通行；车辆通行密度模块22用于根据所述判断的结果，得到所述道路上各位置点的车辆通行密度分布；道路参数模块23用于根据所述各位置点的车辆通行密度分布，得到所述道路的道路参数；其中，所述道路参数包括：车道数量、车道边界位置、每个车道的宽度、隔离带位置和隔离带宽度中的一个或多个；车型信息模块24用于根据所述道路参数和所述待测车辆的扫描数据，得到所述待测车辆的车型信息。
具体地，扫描式激光设备安装在待测车辆经过的道路的路面上方，所述扫描式激光设备可以发射红外线，根据红外线发射出至反射回中间的时间差，计算出反射物体的距离。所述扫描式激光设备的扫描面与所述待测车辆的行驶方向垂直，在每一个扫描周期内，所述红外线的扫描角度可以在0～180度之间变化，扫描角度的分辨率可以在0.1～1度之间进行调节。比如，当扫描角度的分辨率为0.5度时，所述扫描式激光设备在每一个扫描周期内，可以扫描到361个位置点。结合所述位置点到所述扫描式激光设备的距离以及扫描到所述位置点时对应的扫描角度，利用三角形关系，可以计算出所述位置点的高度及其坐标。
假如所述扫描式激光设备在一个扫描周期中，可以扫描到n1个位置点，其中，第i个位置点与所述扫描式激光设备在路面的投影点之间的距离记为Li，所述第i个位置点的检测高度记为Hi1，所述第i个位置点在上一个扫描周期内对应的检测高度记为Hi2，所述第i个位置点在下一个扫描周期内对应的检测高度记为Hi3，与所述第i个位置点相邻的两个位置点的检测高度可以分别记为：Hi4、Hi5。其中，以扫描角度的分辨率为0.5度为例，假如所述第i个位置点的扫描角度为60度，则与所述第i位置点相邻的两个位置点对应的扫描角度分别为：59.5度和60.5度。
所述Hi1、所述Hi2、所述Hi3、所述Hi4和所述Hi5，组成了所述第i个位置点在该扫描周期内的位置特征信息。所述扫描式激光设备在每个扫描周期中，可以得到n1个位置点的位置特征信息，所述n1个位置点的位置特征信息，组成了所述扫描式激光设备在一个扫描周期内的特征数据集。
所述采集模块20可以采集所述特征数据集，所述判断模块21可以将所述特征数据集输入到决策树分类器，判断所述各位置点在每个扫描周期内是否有车辆通行。所述决策树分类器可以输出每个所述位置点的状态，所述状态可以分为有车通行或无车通行，将有车通行记为数值1，无车通行记为数值0。
所述车辆通行密度模块22可以以所述扫描式激光设备在路面的投影点为坐标原点，以所述坐标原点到路面上个位置点的方向为X轴方向，所述坐标原点到所述扫描式激光设备的方向为Y轴方向，建立直角坐标系。其中，X轴坐标表示每组数据中的各位置点距离所述投影点的距离，Y轴坐标表示所述各位置点是否有车通行。假如所述采集模块20采集了n2组所述特征数据集，将n2组所述特征数据集对应的决策树分类器的输出进行统计，可以得到所述各位置点的车辆通行密度分布。假如，第i个位置点的车辆通行密度分布包括：5个1，n2-5个0，则表示在n2个扫描周期内，有5个车辆经过所述第i个位置点。
所述道路参数模块23可以根据所述各位置点的车辆通行密度分布，得到所述道路的道路参数，其中，所述道路参数可以包括：车道数量、车道边界位置、每个车道的宽度、隔离带位置和隔离带宽度中的一个或多个。
所述车型信息模块24可以根据所述道路参数，结合从激光器采集到的所述待测车辆通过的扫描数据，提取出所述待测车辆的外形尺寸信息，将所述待测车辆的外形尺寸信息与数据库中保存的车型分类标准外形尺寸信息相匹配，得到所述待测车辆的车型信息，此方法为现有技术，本发明实施例不对其进行说明。
本发明实施例提供的车辆检测系统，其功能具体参照上述方法实施例，此处不再赘述。
本发明实施例提供的车辆检测系统，首先采集待测车辆经过的道路的特征数据集，然后根据采集的特征数据集和决策树分类器，判断道路上各位置点在每个扫描周期内是否有车辆通行，并根据判断结果，得到道路上各位置点的车辆通行密度分布，进而根据道路上各位置点的车辆通行密度分布，得到道路的道路参数，由于本发明实施例根据各位置点的车辆通行密度分布确定道路的道路参数，故得到的道路参数准确度较高，进而根据得到的道路参数以及待测车辆的扫描数据获得的待测车辆的车型信息也较为准确，尤其对于车型不太好确定的待测车辆，可以提高其车型信息的准确度。此外，该系统在测量道路参数时，无需现场人工测量，无需路面放置标志物，无需人为对设备进行标定，具有自动测量、适应性强的特点，且随着时间的推移，测量精度越来越准确。
可选的，在上述实施例的基础上，所述道路参数模块包括：区间划分子模块、拼接子模块和道路参数子模块，其中：
区间划分子模块用于将所述车辆通行密度分布进行区间划分，得到有车通行区间和无车通行区间；拼接子模块用于将相邻的所述有车通行区间进行拼接，得到一个或多个有车通行区域，将相邻的所述无车通行区间进行拼接，得到一个或多个无车通行区域；道路参数子模块用于根据所述有车通行区域和所述无车通行区域，得到所述道路的道路参数。
具体地，上述实施例中所述的道路参数模块可以包括：区间划分子模块、拼接子模块和道路参数子模块。当车辆通行密度模块得到道路上各位置点的车辆通行密度分布之后，所述区间划分子模块可以将所述车辆通行密度分布的X轴范围等分为n3个区间，然后，按照公式一，计算每个所述区间内车辆通行的密度Pi，
其中，Ni1为第i个区间内数值为1的个数，N为第i个区间内数值为1的个数与数值为0的个数之和。
所述区间划分子模块可以设置一个密度阈值，若某个区间的Pi大于所述密度阈值，则说明所述区间为有车通行区间，若所述区间的Pi小于或等于所述密度阈值，则说明所述区间为无车通行区间。其中，所述密度阈值的取值与n3相关。假如，X轴上的数据范围为20米，对其进行n3＝200等分，则每个区间的数据范围为10cm，此时，可以将所述密度阈值设为0.6。
按照上述方法，所述区间划分子模块可以得到多个有车通行区间和多个无车通行区间。然后，所述拼接子模块可以将相邻的有车通行区间进行拼接，得到一个或多个有车通行区域，将相邻的无车通行区间进行拼接，可以得到一个或多个无车通行区域。所述道路参数子模块可以根据所述有车通行区域和所述无车通行区域，得到上述实施例中所述的道路参数。
本发明实施例提供的车辆检测系统，通过将车辆通行密度分布进行区间划分，得到有车通行区间和无车通行区间，将相邻的所述有车通行区间进行拼接，得到一个或多个有车通行区域，将相邻的所述无车通行区间进行拼接，得到一个或多个无车通行区域，根据所述有车通行区域和所述无车通行区域，得到所述道路的道路参数，可以提高道路参数的准确度。
可选的，在上述实施例的基础上，所述道路参数子模块包括：路面范围单元、隔离带单元和车道分界线单元，其中：
路面范围单元用于将所述有车通行区域按照位置进行排序，根据排序第一的有车通行区域的边界和排序最后的有车通行区域的边界，确定路面范围；隔离带单元用于将区域宽度大于第一阈值且区域内车辆通行密度小于第二阈值的无车通行区域，确定为隔离带；车道分界线单元，用于将区域宽度小于所述第一阈值且区域内车辆通行密度大于所述第二阈值的无车通行区域，确定为车道分界线。
具体地，上述实施例中所述的道路参数子模块可以包括：路面范围单元、隔离带单元和车道分界线单元。拼接子模块得到多个有车通行区域之后，可以将所有的有车通行区域，按照在X轴上对应的位置进行排序，得到一个有车通行区域序列。比如，所述服务器得到了4个有车通行区域，则可以将这四个有车通行区域按照在X轴上对应的位置进行排序，得到的有车通行区域序列记为：[S1,S2,S3,S4]。所述路面范围单元可以将排序第一的有车通行区域S1的边界和排序最后的有车通行区域S4的边界，作为路面范围的边界。比如，可以将S1的左边界作为路面左边界，将S4的右边界作为路面右边界，从而可以确定路面范围。
所述隔离带单元可以计算每个无车通行区域的区域宽度和车辆通行密度，并可以根据实际情况，设定第一阈值和第二阈值，将将区域宽度大于所述第一阈值且区域内车辆通行密度小于所述第二阈值的无车通行区域，确定为隔离带，车道分界线单元可以将区域宽度小于所述第一阈值且区域内车辆通行密度大于所述第二阈值的无车通行区域，确定为车道分界线。其中，所述第一阈值可以设定为1米，所述第二阈值可以设定为0.1米。
本发明实施例提供的车辆检测系统，通过将所述有车通行区域按照位置进行排序，根据排序第一的有车通行区域的边界和排序最后的有车通行区域的边界，确定路面范围，将区域宽度大于第一阈值且区域内车辆通行密度小于第二阈值的无车通行区域，确定为隔离带，将区域宽度小于所述第一阈值且区域内车辆通行密度大于所述第二阈值的无车通行区域，确定为车道分界线，使得所述系统更加科学。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (10)
1.一种车辆检测方法，其特征在于，包括：
采集待测车辆经过的道路的特征数据集；其中，所述特征数据集包括：在扫描式激光设备的每个扫描周期内，所述道路上各位置点的位置特征信息；
根据所述特征数据集和决策树分类器，判断所述各位置点在所述每个扫描周期内是否有车辆通行；
根据所述判断的结果，得到所述道路上各位置点的车辆通行密度分布；
根据所述各位置点的车辆通行密度分布，得到所述道路的道路参数；其中，所述道路参数包括：车道数量、车道边界位置、每个车道的宽度、隔离带位置和隔离带宽度中的一个或多个；
根据所述道路参数和所述待测车辆的扫描数据，得到所述待测车辆的车型信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述各位置点的车辆通行密度分布，得到所述道路的道路参数，包括：
将所述车辆通行密度分布进行区间划分，得到有车通行区间和无车通行区间；
将相邻的所述有车通行区间进行拼接，得到一个或多个有车通行区域，将相邻的所述无车通行区间进行拼接，得到一个或多个无车通行区域；
根据所述有车通行区域和所述无车通行区域，得到所述道路的道路参数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述有车通行区域和所述无车通行区域，得到所述道路的道路参数，包括：
将所述有车通行区域按照位置进行排序，根据排序第一的有车通行区域的边界和排序最后的有车通行区域的边界，确定路面范围；
将区域宽度大于第一阈值且区域内车辆通行密度小于第二阈值的无车通行区域，确定为隔离带；
将区域宽度小于所述第一阈值且区域内车辆通行密度大于所述第二阈值的无车通行区域，确定为车道分界线。
4.根据权利要求1所述的方法，其特征在于，还包括所述决策树分类器的建立过程，所述建立过程包括：
采集所述扫描式激光设备在同高度、同角度安装时扫描的所述各位置点的历史位置特征信息以及与所述历史位置特征信息相对应的所述各位置点的车辆通行数据，作为训练数据集；
采用决策树构造算法应用于所述训练数据集，得到针对所述各位置点在某时刻是否有车辆通行的决策树分类器。
5.根据权利要求4所述的方法，其特征在于，所述采用决策树构造算法应用于所述训练数据集，得到针对所述各位置点在某时刻是否有车辆通行的决策树分类器，包括：
对所述训练数据集做无效数据剔除处理，得到有效训练数据集；
基于信息增益的方法，对所述有效训练数据集进行离散化处理；
根据经过所述离散化处理的所述有效训练数据集，采用C4.5算法构造决策树，得到所述决策树分类器。
6.根据权利要求1所述的方法，其特征在于，所述根据所述道路参数和所述待测车辆的扫描数据，得到所述待测车辆的车型信息，包括：
若根据所述道路参数和所述待测车辆的扫描数据判断获知，所述待测车辆的车型信息为第一车型和第二车型的临界车型，则计算所述第一车型的第一可靠密度和所述第二车型的第二可靠密度；
根据所述第一可靠密度和所述第二可靠密度，得到所述待测车辆的车型信息；
其中，所述第一可靠密度是指：在已测的所述第一车型的车辆中，对应的匹配偏差小于第三阈值的车辆所占的比例；所述第二可靠密度是指：在已测的所述第二车型的车辆中，对应的匹配偏差小于所述第三阈值的车辆所占的比例。
7.根据权利要求6所述的方法，其特征在于，所述匹配偏差的计算公式为：
<mrow>
<mi>s</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
</mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>|</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中，n为需要比对的车辆外形尺寸参数的数量；xi为第i个车辆外形尺寸参数的数值；Ei为标准车型的第i个车辆外形尺寸参数的期望，s为匹配偏差。
8.一种车辆检测系统，其特征在于，包括：
采集模块，用于采集待测车辆经过的道路的特征数据集；其中，所述特征数据集包括：在扫描式激光设备的每个扫描周期内，所述道路上各位置点的位置特征信息；
判断模块，用于根据所述特征数据集和决策树分类器，判断所述各位置点在所述每个扫描周期内是否有车辆通行；
车辆通行密度模块，用于根据所述判断的结果，得到所述道路上各位置点的车辆通行密度分布；
道路参数模块，用于根据所述各位置点的车辆通行密度分布，得到所述道路的道路参数；其中，所述道路参数包括：车道数量、车道边界位置、每个车道的宽度、隔离带位置和隔离带宽度中的一个或多个；
车型信息模块，用于根据所述道路参数和所述待测车辆的扫描数据，得到所述待测车辆的车型信息。
9.根据权利要求6所述的系统，其特征在于，所述道路参数模块包括：
区间划分子模块，用于将所述车辆通行密度分布进行区间划分，得到有车通行区间和无车通行区间；
拼接子模块，用于将相邻的所述有车通行区间进行拼接，得到一个或多个有车通行区域，将相邻的所述无车通行区间进行拼接，得到一个或多个无车通行区域；
道路参数子模块，用于根据所述有车通行区域和所述无车通行区域，得到所述道路的道路参数。
10.根据权利要求9所述的系统，其特征在于，所述道路参数子模块包括：
路面范围单元，用于将所述有车通行区域按照位置进行排序，根据排序第一的有车通行区域的边界和排序最后的有车通行区域的边界，确定路面范围；
隔离带单元，用于将区域宽度大于第一阈值且区域内车辆通行密度小于第二阈值的无车通行区域，确定为隔离带；
车道分界线单元，用于将区域宽度小于所述第一阈值且区域内车辆通行密度大于所述第二阈值的无车通行区域，确定为车道分界线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711171919.7A CN107978151B (zh) | 2017-11-22 | 2017-11-22 | 一种车辆检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711171919.7A CN107978151B (zh) | 2017-11-22 | 2017-11-22 | 一种车辆检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107978151A true CN107978151A (zh) | 2018-05-01 |
| CN107978151B CN107978151B (zh) | 2019-12-10 |
Family
ID=62010843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711171919.7A Active CN107978151B (zh) | 2017-11-22 | 2017-11-22 | 一种车辆检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107978151B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322688A (zh) * | 2019-05-20 | 2019-10-11 | 华为技术有限公司 | 一种数据处理的方法、数据查询的方法及相关设备 |
| CN111561945A (zh) * | 2020-05-26 | 2020-08-21 | 姜沛松 | 基于车联网的导航路径生成方法及装置 |
| CN111966857A (zh) * | 2020-08-19 | 2020-11-20 | 南京英德利汽车有限公司 | 一种检测改装车辆的方法及检测系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000020877A (ja) * | 1998-06-29 | 2000-01-21 | Mitsubishi Heavy Ind Ltd | 車種判別装置 |
| CN203288083U (zh) * | 2013-03-19 | 2013-11-13 | 北京万集科技股份有限公司 | 一种激光三维扫描车辆装置 |
| CN104361752A (zh) * | 2014-10-27 | 2015-02-18 | 北京握奇智能科技有限公司 | 一种自由流收费的激光扫描车型识别方法 |
| CN204178554U (zh) * | 2014-10-27 | 2015-02-25 | 北京握奇智能科技有限公司 | 一种自由流收费的激光扫描车型识别系统 |
| WO2016143750A1 (ja) * | 2015-03-11 | 2016-09-15 | 三菱重工メカトロシステムズ株式会社 | 車両諸元計測装置、車種判別装置、車両諸元計測方法及びプログラム |
| JP2017097783A (ja) * | 2015-11-27 | 2017-06-01 | 株式会社東芝 | 車種判別装置および車種判別方法 |
| CN107256636A (zh) * | 2017-06-29 | 2017-10-17 | 段晓辉 | 一种融合激光扫描与视频技术的交通流获取方法 |
-
2017
- 2017-11-22 CN CN201711171919.7A patent/CN107978151B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000020877A (ja) * | 1998-06-29 | 2000-01-21 | Mitsubishi Heavy Ind Ltd | 車種判別装置 |
| CN203288083U (zh) * | 2013-03-19 | 2013-11-13 | 北京万集科技股份有限公司 | 一种激光三维扫描车辆装置 |
| CN104361752A (zh) * | 2014-10-27 | 2015-02-18 | 北京握奇智能科技有限公司 | 一种自由流收费的激光扫描车型识别方法 |
| CN204178554U (zh) * | 2014-10-27 | 2015-02-25 | 北京握奇智能科技有限公司 | 一种自由流收费的激光扫描车型识别系统 |
| WO2016143750A1 (ja) * | 2015-03-11 | 2016-09-15 | 三菱重工メカトロシステムズ株式会社 | 車両諸元計測装置、車種判別装置、車両諸元計測方法及びプログラム |
| JP2017097783A (ja) * | 2015-11-27 | 2017-06-01 | 株式会社東芝 | 車種判別装置および車種判別方法 |
| CN107256636A (zh) * | 2017-06-29 | 2017-10-17 | 段晓辉 | 一种融合激光扫描与视频技术的交通流获取方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322688A (zh) * | 2019-05-20 | 2019-10-11 | 华为技术有限公司 | 一种数据处理的方法、数据查询的方法及相关设备 |
| CN111561945A (zh) * | 2020-05-26 | 2020-08-21 | 姜沛松 | 基于车联网的导航路径生成方法及装置 |
| CN111966857A (zh) * | 2020-08-19 | 2020-11-20 | 南京英德利汽车有限公司 | 一种检测改装车辆的方法及检测系统 |
| CN111966857B (zh) * | 2020-08-19 | 2023-09-29 | 南京英德利汽车有限公司 | 一种检测改装车辆的方法及检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107978151B (zh) | 2019-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
| CN108645342B (zh) | 一种基于道路轨迹和高分辨率影像的道路宽度提取方法 | |
| CN102081165B (zh) | 伽马能谱核素识别方法 | |
| CN112433203A (zh) | 一种基于毫米波雷达数据的车道线形检测方法 | |
| CN102565845B (zh) | 利用多个探测器的伽马能谱核素识别方法 | |
| CN101571997A (zh) | 多源交通信息融合处理方法及其装置 | |
| CN107978151B (zh) | 一种车辆检测方法和系统 | |
| CN108389421B (zh) | 基于图像再识别的停车场精确诱导系统及方法 | |
| CN110532250B (zh) | 交规数据的处理方法及装置 | |
| Cai et al. | Modeling road centerlines and predicting lengths in 3‐D using LIDAR point cloud and planimetric road centerline data | |
| CN109598947B (zh) | 一种车辆识别方法及系统 | |
| CN109410584B (zh) | 一种路况检测方法及装置 | |
| CN112229411B (zh) | 一种数据处理的方法和装置 | |
| Cetin et al. | Factors affecting minimum number of probes required for reliable estimation of travel time | |
| Holder et al. | Data-driven derivation of requirements for a lidar sensor model | |
| CN114771548A (zh) | 用于高级驾驶辅助系统测试和验证的数据记录 | |
| KR101784635B1 (ko) | LiDAR 센서를 활용한 다중차로 교통검지 방법 및 시스템 | |
| CN114241430A (zh) | 一种事件检测方法、装置、系统、电子设备及存储介质 | |
| US20230314169A1 (en) | Method and apparatus for generating map data, and non-transitory computer-readable storage medium | |
| Arman et al. | Road centreline and lane reconstruction from pervasive GPS tracking on motorways | |
| CN116363088A (zh) | 基于无人机的高速公路混凝土路面裂缝检测方法、电子设备及存储介质 | |
| Brunauer et al. | Deriving driver-centric travel information by mining delay patterns from single GPS trajectories | |
| Shan et al. | Urban terrain and building extraction from airborne LIDAR data | |
| Andrášik et al. | Identification of Curves and Straight Sections on Road Networks from Digital Vector Data | |
| Saito et al. | Calibration of automatic performance measures-speed and volume data: volume 1, evaluation of the accuracy of traffic volume counts collected by microwave sensors. |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |