CN112735135A - 高速运动车辆超限检测方法 - Google Patents

Abstract

本申请提供了一种高速运动车辆超限检测方法。本申请的高速运动车辆超限检测方法，通过在设于路侧的设置固态激光雷达检测系统，可设于路灯杆或其他路侧杆体上，而无需使用横跨马路的龙门架，也排除了被超高的车辆碰撞的风险。由于固态激光雷达检测系统能够多线式检测，且具有较高的扫描频率，因此，可以精确地捕捉到高速运动状态下的车辆轮廓信息，具体地，可对某一个瞬间的车辆数据进行提取，再通过点云数据的矩阵旋转和向量旋转，实现车辆的轮廓信息三维空间坐标变换，计算得出车辆的长宽高信息。这样，当超限的车辆经过时，固态激光雷达检测系统能够对车辆信息进行采集并分析，并实时通知后台报警处理，便可有效提高治超效率。

Description

高速运动车辆超限检测方法

技术领域

本申请属于智慧交通技术领域，更具体地说，是涉及一种高速运动车辆超限检测方法。

背景技术

围绕智能化、信息化治超，国内外逐步提出了一些智能超限检测的解决方案。中国专利申请CN206248039U公开了一种车辆超限检测系统，通过在两个龙门架上分别安装扫描式激光传感器，以及在两个龙门架之间安装动态称重装置，获得行驶车辆的长宽高和重量等信息。该发明的技术方案相对于传统的人工治超取得了很大的进步。但是，当车速较快时，对车辆的长宽高尺寸会产生较大的计算误差，且需要设置龙门架，道路施工麻烦。

发明内容

本申请实施例的目的在于提供一种高速运动车辆超限检测方法，以解决现有技术中存在的上述技术问题。

为实现上述目的，本申请采用的技术方案是：提供高速运动车辆超限检测方法，包括以下步骤：

提供路灯杆；

提供固态激光雷达检测系统，设于所述路灯杆上，所述固态激光雷达检测系统获取车辆的点云数据；

处理所述点云数据，并获取所述车辆直角坐标系中的三维尺寸；

分析所述三维尺寸，判断所述车辆是否超限。

在一个实施例中，处理所述点云数据具体为：激光雷达采用三角测距技术返回极坐标系数据，将极坐标系数据转化至二维平面直角坐标系并解算出原始数据的信号强度。

在一个实施例中，将极坐标系数据转化至二维平面直角坐标系具体包括以下步骤：

计算直角坐标系中的每一个点在所述点云数据中的对应近点；

求得使所述对应点对平均距离最小的刚体变换，并求得平移参数和旋转参数；

对直角坐标系的点集使用所述平移参数和所述旋转参数，得到变换点集；

若所述变换点集与参考点集满足两点集的平均距离小于预定阈值，则停止迭代计算，否则新的变换点集作为所述变换点集继续迭代，直到达到目标函数的要求。

在一个实施例中，计算直角坐标系中的每一个点在所述点云数据中的对应近点具体为：

找所述点云数据中的对应点集qi∈Q，使得||qi-pi||＝min，其中Q为所述点云数据集，qi为对应点集，pi为变换点集。

在一个实施例中，求得使所述对应点对平均距离最小的刚体变换，并求得平移参数和旋转参数具体为：

其中R为旋转矩阵，t为平移矩阵。

在一个实施例中，得到所述变换点集具体为：

对变换点集pi使用所述旋转矩阵R和所述平移矩阵t进行旋转和平移变换，的到新的对应点集pi’＝{pi’＝Rpi+tpi∈P}，其中pi’为新的所述对应点集。

在一个实施例中，计算所述变换点集与参考点集满足两点集的平均距离具体为：

其中，d为平均距离。

在一个实施例中，所述计算直角坐标系中的每一个点在所述点云数据中的对应近点还包括：在空间内建立K-d树，按X轴寻找分割线，计算所有点的x 值的平均值，以最接近所述平均值的x值将空间分成两部分，然后在分成的子空间中按Y轴寻找分割线，将其各分成两部分，直至分割区域内只有一个点，即为所述对应点。

在一个实施例中，获取所述车辆直角坐标系中的三维尺寸包括以下步骤：

将点云旋转到标准直角坐标系平面；

提取车辆的点云数据；

进行膨胀腐蚀，填补空白区域；

进行连通域标记，取最大连通域；

获取图像的边缘；

求边缘部分的最小外接矩阵并计算得到车辆的三维尺寸信息。

本申请提供的高速运动车辆超限检测方法的有益效果在于：与现有技术相比，本申请的高速运动车辆超限检测方法，通过在设于路侧的设置固态激光雷达检测系统，可设于路灯杆或其他路侧杆体上，而无需使用横跨马路的龙门架，也排除了被超高的车辆碰撞的风险。由于固态激光雷达检测系统能够多线式检测，且具有较高的扫描频率，因此，可以精确地捕捉到高速运动状态下的车辆轮廓信息，具体地，可对某一个瞬间的车辆数据进行提取，再通过点云数据的矩阵旋转和向量旋转，实现车辆的轮廓信息三维空间坐标变换，计算得出车辆的长宽高信息。这样，当超限的车辆经过时，固态激光雷达检测系统能够对车辆信息进行采集并分析，并实时通知后台报警处理，便可有效提高治超效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的高速运动车辆超限检测方法的流程示意图。

具体实施方式

为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图1及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。

需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在传统对车辆进行超限检测中，常使用单线式激光雷达或机械式激光雷达(线数<64)，安装多个在收费站入口处的顶端及侧面，通过激光的回波以及车辆在运动中的位移过程，绘制计算出车辆的三维信息。由于单线式或机械式激光雷达扫描频率较低(<50Hz)，当车速较快时，对车辆的长宽高尺寸会产生较大的计算误差，因此无法实现车辆高速运动状态下的车辆长宽高尺寸的精确计算。

由于高速公路的收费站处一般设有地磅、限高杆等设备，因此，本高速运动车辆超限检测方法适用于快速公路、乡村道路以及城市道路中，当然，只要在道路交通中，需要对车辆进行超限处理，都可采用本方案进行超限检测。

请参阅图1，现对本申请实施例提供的高速运动车辆超限检测方法进行说明。本实施例的一高速运动车辆超限检测方法，包括以下步骤：

S1：提供路灯杆；具体地，也可是路侧的交通提示杆或其他设于路侧的杆体，只要能够按照固态激光雷达即可。

S2：提供固态激光雷达检测系统，设于路灯杆上，固态激光雷达检测系统获取车辆的点云数据；具体地，由于固态激光雷达具有多线式检测、较高的扫描频率以及接收面大等特性，设于路侧可有效采集点云数据。无需在龙门架上垂直向下照射安装，灵活性强。对于车辆的运动速度上限要求可以满足高速公路运动车辆的检测，适应强，由于采用该方案采集的点云数据较密集，数据包含的信息较多，因此通过计算出的车辆三维轮廓信息较精确，准确度高

S3：处理点云数据，并获取车辆直角坐标系中的三维尺寸；由于点云数据是由设于路侧的固态激光雷达检测系统检测获取的，因此需要对点云数据进行分析及处理，使得能够观测到该车辆的三维尺寸。

S4：分析三维尺寸，判断车辆是否超限。具体地，是对车辆的长宽高进行检测，判断该车辆是否超限，当判断该车辆超限之后，可通过后台系统反馈到交警处，由交警进行后续处理。

本申请的高速运动车辆超限检测方法，通过在设于路侧的设置固态激光雷达检测系统，可设于路灯杆或其他路侧杆体上，而无需使用横跨马路的龙门架，也排除了被超高的车辆碰撞的风险。由于固态激光雷达检测系统能够多线式检测，且具有较高的扫描频率，因此，可以精确地捕捉到高速运动状态下的车辆轮廓信息，具体地，可对某一个瞬间的车辆数据进行提取，再通过点云数据的矩阵旋转和向量旋转，实现车辆的轮廓信息三维空间坐标变换，计算得出车辆的长宽高信息。这样，当超限的车辆经过时，固态激光雷达检测系统能够对车辆信息进行采集并分析，并实时通知后台报警处理，便可有效提高治超效率。

在一个实施例中，处理点云数据具体为：激光雷达采用三角测距技术返回极坐标系数据，将极坐标系数据转化至二维平面直角坐标系并解算出原始数据的信号强度。

在一个实施例中，将极坐标系数据转化至二维平面直角坐标系具体包括以下步骤：

计算直角坐标系中的每一个点在点云数据中的对应近点；

求得使对应点对平均距离最小的刚体变换，并求得平移参数和旋转参数；

对直角坐标系的点集使用平移参数和旋转参数，得到变换点集；

若变换点集与参考点集满足两点集的平均距离小于预定阈值，则停止迭代计算，否则新的变换点集作为变换点集继续迭代，直到达到目标函数的要求。

在一个实施例中，计算直角坐标系中的每一个点在点云数据中的对应近点具体为：

找点云数据中的对应点集qi∈Q，使得||qi-pi||＝min，其中Q为点云数据集， qi为对应点集，pi为变换点集。

在一个实施例中，求得使对应点对平均距离最小的刚体变换，并求得平移参数和旋转参数具体为：

qi-pi＝t；

qi＝Rpi；

其中R为旋转矩阵，t为平移矩阵。

在一个实施例中，得到变换点集具体为：

对变换点集pi使用旋转矩阵R和平移矩阵t进行旋转和平移变换，的到新的对应点集pi’＝{pi’＝Rpi+tpi∈P}，其中pi’为新的对应点集。

在一个实施例中，计算变换点集与参考点集满足两点集的平均距离具体为：

其中，d为平均距离。

具体地，是通过ICP算法实现坐标系的配准与变换。ICP算法能够使不同的坐标下的点云数据合并到同一个坐标系统中，首先是需要找到一个可用的变换，配准操作实际是要找到从激光雷达点云坐标到标准直角坐标系的一个刚性变换。ICP算法本质上是基于最小二乘法的最优配准方法。该算法重复进行选择对应关系点对，计算最优刚体变换，直到满足正确配准的收敛精度要求。ICP 算法的目的是要找到待配准点云数据与参考云数据之间的旋转参数R和平移参数T，使得两点数据之间满足某种度量准则下的最优匹配。具体实现步骤如下：

第一步，计算标准直角坐标系中的每一个点在激光雷达点云数据中的对应近点；

第二步，求得使上述对应点对平均距离最小的刚体变换，求得平移参数和旋转参数；

第三步，对标准直角坐标系的点集使用上一步求得的平移和旋转参数，得到新的变换点集；

第四步，如果新的变换点集与参考点集满足两点集的平均距离小于某一给定阈值，则停止迭代计算，否则新的变换点集作为新的X2继续迭代，直到达到目标函数的要求。

在一个实施例中，计算直角坐标系中的每一个点在点云数据中的对应近点还包括：在空间内建立K-d树，按X轴寻找分割线，计算所有点的x值的平均值，以最接近平均值的x值将空间分成两部分，然后在分成的子空间中按Y 轴寻找分割线，将其各分成两部分，直至分割区域内只有一个点，即为对应点。

在一个实施例中，获取车辆直角坐标系中的三维尺寸包括以下步骤：

将点云旋转到标准直角坐标系平面；

提取车辆的点云数据；

进行膨胀腐蚀，填补空白区域；

进行连通域标记，取最大连通域；

获取图像的边缘；

求边缘部分的最小外接矩阵并计算得到车辆的三维尺寸信息。

以上仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.高速运动车辆超限检测方法，其特征在于：包括以下步骤：

提供设于路侧的固态激光雷达检测系统，所述固态激光雷达检测系统获取车辆的点云数据；

处理所述点云数据，并获取所述车辆直角坐标系中的三维尺寸；

分析所述三维尺寸，判断所述车辆是否超限。

2.根据权利要求1所述的高速运动车辆超限检测方法，其特征在于：处理所述点云数据具体为：激光雷达采用三角测距技术返回极坐标系数据，将极坐标系数据转化至二维平面直角坐标系并解算出原始数据的信号强度。

3.根据权利要求2所述的高速运动车辆超限检测方法，其特征在于：将极坐标系数据转化至二维平面直角坐标系具体包括以下步骤：

计算直角坐标系中的每一个点在所述点云数据中的对应近点；

求得使所述对应点对平均距离最小的刚体变换，并求得平移参数和旋转参数；

对直角坐标系的点集使用所述平移参数和所述旋转参数，得到变换点集；

若所述变换点集与参考点集满足两点集的平均距离小于预定阈值，则停止迭代计算，否则新的变换点集作为所述变换点集继续迭代，直到达到目标函数的要求。

4.根据权利要求3所述的高速运动车辆超限检测方法，其特征在于：计算直角坐标系中的每一个点在所述点云数据中的对应近点具体为：

找所述点云数据中的对应点集qi∈Q，使得||qi-pi||＝min，其中Q为所述点云数据集，qi为对应点集，pi为变换点集。

5.根据权利要求3所述的高速运动车辆超限检测方法，其特征在于：得到所述变换点集具体为：

对变换点集pi使用所述旋转矩阵R和所述平移矩阵t进行旋转和平移变换，的到新的对应点集pi’＝{pi’＝Rpi+tpi∈P}，其中pi’为新的所述对应点集。

6.根据权利要求3所述的高速运动车辆超限检测方法，其特征在于：计算所述变换点集与参考点集满足两点集的平均距离具体为：

其中，d为平均距离。

7.根据权利要求3所述的高速运动车辆超限检测方法，其特征在于：所述计算直角坐标系中的每一个点在所述点云数据中的对应近点还包括：在空间内建立K-d树，按X轴寻找分割线，计算所有点的x值的平均值，以最接近所述平均值的x值将空间分成两部分，然后在分成的子空间中按Y轴寻找分割线，将其各分成两部分，直至分割区域内只有一个点，即为所述对应点。

8.根据权利要求3所述的高速运动车辆超限检测方法，其特征在于：获取所述车辆直角坐标系中的三维尺寸包括以下步骤：

将点云旋转到标准直角坐标系平面；

提取车辆的点云数据；

进行膨胀腐蚀，填补空白区域；

进行连通域标记，取最大连通域；

获取图像的边缘；

求边缘部分的最小外接矩阵并计算得到车辆的三维尺寸信息。

Images