CN113744538A - 高速公路动态治超方法、计算机设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种高速公路动态治超方法、计算机设备及可读存储介质，包括：获取目标车辆的当前载重信息，获取目标车辆的当前位置信息、当前外形尺寸信息；根据车辆影像和当前位置信息对车辆影像中的目标车辆进行定位，并进行图形识别和联网数据匹配，获取目标车辆的车辆信息；获取当前道路的标准通行速度信息，获取目标车辆的通过车速信息，并根据车辆信息获取目标车辆的标准载荷信息和标准外形尺寸信息；行驶中的车辆是否违法。本发明的高速公路动态治超方法能进行多目标跟踪，对当前道路上的所有车辆进行检测，检测目标车辆是否存在违法改装、是否存在超载、是否存在超速等情况，全面检测处于高速公路上行驶的车辆的违法情况。

Description

高速公路动态治超方法、计算机设备及可读存储介质

技术领域

本发明涉及高速公路技术领域，尤其涉及一种高速公路动态治超方法、计算机设备及可读存储介质。

背景技术

随着高速公路路网逐渐完善，高速公路运输在各类运输方式所占比例越来越大。部分车辆实现超载超限式运输，对公路，桥梁和洞涵路面造成损伤，给交通事故埋下隐患。同时超载超速车辆往往通过改装或拼装使其超载多拉货物，破坏了车辆的性能和结构，造成车辆长期处于超负荷运载情况，易造成断轴和刹车失灵等安全隐患，诱发交通事故。

现有的治超方案只适合于单车道治超检测，无法同时检测车辆通过速度、车辆载重以及车辆的外形尺寸，存在使用范围受限，且检测结果单一的技术问题。

发明内容

本发明的主要目的在于提供一种高速公路动态治超方法、计算机设备及可读存储介质，旨在解决现有高速公路治超方案存在使用范围受限、检测结果单一的技术问题。

为实现上述目的，本发明提供了一种高速公路动态治超方法，包括：S1，响应动态称重系统线圈的传感信号，获取目标车辆的当前载重信息，并发送感应信号至多线激光雷达监测系统与相机模块；S2，多线激光雷达监测系统响应感应信号，监测当前路面车辆激光点云信号，并根据激光点云信号获取目标车辆的当前位置信息、当前外形尺寸信息；S3，相机模块响应感应信号，监测当前路面的车辆影像，并根据车辆影像和当前位置信息对车辆影像中的目标车辆进行定位，并进行图形识别和联网数据匹配，获取目标车辆的车辆信息；S4，获取当前道路的标准通行速度信息，获取目标车辆的通过车速信息，并根据车辆信息获取目标车辆的标准载荷信息和标准外形尺寸信息；S5，判断当前载重信息是否大于标准载荷信息，在当前载重信息大于标准载荷信息时，判定目标车辆超重；判断当前外形尺寸信息是否匹配标准外形尺寸信息，在当前外形尺寸不匹配标准外形尺寸信息时，判定目标车辆违法改装；判断通过车速信息是否大于标准通行速度信息，在通过车速信息大于标准通行速度信息时，判定目标车辆超速。

进一步地，车辆信息包括车牌信息，步骤S4具体包括：通过车辆影像获取目标车辆所处的目标车道，确定目标车道对应的当前道路的标准通行速度信息；通过多线激光雷达监测系统预测目标车辆的通过车速信息；通过车牌信息，获取目标车辆的标准载荷信息、目标车辆的标准外形尺寸信息、目标车辆的标准车轴信息以及目标车辆的标准车辆类型信息。

进一步地，步骤S3中的根据车辆影像和当前位置信息对车辆影像中的目标车辆进行定位，并进行图形识别和联网数据匹配，获取目标车辆的车辆信息，具体包括：S31，根据当前位置信息确定目标车辆在预设坐标系中的位置坐标；S32，根据车辆影像对车辆影像进行预设坐标系的转换，根据位置坐标对车辆影像中的目标车辆进行定位；S33，采用深度学习算法，对定位出的车辆影像中的目标车辆进行学习识别，获取目标车辆的车辆信息。

进一步地，步骤S32具体包括：根据车辆影像对车辆影像进行预设坐标系的转换，采用深度学习算法，对车辆影像中的车辆进行识别，获取车辆影像中的与位置坐标对应的车辆的相机影像外形尺寸信息；判断车辆的相机影像外形尺寸信息与步骤S2中的当前外形尺寸信息是否一致；若车辆的相机影像外形尺寸信息与步骤S2中的当前外形尺寸信息一致，对车辆影像中的目标车辆进行定位；若车辆的相机影像外形尺寸信息与步骤S2中的当前外形尺寸信息不一致，重复步骤S2至31直至车辆的相机影像外形尺寸信息与步骤S2 中的当前外形尺寸信息一致。

进一步地，步骤S1包括：在动态称重系统触被触发称量时，响应动态称重系统线圈的传感信号，获取动态称重系统线圈与当前道路的车道对应关系进而获取目标车辆的当前目标车道信息；将当前目标车道信息以及感应信号发送至多线激光雷达监测系统与相机模块。

进一步地，在步骤S3之后，步骤S4之前还包括：获取车辆影像中的具有目标车辆的相机影像，判断相机影像中目标车辆所处的相机车道与目标车辆的当前目标车道信息是否一致，在目标车辆所处的相机车道与目标车辆的当前目标车道信息一致时进入步骤S4；在目标车辆所处的相机车道与目标车辆的当前目标车道信息不一致时重复步骤S2和S3直至目标车辆所处的相机车道与目标车辆的当前目标车道信息一致。

进一步地，利用多线激光雷达监测系统基于无损卡尔曼滤波方式和目标车辆的标准外形尺寸信息对目标车辆进行跟踪得到目标车辆的通过车速信息。

进一步地，将违法目标车辆的违法信息在目标车辆前方的可视界面上播放。

本发明还提供一种高速公路动态治超方法的计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的高速公路动态治超方法的步骤。

本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的高速公路动态治超方法的步骤。

本发明的技术方案中，通过获取在当前道路上行驶的即将通过龙门框架的目标车辆的当前外形尺寸信息和当前载重信息，获取目标车辆的标准外形尺寸信息和标准载荷信息，通过比较当前外形尺寸信息和标准外形尺寸信息的匹配度判断即将通过的目标车辆是否进行了非法改装致使车辆的外形尺寸发生变化，通过比较当前载重信息和标准载荷信息的相对关系判断即将通过的目标车辆是否超重；通过获取当前道路的标准通行速度信息，获取目标车辆在行驶的车道上的通过车速信息或者预测目标车辆在行驶的车道上通过龙门框架的通过车速信息，通过比较通过车速信息和标准通行速度信息进而判断目标车辆在当前车道行驶且通过时是否超速。本发明的高速公路动态治超方法能进行多目标跟踪，对当前道路上的所有车辆进行检测，检测目标车辆是否存在违法改装、是否存在超载、是否存在超速等情况，全面检测处于高速公路上行驶的车辆的违法情况。

附图说明

图1为本发明的高速公路动态治超方法的治超装置的结构示意图；

图2为本发明第一实施例中高速公路动态治超方法的流程图；

图3为本发明第二实施例中高速公路动态治超方法的流程图；

图4为本发明高速公路动态治超方法的计算机设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

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的技术领域，均同理包括在本发明的专利保护范围内。

如图1所示，在本发明中用于高速公路动态治超方法的治超装置包括处于车辆行进方向前方的龙门架和动态称重系统线圈，动态称重系统线圈设于龙门架的来车的一侧，龙门架上设有用于探测车辆的多线激光雷达和相机，龙门架的侧向设有用于通讯和处理的边缘服务器。为了提高检测精度、便于快速进行联合标定并提高处理速度，多线激光雷达和相机安装于龙门支架的顶部的中央位置处。

第一实施例

如图2所示，本发明的第一实施例提供了一种高速公路动态治超方法，包括：

步骤S1，响应动态称重系统线圈的传感信号，获取目标车辆的当前载重信息，并发送感应信号至多线激光雷达监测系统与相机模块。本实施例中，目标车辆的数量可以是一辆，也可以是多辆，多线激光雷达监测系统和相机模块可以进行多目标跟踪。动态称重系统可以获取行进中经过动态称重系统线圈的目标车辆的当前载重信息；通过发送感应信号至多线激光雷达监测系统与相机模块以在车辆经过动态称重系统线圈时触发多线激光雷达监测系统与相机模块。目标车辆可以是行驶中的挂车、货车或者轿车等车辆。

步骤S2，多线激光雷达监测系统响应感应信号，监测当前路面车辆激光点云信号，并根据激光点云信号获取目标车辆的当前位置信息、当前外形尺寸信息息。可以理解地，激光雷达的原理在于向目标物体发射激光束，然后根据激光束发射-反射之间的时间间隔来确定距离目标物体的实际距离，可以达到毫米级别的测距精度，快速对周边环境进行3D建模。激光雷达可以高精度检测车辆的三维尺寸和车辆类型。同时多线激光雷达通过发射多线激光，可以在检测车辆上形成密集点云，避免像单线激光雷达传感器需要多方向布置来检测车辆尺寸。针对传统点云处理方法，深度学习在点云处理方面尺度检测精度更高，回归框位置更准等优势。本发明中采用one-stage(一步检测)pointpillars模型对点云进行处理，通过点云预处理，点云特征提取，骨干网络处理，网络检测头最终输出车辆尺寸与类型。车辆外形尺寸信息包括车辆的长宽高组合形成的3D模型。

S3，相机模块响应感应信号，监测当前路面的车辆影像，并根据车辆影像和当前位置信息对车辆影像中的目标车辆进行定位，并进行图形识别和联网数据匹配，获取目标车辆的车辆信息。具体地，本发明中，通过当前位置信息进行联合标定以提高确定目标车辆的效率和准确度，利用深度学习和图像处理技术获取目标车辆的车辆信息，车辆信息包括车牌信息、车轴信息和车辆类型信息。

S4，获取当前道路的标准通行速度信息，获取目标车辆的通过车速信息，并根据车辆信息获取目标车辆的标准载荷信息和标准外形尺寸信息。可以理解地，当前道路的标准通行速度信息包括法定的该道路的通行最快速度信息，通过多线激光雷达系统预测目标车辆的通过车速信息，标准外形尺寸信息为车辆依法登记的外形尺寸。

S5，判断当前载重信息是否大于标准载荷信息，在当前载重信息大于标准载荷信息时，判定目标车辆超重；判断当前外形尺寸信息是否匹配标准外形尺寸信息，在当前外形尺寸不匹配标准外形尺寸信息时，判定目标车辆违法改装；判断通过车速信息是否大于标准通行速度信息，在通过车速信息大于标准通行速度信息时，判定目标车辆超速。

本发明提供的高速公路动态治超方法，通过获取在当前道路上行驶的即将通过龙门框架的目标车辆的当前外形尺寸信息和当前载重信息，获取目标车辆的标准外形尺寸信息和标准载荷信息，通过比较当前外形尺寸信息和标准外形尺寸信息的匹配度判断即将通过的目标车辆是否进行了非法改装致使车辆的外形尺寸发生变化，通过比较当前载重信息和标准载荷信息的相对关系判断即将通过的目标车辆是否超重；通过获取当前道路的标准通行速度信息，获取目标车辆在行驶的车道上的通过车速信息或者预测目标车辆在行驶的车道上通过龙门框架的通过车速信息，通过比较通过车速信息和标准通行速度信息进而判断目标车辆在当前车道行驶且通过时是否超速。本发明的高速公路动态治超方法能进行多目标跟踪，对当前道路上的所有车辆进行检测，检测目标车辆是否存在违法改装、是否存在超载、是否存在超速等情况，全面检测处于高速公路上行驶的车辆的违法情况。

进一步地，车辆信息包括车牌信息，步骤S4具体包括：通过车辆影像获取目标车辆所处的目标车道，确定目标车道对应的当前道路的标准通行速度信息；通过多线激光雷达监测系统预测目标车辆的通过车速信息；通过车牌信息，获取目标车辆的标准载荷信息、目标车辆的标准外形尺寸信息、目标车辆的标准车轴信息以及目标车辆的标准车辆类型信息。可以理解地，在本实施例中，可以通过步骤S2中的多线激光雷达监测的当前外形信息与标准外形尺寸信息比对，也可以通过步骤S3中的车辆影像中的目标车辆的影像外形尺寸信息与标准外形信息进行比对。优选地，为了提高检测精度和检测速度，通过步骤S2中的多线激光雷达监测的当前外形信息与标准外形尺寸信息比对判断目标车辆是否违法改装。

更优地，通过多线激光雷达监测系统获取目标车辆的标准车轴信息以及目标车辆的标准车辆类型信息，通过多线激光雷达监测系统获取的目标车辆的标准车轴信息以及目标车辆的标准车辆类型信息比对目标车辆的标准车轴信息以及目标车辆的标准车辆类型信息，判断目标车辆是否违法改装。

进一步地，步骤S3中的根据车辆影像和当前位置信息对车辆影像中的目标车辆进行定位，并进行图形识别和联网数据匹配，获取目标车辆的车辆信息，具体包括：S31，根据当前位置信息确定目标车辆在预设坐标系中的位置坐标；S32，根据车辆影像对车辆影像进行预设坐标系的转换，根据位置坐标对车辆影像中的目标车辆进行定位；S33，采用深度学习算法，对定位出的车辆影像中的目标车辆进行学习识别，获取目标车辆的车辆信息。可以理解地，预设坐标系为预设世界坐标系，其中，动态称重系统线圈在预设坐标系中的坐标点是固定的，预设世界坐标系、相机坐标系、图像坐标系以及像素坐标系存在对应的转换关系，本发明中，于时空中进行坐标系和时间轴对齐，从而统一检测结果。当多线激光雷达监测系统检测到车辆时，利用坐标系转换，于车辆影像进行预设坐标系的转换找到对应的车辆位置。

进一步地，为了减少检测误差，步骤S32具体包括：根据车辆影像对车辆影像进行预设坐标系的转换，采用深度学习算法，对车辆影像中的车辆进行识别，获取车辆影像中的与位置坐标对应的车辆的相机影像外形尺寸信息；判断车辆的相机影像外形尺寸信息与步骤S2中的当前外形尺寸信息是否一致；若车辆的相机影像外形尺寸信息与步骤S2中的当前外形尺寸信息一致，对车辆影像中的目标车辆进行定位；若车辆的相机影像外形尺寸信息与步骤 S2中的当前外形尺寸信息不一致，重复步骤S2至31直至车辆的相机影像外形尺寸信息与步骤S2中的当前外形尺寸信息一致。

更优地，本发明还可以通过多线激光雷达监测系统获取的目标车辆的行驶轨迹信息和当前外形尺寸信息、与相机模块中的车辆影像中对应的车辆的行驶轨迹信息和相机影像外形尺寸信息进行联合标定，确定目标车辆以提高检测的准确性。

实施例2

如图3所示，本发明的具体实施例提供了一种高速公路动态治超方法，包括：

S1，在动态称重系统触被触发称量时，响应动态称重系统线圈的传感信号，获取动态称重系统线圈与当前道路的车道对应关系进而获取目标车辆的当前目标车道信息；将当前目标车道信息以及感应信号发送至多线激光雷达监测系统与相机模块。

S2，多线激光雷达监测系统响应感应信号，监测当前路面车辆激光点云信号，并根据激光点云信号获取目标车辆的当前位置信息、当前外形尺寸信息。

S3，相机模块响应感应信号，监测当前路面的车辆影像，并根据车辆影像和当前位置信息对车辆影像中的目标车辆进行定位，并进行图形识别和联网数据匹配，获取目标车辆的车辆信息。

获取车辆影像中的具有目标车辆的相机影像，判断相机影像中目标车辆所处的车道与当前目标车道信息是否一致以进行复核，在目标车辆所处的车道与当前目标车道信息一致时进入步骤S4；在目标车辆所处的车道与当前目标车道信息不一致时重复步骤S2和S3直至目标车辆所处的车道与当前目标车道信息一致。

S4，获取当前道路的标准通行速度信息，并根据车辆信息获取目标车辆的标准载荷信息和标准外形尺寸信息。

S5，判断当前载重信息是否大于标准载荷信息，在当前载重信息大于标准载荷信息时，判定目标车辆超重；判断当前外形尺寸信息是否匹配标准外形尺寸信息，在当前外形尺寸不匹配标准外形尺寸信息时，判定目标车辆违法改装；判断通过车速信息是否大于标准通行速度信息，在通过车速信息大于标准通行速度信息时，判定目标车辆超速。

进一步地吗，利用多线激光雷达监测系统基于无损卡尔曼滤波方式和目标车辆的标准外形尺寸信息对目标车辆进行跟踪得到目标车辆的通过车速信息。

可选地，采用激光点云车辆跟踪模块对目标车辆进行速度预测，卡尔曼滤波(Kalman Filter)作为工程界最常用的数据最优估计算法，利用随时间推移观察到的一系列测量值(包含统计噪声和其他误差)，生成未知变量的估计值，该估计值往往更多通过估计每个时间范围内变量的联合概率分布，结果因此比仅基于单个测量的结果更准确。但由于线性卡尔曼滤波不能很好运用于复杂的现实情况，因为现实情况下车辆可以处于加速和匀速运动状况，针对非线性的车辆运行情形以及算法快速计算，专利采用无损卡尔曼滤波(Unscented Kalman Filter)来对车辆进行跟踪预测，进而对跟踪车辆进行车辆方向以及速度跟踪预测。

无损卡尔曼滤波使用的是统计线性化技术，这一技术主要通过n个在先验分布中采集的点(我们把它们叫sigma点)的线性回归来线性化随机变量的非线性函数，考虑的是随机变量的扩展，所以这种线性化要比泰勒级数线性化(扩展卡尔曼所使用的策略)更准确。和卡尔曼滤波一样，无损卡尔曼滤波也主要分为预测和更新。

预测部分

其中状态μ＝(x,y,vx,theta,atheta)五个状态，代表位置(x,y)，速度vx，角度theta，角度加速度atheta,μ′为预测均值，Σ′为预测协方差，Wm， Wc为sigma点的权重值，g(X[i])为采样的sigma点。

在预测更新后我们得到了预测值的均值和协方差。当我们得到来自上一步激光雷达检测模块得到的回归框point(x,y,z)后，通过测量空间矩阵转换预测均值的空间状态，从而获得预测值和测量值之间的差值，得到接下来的预测部分。

预测部分

其中h为测量空间矩阵，Z为测量空间状态下的预测测量均值，z～为测量空间状态下的sigma点，S为测量空间下的状态方程矩阵，Q为传感器测量空间噪声。

其中T为预测空间和测量空间的交叉相关矩阵，K为卡尔曼增益。

利用公式(5)得到最终的均值μ和协方差矩阵Σ。从而完成整体方程状态更新，得到当前最佳状态点预测和速度更新。

通过以下实施例进行具体说明，请再次参考图1，当前道路包括第一车道和第二车道，当前道路的限重we，第一车道限速sp1，第二车道限速sp2，当前道路上行驶有第一车辆、第二车辆以及第三车辆，第一车辆行驶在第一车道上，第二车辆和第三车辆均行驶在第二车道上，以第一车辆和第二车辆并排同时通过动态称重系统线圈，第三车辆跟随第二车辆通过动态称重系统线圈进行说明。第一车辆和第二车辆同时通过动态称重系统线圈，动态称重系统线圈获取第一车辆的当前载重信息w1,获取第二车辆的当前载重信息w2，根据动态称重系统线圈与当前道路的车道对应关系，获取第一车辆处于第一车道上，第二车辆处于第二车道上的车道信息，并将当前目标车道信息以及感应信号发送至多线激光雷达监测系统与相机模块；多线激光雷达监测系统响应感应信号，进行连续监测，监测到当前路面的第一车辆和第二车辆激光点云信号，并根据激光点云信号获取第一车辆的当前位置信息、第一车辆的当前外形尺寸信息，根据激光点云信号获取获取第二车辆的当前位置信息、第二车辆的当前外形尺寸信息；相机模块响应感应信号，进行连续，监测当前路面的车辆影像，并根据车辆影像和当前位置信息对车辆影像中的目标车辆进行定位，进而进行联合标定确定第一车辆和第二车辆，并进行图形识别和联网数据匹配，获取第一车辆的车辆信息和第二车辆的车辆信息(包括第一车辆的车牌信息和第二车辆的车牌信息)；获取当前道路的标准通行速度信息，具体地第，获取第一道路的标准通行速度信息，获取第二道路的标准通行速度信息，获取第一车辆的标准载荷信息和标准外形尺寸信息，获取第二车辆的获取第一车辆的标准载荷信息和标准外形尺寸信息；最后进行匹配或者比对，判断第一车辆是否超速、超重以及超载，判断第二车辆是否超速、超重以及超载。在第三车辆经过动态称重系统线圈的传感信号时，触发多线激光雷达监测系统与相机模块进行多目标跟踪，监测处于龙门架和动态称重系统线圈之间的第一车辆、第二车辆和第三车辆，采用上述步骤，通过深度学习法进行联合标定和识别。

进一步地，为了及时提醒，将违法目标车辆的违法信息在目标车辆前方的可视界面上播放。更优地，将违法目标车辆的违法信息进行保存或者上传。

如图4所示，本发明还提供一种高速公路动态治超方法的计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的高速公路动态治超方法。

需要说明的是，由于计算机设备的处理器执行计算机程序时实现上述的用户信息查看权限保护方法，因此上述方法的所有实施例均适用于用户信息查看权限保护的计算机设备，且均能达到相同或相似的有益效果。

本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例中的高速公路动态治超方法。

需要说明的是，由于计算机可读存储介质的计算机程序被处理器执行时实现上述的用户信息查看权限保护方法，因此上述方法的所有实施例均适用于该计算机可读存储介质，且均能达到相同或相似的有益效果。

以上仅为本发明的优选实施例，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的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种高速公路动态治超方法，其特征在于，包括：

S1，响应动态称重系统线圈的传感信号，获取目标车辆的当前载重信息，并发送感应信号至多线激光雷达监测系统与相机模块；

S2，所述多线激光雷达监测系统响应所述感应信号，监测当前路面车辆激光点云信号，并根据所述激光点云信号获取所述目标车辆的当前位置信息、当前外形尺寸信息；

S3，所述相机模块响应所述感应信号，监测当前路面的车辆影像，并根据所述车辆影像和所述当前位置信息对所述车辆影像中的所述目标车辆进行定位，并进行图形识别和联网数据匹配，获取所述目标车辆的车辆信息；

S4，获取当前道路的标准通行速度信息，获取目标车辆的通过车速信息，并根据所述车辆信息获取目标车辆的标准载荷信息和标准外形尺寸信息；

S5，判断当前载重信息是否大于标准载荷信息，在当前载重信息大于标准载荷信息时，判定目标车辆超重；判断当前外形尺寸信息是否匹配标准外形尺寸信息，在当前外形尺寸不匹配标准外形尺寸信息时，判定目标车辆违法改装；判断通过车速信息是否大于标准通行速度信息，在通过车速信息大于标准通行速度信息时，判定目标车辆超速。

2.根据权利要求1所述的高速公路动态治超方法，其特征在于，所述车辆信息包括车牌信息，步骤S4具体包括：

通过所述车辆影像获取所述目标车辆所处的目标车道，确定所述目标车道对应的当前道路的标准通行速度信息；

通过所述多线激光雷达监测系统预测所述目标车辆的通过车速信息；

通过所述车牌信息，获取所述目标车辆的标准载荷信息、所述目标车辆的标准外形尺寸信息、所述目标车辆的标准车轴信息以及所述目标车辆的标准车辆类型信息。

3.根据权利要求1所述的高速公路动态治超方法，其特征在于，步骤S3中的根据所述车辆影像和所述当前位置信息对所述车辆影像中的所述目标车辆进行定位，并进行图形识别和联网数据匹配，获取所述目标车辆的车辆信息，具体包括：

S31，根据所述当前位置信息确定所述目标车辆在预设坐标系中的位置坐标；

S32，根据所述车辆影像对所述车辆影像进行所述预设坐标系的转换，根据所述位置坐标对所述车辆影像中的所述目标车辆进行定位；

S33，采用深度学习算法，对定位出的所述车辆影像中的所述目标车辆进行学习识别，获取所述目标车辆的车辆信息。

4.根据权利要求3所述的高速公路动态治超方法，其特征在于，

步骤S32具体包括：

根据所述车辆影像对所述车辆影像进行所述预设坐标系的转换，采用深度学习算法，对所述车辆影像中的车辆进行识别，获取所述车辆影像中的与所述位置坐标对应的车辆的相机影像外形尺寸信息；

判断所述车辆的相机影像外形尺寸信息与步骤S2中的所述当前外形尺寸信息是否一致；

若所述车辆的相机影像外形尺寸信息与步骤S2中的所述当前外形尺寸信息一致，对所述车辆影像中的所述目标车辆进行定位；若所述车辆的相机影像外形尺寸信息与步骤S2中的所述当前外形尺寸信息不一致，重复步骤S2至31直至所述车辆的相机影像外形尺寸信息与步骤S2中的所述当前外形尺寸信息一致。

5.根据权利要求1所述的高速公路动态治超方法，其特征在于，

步骤S1包括：

在动态称重系统触被触发称量时，响应动态称重系统线圈的传感信号，获取所述动态称重系统线圈与当前道路的车道对应关系进而获取所述目标车辆的当前目标车道信息；将所述当前目标车道信息以及所述感应信号发送至所述多线激光雷达监测系统与相机模块。

6.根据权利要求5所述的高速公路动态治超方法，其特征在于，

在步骤S3之后，步骤S4之前还包括：

获取所述车辆影像中的具有所述目标车辆的相机影像，判断所述相机影像中所述目标车辆所处的相机车道与所述目标车辆的当前目标车道信息是否一致，

在所述目标车辆所处的相机车道与所述目标车辆的当前目标车道信息一致时进入步骤S4；在所述目标车辆所处的相机车道与所述目标车辆的当前目标车道信息不一致时重复步骤S2和S3直至所述目标车辆所处的相机车道与所述目标车辆的当前目标车道信息一致。

7.根据权利要求1所述的高速公路动态治超方法，其特征在于，

利用所述多线激光雷达监测系统基于无损卡尔曼滤波方式和所述目标车辆的所述标准外形尺寸信息对所述目标车辆进行跟踪得到目标车辆的通过车速信息。

8.根据权利要求1所述的高速公路动态治超方法，其特征在于，将违法目标车辆的违法信息在目标车辆前方的可视界面上播放。

9.一种高速公路动态治超方法的计算机设备，包括存储器、处理器以及存储在所述存储器中并可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至8任一项所述的高速公路动态治超方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，

所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的高速公路动态治超方法的步骤。

Images