CN113869196A - 一种基于激光点云数据多特征分析的车型分类方法及装置 - Google Patents

Abstract

本发明属于交通运输及云计算领域，特别涉及一种基于激光点云数据多特征分析的车型分类方法及装置。本发明采用双激光器，分别垂直于路面以及与路面成一定角度设置，以采集经过车辆的点云数据信息，来获取车辆数据；基于点云数据获取车辆的长宽高等基础特征信息，以及车辆的宽度整齐性、玻璃特征、弧形特征等深层次特征信息，通过神经网络模型及车辆的三维信息构建模型进行数据分析，确定车型分类；对车型、车流量、车速等数据进行统计并上传；最后通过终端显示单元进行分析及获取数据的显示。本发明的运用可以有效解决传统交通情况调查设备的检测精度低、施工复杂、寿命低、功能单一以及提高交通管理运输的效率等问题。

Description

一种基于激光点云数据多特征分析的车型分类方法及装置

技术领域

本发明属于交通运输及云计算领域，特别涉及一种基于激光点云数据多特征分析的车型分类方法及装置。

背景技术

至2020年底，全国公路总里程519.81万公里，全国四级及以上等级公路里程494.45万公，公路总里程比重为95.1％，高速公路里程16.10万公里，四通八达的公路为国民经济的发展提供了良好的条件，对于管理者则亟需了解道路运行状况，准确掌握如车流量、平均车速、车型等的道路运行信息，以便于及时把握实时状况，提高道路服务水平和维护水平。

目前公路交通情况调查设备检测方式多数采用线圈、压电、微波、超声波、视频等。其中，线圈检测方式是在公路下方铺设线圈，通过线圈中的电流变化来检测车辆，这种检测方式只能检测车辆数量等有限信息，并且使用寿命较短，施工需要破坏路面，安装不便。压电称重检测方式采用压电膜、线圈组合的布局方式，具有成本低、车型分类精度高、不受气候影响等优势，缺点依然是破坏路面。超声波、微波检测方式利用反射回波原理，属于非接触式检测，不需破坏路面，而且使用寿命长，架设方便，其不足之处在于检测范围呈锥形，当有车辆遮挡和行人时反射信号不稳定，同时其精度也易受环境如大风、暴雨等自然条件的影响，容易造成误检。视频检测方式通过对视频图像的分析处理提取出车辆信息，目前这种技术还很不成熟，特别是在夜晚以及其他环境干扰的情况下，检测能力较低。

在现有技术中，作为可见光等受制于环境的检测方法的代替品，激光雷达具备着以下几个特点：全天候工作，主动获取数据；隐蔽性好，抗有源干扰能力强，且获取数据范围广；激光穿透能力强；外业工作量小；点云精度高，空间坐标信息准确。所以，激光雷达获取的点云数据，往往也适用资源勘探、城市规划、农业开发、水利工程、环境监测、矿山测量、隧道测量、公路道路测量、电缆监测、海洋深水测量等各个方面。

然而往往在现实中，面对大量的测量实施的需求，很多场合下如何实现无人化运作是亟待解决的问题。尤其是面对全国大体量的公路道路以及每日实时大体量的交通运输的环境下，能够实现无人运作的操作平台的基础上实现准确高效地把握车流量、车速、车型等信息，是目前交通运输管理中亟待解决的技术问题。

发明内容

为准确高效地把握车流量、车速、车型等信息，本发明提供了一种基于激光点云数据多特征分析的车型分类方法及装置，本发明的运用可以有效解决传统交通情况调查设备的检测精度低、施工复杂、寿命低以及提高交通管理运输的效率等问题。

本发明请求保护以下技术方案：

本发明采用双激光器，分别垂直于路面以及与路面成一定角度设置，以采集经过车辆的点云数据信息。基于点云数据获取车辆的长宽高等基础特征信息，以及车辆的宽度整齐性、玻璃特征、弧形特征等深层次特征信息。基于这些特征信息，通过数据网络模型的计算，车型分类。并且，对车型、车流量、车速等数据进行统计并上传。

本发明通过提供一种基于激光点云数据多特征分析的车型分类方法，其特征在于，包括以下步骤：

获取车辆数据，利用一个激光器获取所经过的车辆的多个车辆特征值信息的点云数据；利用另一个激光采集器获取所经过的车辆的车速、经过车辆间距的数据；利用高清摄像机获取实时拍摄的视频，用于给工作人员一个辅助验证的实时观看的工具；

数据分析，通过检测工控机将获取的所述多个车辆特征值信息的点云数据，构建车辆的三维信息模型，计算车速、车流量、车头时距和车头间距等参数，并通过神经网络分析，判断车辆类型；其中，所述神经网络进行分析包括：利用根据国家车型标准预先设定的多个车辆特征值的车型分类体系，将所述多个车辆特征值信息通过神经网络模型进行分类，得出置信度，并设定阈值进行判断，从而可区分车型；

数据统计及上传，将所述数据分析结果，所述另一个激光器获取的车速和车辆间距进项统计以及将获取的所述实时拍摄的视频进项统计并上传至服务器；

数据显示，通过终端显示单元的显示界面，可以调用服务器将所述数据分析结果及获取数据进行显示；还可以通过调用服务器显示所述实时拍摄的视频，以用于验证检测结果。

进一步的，所述点云数据获取过程是：通过激光器发射出一束激光，激光光束遇到物体后，经过漫反射，返回至激光接收器，雷达模块根据发送和接收信号的时间间隔乘以光速，再除以2，即可计算出发射器与物体的距离，并能获取点云数据。

进一步的，所述多个车辆特征值信息，包括车辆的长宽高等基础特征信息，以及车辆的宽度整齐性、玻璃特征、弧形特征等深层次特征信息。

进一步的，所述多个车辆特征值是包括15个车辆特征值，其中所述基础特征包括车长、车宽、车高；所述深层次特征包括高度跳变次数、宽度整齐性、弧形特征、玻璃特征、是否黑色材质、底盘高度、空洞特征、车尾高度、箱体型车尾、车轴数、车头高度变化率、车头高度。

进一步的，所述神经网络模型，包括由多个车辆特征值构成的多个输入结点，通过多个隐藏层结点，最终可区分多个车型。

进一步的，所述车辆的三维信息构建模型是：

对两个激光器建立坐标系，其中以安装激光传感器的立杆的底端为原点，与车辆行驶方向垂直的方向为x轴，沿立杆方向向上为y轴正方向建立坐标系；这里假设路面是水平的，且认为在路面上的点y＝0恒成立时，则激光扫描到路面上时，若此时没有车辆经过，激光扫描到地上，则y＝0；激光头在一个扫描周期内得到的离散的点再同一个平面上，且该平面与xOy面平行，称该平面为截面；当有车辆行驶时，激光头的一个旋转周期在车上形成的截面与静止时的截面成一角度；当激光器频率为50Hz时，激光头的旋转周期

由于周期极短，可假设该截面与xOy面平行；

当激光头扫描的同一个截面的高度数据始终为0时，即

n为一个周期内得到的点数，即可认为激光的反射点始终位于路面；当出现Y≠0的截面时，即对截面进行计数，再次出现Y＝0的截面即停止计数，则可获得行进车辆的截面数m；

在任意t时刻，激光头旋转的角度为θ＝θ₀+Δθ*t，Δθ为激光器旋转的步进角度，θ₀为激光头开始旋转的初始角度，设某个截面上第一个扫描到车辆上的点对应的距离为l₁，最后一个扫描到车辆上的点对应的距离为l₂，再此过程中激光器旋转角度为θ_k，则车辆宽度为

对于垂直放置的激光器，激光头对某一行进车辆共扫描了m个截面，单个截面上数据点的个数为p_n，故对每一辆车的数据点可构成m×p_n矩阵，即为

根据每一个l_ij，则车辆高度为

h_ij＝{H-l_ij cosθ_j},i＝1,2,…,m；j＝1,2,…,p_n (2)

其中，H为激光器架设高度，θ_j为某一时刻激光头与中轴线夹角；

假设两激光器第一次扫到同一辆车的时间分别为t₁、t₂，两激光器间角度为α，激光器架设高度为H，激光器扫描频率为f，则车辆经过两激光器距离为d_1j＝{l_1jcosθ_jtanα},j＝1,2,…,p_n，取其距离为

则车辆速度为

假设车辆以该速度匀速行驶，由此可得车长为

由此即实现了车辆的三维信息构建，后续可根据相关参数计算出车流量、车头时距、车头间距等信息。

进一步的，所述数据分析过程是指，通过检测工控机将获取的所述15个车辆特征值信息利用神经网络进行分析，判断车辆类型，同时计算车速、车流量、车头时距和车头间距等参数；其中，所述神经网络进行分析包括：利用根据国家车型标准预先设定的15车辆特征值的车型分类体系，将所述15个车辆特征值信息通过神经网络模型进行分类，对预测结果的置信度进行判断；

所述神经网络模型，包括由15个车辆特征值构成的15个输入结点，通过5个隐藏层结点，最终可区分小客车、大客车、小型货车、中型货车、大型货车和特大型货车这六个车型。

进一步的，所述一个激光器垂直于地面安装，以检测经过车辆的宽度、高度及长度等多个车辆特征值信息；所述另一个激光器与地面成一定角度设置，用于检测经过车辆的速度和经过车辆间的间隔；所述两个激光器安装有激光头，所述激光头以一定频率旋转，激光线与道路方向垂直，并根据实际路况指定角度范围和步进角度，设置激光传感器的控制参数，以便可推算出物体与激光传感器的距离、推算出通行车辆行驶平均速度。

本发明还通过提供一种基于激光点云数据多特征分析的车型分类的装置，其特征在于，包括激光器、高清摄像机、工控机、服务器、终端显示单元；所述激光器获取目标的点云数据之后，通过点云数据来检测目标车辆的车辆特征信息数据以及速度和车辆间距等；所述工控机负责基于神经网络的车型分析，以及计算车速、车流量、车头时距和车头间距等参数；所述服务器用作数据存储；所述高清摄像机用于实时视频拍摄，用于检测结果验证；所述终端显示单元提供实时检测结果的显示。

进一步的，所述采用的激光器，包括两个激光器；所述一个激光器垂直于地面安装，以检测经过车辆的宽度、高度及长度等多个车辆特征值信息；所述另一个激光器与地面成一定角度设置，用于检测经过车辆的速度和经过车辆间的间隔；所述两个激光器上安装有激光头，所述激光头以一定频率旋转，激光线与道路方向垂直，并根据实际路况指定角度范围和步进角度，设置激光传感器的控制参数，以便可推算出物体与激光传感器的距离、推算出通行车辆行驶平均速度。

与现有技术对比，采用本发明具有以下技术效果：

1、先进性

本发明采用的技术和理念都是行业领先的。现有的几种公路交通情况调查设备都存在不足之处，包括精度低、损坏路面、操作不便等等，且需要耗费大量的人力成本。而本发明所运用的激光点云数据获取技术，以及人工智能多特征车型分类技术可以有效地解决上述传统检测方法地不足之处，同时，使用寿命长，安装操作简便。

2、激光雷达技术与人工智能技术相结合

本发明将激光雷达获取地车辆长宽高等特征信息，通过基于人工智能技术的神经网络进行智能分析，得出车型。车型识别受环境干扰小，识别准确，误报率低，并且能在传统检测设备的基础上，赋予如车速、车头间距，时间占有率等数据的计算与输出。

3、稳定性

本发明中所述方法是一个系统牵涉面多、运行环境恶劣、长时间不间断运行的复杂系统。系统设计时要统筹考虑所用设备和控制系统，符合当前技术和运营管理部门的工作发展方向，同时系统选用成熟的技术，减少系统的技术风险。

本发明可以准确计算公路行驶的车流量、车速、平均车速，便于交通管理部门及时安排公路服务，可以准确分析车型分类信息，便于交通管理部门统计车辆行驶状况和安排道路维护工作，总体上是一种精确测量和分析交通流的交通调查产品将为国家智慧交通的推进发挥重要作用。

本发明识别精准且高效、检测精度高、施工简易，受环境影响因素低，且工作寿命长。大大提高了道路车辆车型识别和车流量统计的工作的效率，节省了大量的劳动力成本。

附图说明

图1.本发明提供的一种基于激光点云数据多特征分析的车型分类方法的流程图。

图2.本发明提供的一种基于激光点云数据多特征分析的车型分类装置的整体架构图。

图3.本发明提供的一种激光器的原理图。

图4.本发明提供的一种基于激光点云数据多特征分析的车型分类方法中的2个激光器的架设图。

图5.本发明提供的一种基于激光点云数据多特征分析的车型分类方法的车辆点云数据示例图1。

图6.本发明提供的一种基于激光点云数据多特征分析的车型分类方法的车辆点云数据示例图2。

图7.本发明提供的一种基于激光点云数据多特征分析的车型分类方法的激光器工作示意图。其中，两种激光器的工作方式是相同的。

图8.本发明提供的一种基于激光点云数据多特征分析的车型分类方法中的基于激光器建立的坐标系示意图。

图9.本发明提供的一种基于激光点云数据多特征分析的车型分类方法中的激光头扫过的理想截面示意图。

图10.本发明提供的一种基于激光点云数据多特征分析的车型分类方法中的激光头扫过的真实截面示意图。

图11.本发明提供的另一种基于激光点云数据多特征分析的车型分类方法中的基于15个特征值的车辆分类体系图。

图12.本发明提供的另一种基于激光点云数据多特征分析的车型分类方法中车型分类的神经网络模型。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆益不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统，产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为使本发明技术方案的优点更加清楚，下面结合附图和实施例对本发明做详细说明。

图1是本发明提供的一种基于激光点云数据多特征分析的车型分类方法的流程图。

图2是本发明提供的一种基于激光点云数据多特征分析的车型分类装置的整体架构图。下表列举了激光器的技术指标。

表1.激光器的技术指标

扫描距离	最大至20m
		扫描频率	50hz
扫描角度	0-150°
		角分辨率	0.5°
扫描角度	270°

如图2所示，本发明由两个激光器、检测工控机、服务器、高清摄像机和终端显示单元这几个设备组成。激光器获取目标经过车辆的点云数据之后，通过点云数据来检测目标的尺寸和数据，一个激光器检测经过车辆的速度和经过车辆间的间隔，另一个激光器检测经过车辆的宽度、高度及长度。工控机负责基于神经网络的车型分析，以及计算车速、车流量、车头时距和车头间距等参数。服务器用作数据存储。高清摄像机用于实时视频拍摄，用于检测结果验证。终端显示单元提供实时检测结果的显示。

本次实施中，两个激光器来自厂家德国西克SICK，具体型号为LMS111。检测工控机主要配置为：12核i7-8700CPU@3.20GHz，32G内存，1TB硬盘。服务器支持千兆网口，高清摄像机像素大于200万。本发明不限于上述实施例中所包括的装置的配置，实际上应当包括本领域可实施的其他同类型的装置的配置。

在本实施例中，所述激光器组件是采用两个激光器，包括激光器1与激光器2；所述激光器1垂直于地面安装，以检测经过车辆的宽度、高度及长度等多个车辆特征值信息；所述激光器2与地面成一定角度设置，用于检测经过车辆的速度和经过车辆间的间隔；所述激光器1、2上安装有激光头，所述激光头以一定频率旋转，激光线与道路方向垂直，并根据实际路况指定角度范围和步进角度，设置激光传感器的控制参数，以便可推算出物体与激光传感器的距离、推算出通行车辆行驶平均速度。

如图1所示，在本实施例中设备在处于运行中，当有车经过时，获取车辆数据，利用激光器1获取所经过的车辆的多个车辆特征值信息的点云数据；利用激光采集器2获取所经过的车辆的车速、经过车辆间距的点云数据；利用高清摄像机获取实时拍摄的视频。

获取的车辆数据进行数据分析，通过检测工控机将获取的所述多个车辆特征值信息利用神经网络进行分析，判断车辆类型，同时利用车辆的三维信息构建模型来计算车速、车流量、车头时距和车头间距等参数；其中，所述神经网络进行分析包括：利用根据国家车型标准预先设定的多个车辆特征值的车型分类体系，将所述多个车辆特征值信息通过神经网络模型进行分类，对预测结果的置信度进行判断，从而可区分车型。

将分析及获取的数据统计及上传，将所述数据分析结果，所述激光器2获取的车速和车辆间距进项统计以及将获取的所述实时拍摄的视频进项统计并上传至服务器。

最后进行数据显示，通过终端显示单元的显示界面，可以调用服务器将所述数据分析结果及获取数据进行显示；还可以通过调用服务器显示所述实时拍摄的视频，以用于验证检测结果。激光器的工作原理如图3所示，激光器发射出一束激光，激光光束遇到物体后，经过漫反射，返回至激光接收器，雷达模块根据发送和接收信号的时间间隔乘以光速，再除以2，即可计算出发射器与物体的距离，并能获取点云数据。

在本发明中，所述多个车辆特征值信息，包括车辆的长宽高等基础特征信息，以及车辆的宽度整齐性、玻璃特征、弧形特征等深层次特征信息。

所述神经网络模型，包括由多个车辆特征值构成的15个输入结点，和5个隐藏层结点，这些结点是基于激光雷达所获取的信息，并经过神经网络计算，最终可区分多个车型。通过人工训练算法模型，设定阈值，由神经网络推测出置信度，高于这个阈值则可判定为该车型，15个特征输入结点和5个隐藏层输入结点可以确保识别的车型的精度，减少误报率。

神经网络模型得到的置信度高于这个阈值就输出，作为开源的神经网络的一部分，阈值都是在0-1之间的，然后不同的模型可能阈值就设得不同，因此本发明主要适用的模型为车辆的模型。

当然实际上，由于这些结点代表着车辆的具体特征，结点个数越多，车辆特征识别越精细，神经网络判断车型越准确，对于车型的误报也会越少。因此，本发明不限于通过15个输入层结点和5个隐藏层结点，对6种车型进行分类。本发明包括本领域技术人员理解的可实施的多个结点。

在本发明中的车型分类依据，主要依靠车长、车高、车轴数进行区分。下列表格列举了各车型的分类特征值。

表2.各车型的分类特征值

本发明提供的一个实施列中，所述多个车辆特征值是包括15个车辆特征值，其中所述基础特征包括车长、车宽、车高；所述深层次特征包括高度跳变次数、宽度整齐性、弧形特征、玻璃特征、是否黑色材质、底盘高度、空洞特征、车尾高度、箱体型车尾、车轴数、车头高度变化率、车头高度。

图3是本发明提供的一种激光器的原理图。

图4是本发明提供的一种基于激光点云数据多特征分析的车型分类方法中的两个激光器的架设图。

激光器的工作原理如图3所示，激光器发射出一束激光，激光光束遇到物体后，经过漫反射，返回至激光接收器，雷达模块根据发送和接收信号的时间间隔乘以光速，再除以2，即可计算出发射器与物体的距离，并能获取点云数据。

如图4所示的具体架设方式，本发明采用两个激光器获取点云数据，采集车辆信息，一个激光器与地面成一定角度设置，用于检测经过车辆的速度和经过车辆间的间隔，图中红色区域为该激光器的数据采集范围。另一个激光器垂直于地面安装，以检测经过车辆的宽度、高度及长度等点云数据信息，图中黄色区域为该激光器的数据采集范围。

图5是本发明提供的一种基于激光点云数据多特征分析的车型分类方法的车辆点云数据示例图1。

图6是本发明提供的一种基于激光点云数据多特征分析的车型分类方法的车辆点云数据示例图2。

如图5所示点云数据获取示例1，如图6所示点云数据获取示例2，并将采集到的车辆长宽高信息通过神经网络的进行分析，根据国家标准判断车辆类型，同时计算车速、车流量、车头时距和车头间距等参数。

图7是本发明提供的一种基于激光点云数据多特征分析的车型分类方法的激光器工作示意图。

如图7所示，安装在激光传感器上的激光头以一定频率旋转，激光线与道路方向垂直。设置激光传感器的控制参数，根据实际路况指定角度范围和步进角度，由激光照射到道路车辆表面会漫反射的原理，通过激光器发射出的激光与接收的激光的时间差，可推算出物体与激光传感器的距离。利用道路车辆通过两个激光器在道路上形成的光幕时间差与两条光幕的实际距离可以推算出通行过这两条光幕的道路车辆行驶平均速度。

图8是本发明提供的一种基于激光点云数据多特征分析的车型分类方法中的基于激光器建立的坐标系示意图。

图9是本发明提供的一种基于激光点云数据多特征分析的车型分类方法中的激光头扫过的理想截面示意图。

图10是本发明提供的一种基于激光点云数据多特征分析的车型分类方法中的激光头扫过的真实截面示意图。

如图8所示，在本发明中，对两个激光器建立坐标系，其中以安装激光传感器的立杆的底端为原点，与车辆行驶方向垂直的方向为x轴，沿立杆方向向上为y轴正方向建立坐标系。

如果认为路面是水平的，且认为在路面上的点y＝0恒成立时，则激光扫描到路面上时，若此时没有车辆经过，激光扫描到地上，则y＝0。激光头在一个扫描周期内得到的离散的点再同一个平面上，且该平面与xOy面平行，称该平面为截面。当有车辆行驶时，激光头的一个旋转周期在车上形成的截面与静止时的截面成一角度。当激光器频率为50Hz时，激光头的旋转周期

由于周期极短，可假设该截面与xOy面平行，激光头扫过截面示意图中理想情况下的截面图如图9所示，真实情况下的截面图如图10，所示箭头方向为车辆行进方向。

当激光头扫描的同一个截面的高度数据始终为0时，即

n为一个周期内得到的点数，即可认为激光的反射点始终位于路面；当出现Y≠0的截面时，即对截面进行计数，再次出现Y＝0的截面即停止计数，则可获得行进车辆的截面数m。

在任意t时刻，激光头旋转的角度为θ＝θ₀+Δθ*t，Δθ为激光器旋转的步进角度，θ₀为激光头开始旋转的初始角度，设某个截面上第一个扫描到车辆上的点对应的距离为l₁，最后一个扫描到车辆上的点对应的距离为l₂，再此过程中激光器旋转角度为θ_k，则车辆宽度为

对于垂直放置的激光器，激光头对某一行进车辆共扫描了m个截面，单个截面上数据点的个数为p_n，故对每一辆车的数据点可构成m×p_n矩阵，即为

根据每一个l_ij，则车辆高度为

h_ij＝{H-l_ij cosθ_j},i＝1,2,…,m；j＝1,2,…,p_n (2)

其中，H为激光器架设高度，θ_j为某一时刻激光头与中轴线夹角。

假设两激光器第一次扫到同一辆车的时间分别为t₁、t₂，两激光器间角度为α，激光器架设高度为H，激光器扫描频率为f，则车辆经过两激光器距离为d_1j＝{l_1j cosθ_j tanα},j＝1,2,…,p_n，取其距离为

则车辆速度为

假设车辆以该速度匀速行驶，由此可得车长为

由此即实现了车辆的三维信息构建，后续可根据相关参数计算出车流量、车头时距、车头间距等信息。

图11是本发明提供的另一种基于激光点云数据多特征分析的车型分类方法中的基于15个特征值的车辆分类体系图。

图12是本发明提供的另一种基于激光点云数据多特征分析的车型分类方法中车型分类的神经网络模型。

如图11本发明提供的另一种基于激光点云数据多特征分析的车型分类方法中的基于15个特征值的车辆分类体系图所示，在通过点云数据获取到经过车辆的长宽高等信息之后，本发明根据国家车型标准，设定了包含15个车辆特征值的车型分类体系。将这些数据通过神经网络模型进行分类，对预测结果的置信度进行判断。如图12本发明提供的另一种基于激光点云数据多特征分析的车型分类方法中车型分类的神经网络模型所示，神经网络模型，其基础特征和深层次特征构成15个特征输入结点，通过5个隐藏层结点，最终可区分小客车、大客车、小型货车、中型货车、大型货车和特大型货车这六个车型。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于激光点云数据多特征分析的车型分类方法，其特征在于，包括以下步骤：

获取车辆数据，利用一个激光器获取所经过的车辆的多个车辆特征值信息的点云数据；利用另一个激光采集器获取所经过的车辆的车速、经过车辆间距的数据；利用高清摄像机获取实时拍摄的视频，用于给工作人员一个辅助验证的实时观看的工具；

数据分析，通过检测工控机将获取的所述多个车辆特征值信息的点云数据，构建车辆的三维信息模型，计算车速、车流量、车头时距和车头间距等参数，并通过神经网络分析，判断车辆类型；其中，所述神经网络进行分析包括：利用根据国家车型标准预先设定的多个车辆特征值的车型分类体系，将所述多个车辆特征值信息通过神经网络模型进行分类，得出置信度，并设定阈值进行判断，从而可区分车型；

数据统计及上传，将所述数据分析结果，所述另一个激光器获取的车速和车辆间距进项统计以及将获取的所述实时拍摄的视频进项统计并上传至服务器；

数据显示，通过终端显示单元的显示界面，可以调用服务器将所述数据分析结果及获取数据进行显示；还可以通过调用服务器显示所述实时拍摄的视频，以用于验证检测结果。

2.根据权利要求1所述的车型分类方法，其特征还在于，所述点云数据获取过程是：通过激光器发射出一束激光，激光光束遇到物体后，经过漫反射，返回至激光接收器，雷达模块根据发送和接收信号的时间间隔乘以光速，再除以2，即可计算出发射器与物体的距离，并能获取点云数据。

3.根据权利要求1或2所述的车型分类方法，其特征还在于，

所述多个车辆特征值信息，包括车辆的长宽高等基础特征信息，以及车辆的宽度整齐性、玻璃特征、弧形特征等深层次特征信息。

4.根据权利要求1-3任一项所述的车型分类方法，其特征还在于，所述多个车辆特征值是包括15个车辆特征值，其中所述基础特征包括车长、车宽、车高；所述深层次特征包括高度跳变次数、宽度整齐性、弧形特征、玻璃特征、是否黑色材质、底盘高度、空洞特征、车尾高度、箱体型车尾、车轴数、车头高度变化率、车头高度。

5.根据权利要求1或4所述的车型分类方法，其特征还在于，

所述神经网络模型，包括由多个车辆特征值构成的多个输入结点，通过多个隐藏层结点，最终可区分多个车型。

6.根据权利要求1所述的车型分类方法，其特征还在于，所述车辆的三维信息构建模型是：

对两个激光器建立坐标系，其中以安装激光传感器的立杆的底端为原点，与车辆行驶方向垂直的方向为x轴，沿立杆方向向上为y轴正方向建立坐标系；这里假设路面是水平的，且认为在路面上的点y＝0恒成立时，则激光扫描到路面上时，若此时没有车辆经过，激光扫描到地上，则y＝0；激光头在一个扫描周期内得到的离散的点再同一个平面上，且该平面与xOy面平行，称该平面为截面；当有车辆行驶时，激光头的一个旋转周期在车上形成的截面与静止时的截面成一角度；当激光器频率为50Hz时，激光头的旋转周期

由于周期极短，可假设该截面与xOy面平行；

当激光头扫描的同一个截面的高度数据始终为0时，即

n为一个周期内得到的点数，即可认为激光的反射点始终位于路面；当出现Y≠0的截面时，即对截面进行计数，再次出现Y＝0的截面即停止计数，则可获得行进车辆的截面数m；

在任意t时刻，激光头旋转的角度为θ＝θ₀+Δθ*t，Δθ为激光器旋转的步进角度，θ₀为激光头开始旋转的初始角度，设某个截面上第一个扫描到车辆上的点对应的距离为l₁，最后一个扫描到车辆上的点对应的距离为l₂，再此过程中激光器旋转角度为θ_k，则车辆宽度为

对于垂直放置的激光器，激光头对某一行进车辆共扫描了m个截面，单个截面上数据点的个数为p_n，故对每一辆车的数据点可构成m×p_n矩阵，即为

根据每一个l_ij，则车辆高度为

h_ij＝{H-l_ijcosθ_j},i＝1,2,…,m；j＝1,2,…,p_n (2)

其中，H为激光器架设高度，θ_j为某一时刻激光头与中轴线夹角；

假设两激光器第一次扫到同一辆车的时间分别为t₁、t₂，两激光器间角度为α，激光器架设高度为H，激光器扫描频率为f，则车辆经过两激光器距离为d_1j＝{l_1jcosθ_jtanα},j＝1,2,…,p_n，取其距离为

则车辆速度为

假设车辆以该速度匀速行驶，由此可得车长为

由此即实现了车辆的三维信息构建，后续可根据相关参数计算出车流量、车头时距、车头间距等信息。

7.根据权利要求1或5所述的车型分类方法，其特征还在于，

所述数据分析过程是指，通过检测工控机将获取的所述15个车辆特征值信息利用神经网络进行分析，判断车辆类型，同时计算车速、车流量、车头时距和车头间距等参数；其中，所述神经网络进行分析包括：利用根据国家车型标准预先设定的15车辆特征值的车型分类体系，将所述15个车辆特征值信息通过神经网络模型进行分类，对预测结果的置信度进行判断；

所述神经网络模型，包括由15个车辆特征值构成的15个输入结点，通过5个隐藏层结点，最终可区分小客车、大客车、小型货车、中型货车、大型货车和特大型货车这六个车型。

8.根据权利要求1所述的车型分类方法，其特征还在于，

所述一个激光器垂直于地面安装，以检测经过车辆的宽度、高度及长度等多个车辆特征值信息；所述另一个激光器与地面成一定角度设置，用于检测经过车辆的速度和经过车辆间的间隔；所述两个激光器安装有激光头，所述激光头以一定频率旋转，激光线与道路方向垂直，并根据实际路况指定角度范围和步进角度，设置激光传感器的控制参数，以便可推算出物体与激光传感器的距离、推算出通行车辆行驶平均速度。

9.一种基于激光点云数据多特征分析的车型分类的装置，其特征在于，包括激光器、高清摄像机、工控机、服务器、终端显示单元；所述激光器获取目标的点云数据之后，通过点云数据来检测目标车辆的车辆特征信息数据以及速度和车辆间距等；所述工控机负责基于神经网络的车型分析，以及计算车速、车流量、车头时距和车头间距等参数；所述服务器用作数据存储；所述高清摄像机用于实时视频拍摄，用于检测结果验证；所述终端显示单元提供实时检测结果的显示。

10.根据权利要求9所述的车型分类的装置，其特征还在于，所述一个激光器垂直于地面安装，以检测经过车辆的宽度、高度及长度等多个车辆特征值信息；所述另一个激光器与地面成一定角度设置，用于检测经过车辆的速度和经过车辆间的间隔；所述两个激光器上安装有激光头，所述激光头以一定频率旋转，激光线与道路方向垂直，并根据实际路况指定角度范围和步进角度，设置激光传感器的控制参数，以便可推算出物体与激光传感器的距离、推算出通行车辆行驶平均速度。

Images