CN114624726A - 轮轴识别系统和轮轴识别方法 - Google Patents

Abstract

本公开涉及轮轴识别系统和轮轴识别方法，该系统包括龙门架；单个龙门架横跨公路道路，不同的龙门架沿公路道路的延伸方向依次设置；三维激光雷达，分布吊装于龙门架上；每个三维激光雷达的扫描区域覆盖功率道路的至少两个车道；控制柜，与三维激光雷达通讯连接；控制柜用于基于三维激光雷达的扫描数据识别车辆轮轴。本公开提供的技术方案，采用三维激光雷达结合多龙门架联合采集并处理的方式识别轮轴，能够基于不同三维激光雷达之间的扫描数据进行数据拼接，并实现对车辆轮轴的识别，其识别率高，且安装简单，无需破坏路面，安装成本和维护成本较低。

Description

轮轴识别系统和轮轴识别方法

技术领域

本公开涉及智能交通技术领域，尤其涉及一种轮轴识别系统和轮轴识别方法。

背景技术

高速公路是国家重要的基础性、先导性、战略性、服务性基础设施，是交通运输先进生产力的代表。随着科技的发展，高速公路有效的集成运用了先进的信息技术、数据通信传输技术、电子传感技术、控制技术及计算机技术等，以实现智能交通。具体地，围绕着高速公路的“建管养运”的理念，智能交通技术应运而生；其可包括一系列的车辆检测系统、道路检测系统、车辆数据统计分析系统、环境气象检测系统、车辆通行视频监控系统、隧道安全检测系统、智能收费系统、车路协同的应用和推广等。

近年来，随着高速管理政策以及相关文件的不断更新换代，ETC被逐渐推广、省界收费站被破冰取消、车辆入口治超顺利实施、车型分类标准更新并顺利实施，由此都加大了对高速公路安全运营的要求；对应的，对于车辆检测和监管的智能化系统逐渐被广泛应用。

其中，可基于对车辆轮轴的识别实现对车辆的识别。相关技术中，轮轴识别系统可包括接触式压电技术轮轴识别系统、非接触式图形处理技术轮轴识别系统、非接触式毫米波厘米波等轮轴识别系统以及非接触式二维激光雷达轮轴识别系统。其中，接触式压电技术轮轴识别系统可包括压电线圈及称重结构；但其需要破坏路面，且需要另加分车设备，导致维护成本高，且悬浮轴不能识别，识别率较差。其中，非接触式图形处理技术轮轴识别系统可包括视频一体机、多方位相机等结构，其识别正确率受光线和环境影响较大，需要处理的数据量大，处理速度较慢，不能满足实时检测的需求。其中，非接触式毫米波厘米波等轮轴识别系统基于毫米波或厘米波实现检测，其衰减快、分辨率差、识别率低、很难实现对车辆的标示识别且不能实现车辆的拼接。其中，非接触式二维激光雷达轮轴识别系统基于二维激光雷达实现检测，但其易遮挡、很难实现车辆标示识别且很难实现车辆拼接，识别准确率较差。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种轮轴识别系统和轮轴识别方法。

本公开提供了一种轮轴识别系统，该系统包括：

龙门架；单个所述龙门架横跨公路道路，不同的所述龙门架沿公路道路的延伸方向依次设置；

三维激光雷达，分布吊装于所述龙门架上；每个所述三维激光雷达的扫描区域覆盖功率道路的至少两个车道；

控制柜，与所述三维激光雷达通讯连接；所述控制柜用于基于所述三维激光雷达的扫描数据识别车辆轮轴。

可选地，所述龙门架的数量为至少3个。

可选地，沿公路道路的延伸方向，相邻的两个所述龙门架之间的距离L满足：

500m≤L≤1000m。

可选地，所述三维激光雷达的探测波长包括905nm。

本公开还提供了一种基于上述任一种系统的轮轴识别方法，所述方法由所述控制柜执行；所述方法包括：

获取各龙门架上吊装的三维激光雷达的扫描数据；

基于所述扫描数据，识别车辆轮轴。

可选地，所述基于所述扫描数据，识别车辆轮轴，包括：

基于所述扫描数据，判断单个龙门架对应的独立三维激光雷达的扫描数据是否包括完整的车辆数据；

若存在单个龙门架对应的独立三维激光雷达的扫描数据包括完整的车辆数据，则基于该单个龙门架对应的独立三维激光雷达的扫描数据识别车辆轮轴；

若所有龙门架对应的独立三维激光雷达的扫描数据均不包括完整的车辆数据，则基于所有龙门架对应的独立三维激光雷达的扫描数据进行数据拼接；

基于拼接后的扫描数据，识别车辆特征，以及识别车辆轮轴。

可选地，所述方法还包括：

针对单个三维激光雷达，建立空间三维坐标系；其中，以平行于车道的方向为第一轴，且车辆行进的方向为第一轴的正方向；以横截车道的方向为第二轴，且三维激光雷达扫描的方向为第二轴的正方向；以垂直于车道地面的方向为第三轴，且垂直向上的方向为第三轴的正方向；第一轴、第二轴及第三轴两两垂直，且以三维激光雷达在车道地面上的垂直投影为坐标原点；

其中，所述基于所述扫描数据，判断单个龙门架对应的独立三维激光雷达的扫描数据是否包括完整的车辆数据，包括：

基于单个三维激光雷达的扫描数据，确定数据状态；所述数据状态包括无车数据状态、车头处数据状态、车身处数据状态、车尾处数据状态和遮挡间断数据状态；

基于一连续时间内的所述数据状态，判断单个龙门架对应的独立三维激光雷达的扫描数据是否包括完整的车辆数据。

可选地，所述若存在单个龙门架对应的独立三维激光雷达的扫描数据包括完整的车辆数据，则基于该单个龙门架对应的独立三维激光雷达的扫描数据识别车辆轮轴，包括：

若一连续时间内的所述数据状态满足：无车数据状态、车头处数据状态、车身处数据状态以及车尾处数据状态连续出现，则确定单个龙门架对应的独立三维激光雷达的扫描数据包括完整的车辆数据；

基于该包括完整的车辆数据的单个龙门架对应的独立三维激光雷达的扫描数据识别车辆轮轴。

可选地，所述若所有龙门架对应的独立三维激光雷达的扫描数据均不包括完整的车辆数据，则基于所有龙门架对应的独立三维激光雷达的扫描数据进行数据拼接，包括：

若所有龙门架对应的独立三维激光雷达的扫描数据，均在一连续时间内的所述数据状态中存在遮挡间断数据状态，则确定所有龙门架对应的独立三维激光雷达的扫描数据均不包括完整的车辆数据；

基于包括遮挡间断数据状态的扫描数据进行数据识别，分离出前车数据片段和后车数据片段；

基于前车数据片段的数据特征，判定前车存在的片段数据状态，及基于后车数据片段的数据特征，判定后车存在的片段数据状态；其中，所述前车存在的片段数据状态包括车尾处数据状态和车头处数据状态，所述后车存在的数据状态包括车头处数据状态、车身处数据状态和车尾处数据状态；

基于所述前车存在的片段数据状态和所述后车存在的片段数据状态，确定数据拼接所需的关键参量；

结合所述关键参量，进行针对前车的数据拼接，及进行针对后车的数据拼接；

其中，所述基于拼接后的扫描数据，识别车辆特征，以及识别车辆轮轴，包括：

针对前车或者后车，

基于拼接后得到的车身完整数据，识别车辆特征；所述车辆特征包括车辆底盘高度、底盘曲线、车辆高度、车身侧部曲线以及车辆顶部曲线；

基于所述车辆特征，识别车辆轮轴。

可选地，所述识别车辆轮轴包括：

识别轮轴类型，和/或，统计轮轴数量。

本公开提供的技术方案与现有技术相比具有如下优点：

本公开提供的轮轴识别系统包括龙门架；单个龙门架横跨公路道路，不同的龙门架沿公路道路的延伸方向依次设置；三维激光雷达，分布吊装于龙门架上；每个三维激光雷达的扫描区域覆盖功率道路的至少两个车道；控制柜，与三维激光雷达通讯连接；控制柜用于基于三维激光雷达的扫描数据识别车辆轮轴。由此，采用三维激光雷达结合多龙门架联合采集并处理的方式识别轮轴，能够基于不同三维激光雷达之间的扫描数据进行数据拼接，并实现对车辆轮轴的识别，其识别率高，且安装简单，无需破坏路面，安装成本和维护成本较低。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开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简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本公开实施例提供的一种轮轴识别系统的结构示意图；

图2为本公开实施例提供的另一种轮轴识别系统的结构示意图；

图3为本公开实施例提供的一种轮轴识别方法的流程示意图；

图4为图3示出的方法中，S220的细化流程示意图；

图5为本公开实施例提供的一种无车数据状态的示意图；

图6为本公开实施例提供的一种车头处数据状态的示意图；

图7为本公开实施例提供的一种车身处数据状态的示意图；

图8为本公开实施例提供的一种车尾处数据状态的示意图；

图9为本公开实施例提供的一种遮挡间断数据状态的示意图；

图10为本公开实施例提供的另一种轮轴识别方法的流程示意图；

图11为本公开实施例提供的一种拼接数据段信息结构图；

图12为本公开实施例提供的一种轮轴识别方法中，数据拼接的细化流程示意图；

图13为本公开实施例提供的一种数据分离原理示意图；

图14为本公开实施例提供的一种轮轴识别方法中，数据处理流程示意图；

图15为本公开实施例提供的一种轮轴识别原理示意图；

图16为本公开实施例提供的一种真实轮轴特征构成示意图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。

首先，示例性地说明相关技术中的轮轴识别系统。

相关技术中，接触式压电技术轮轴识别系统可包括动态称重子系统、视频监控和抓拍子系统、信息发布子系统以及交通标志子系统，如此构成轮轴识别系统的前端感知布局；其中，动态称重子系统包括压电式传感器，以在车辆到达该子系统位置处时，对车辆进行称重；视频监控和抓拍子系统用于对道路上的行车情况进行监控和抓拍，信息发布子系统用于对前方路况等信息进行提示，交通标志子系统用于对行车规范等信息进行提示。该系统中，需要在道路的横截面上铺设压电式传感器，且压电式传感器的前后辅助安装分车装置(例如可包括线圈、光栅等结构)；基于此，车辆通过压电传感器后，可识别车辆轴数轴型等信息。该技术方案中，在铺设压电传感器时需要破坏路面，同时，需要分车装置而不能独立实现分车，方案较复杂，安装成本和维护成本较高。

针对此，提出基于非接触式测量的轮轴识别系统，例如基于二维激光雷达实现轮轴识别的系统。该系统中，二维激光雷达可通过固定的安装角度和安装位置来实现对车辆外轮廓信息的获取，后续通过算法处理，可得出车辆具体信息。该识别方式中，二维激光雷达能直接扫描到车辆的轮轴部分，属于直接识别轮轴的方式，相对于视频和压电传感器的技术实现方式来说，该识别方式的识别率较高。该识别方式的缺点在于：车辆在自由流行程状态下，对于并行通过检测区域的车辆，二维激光雷达所扫描到的平面不能完全覆盖被测车辆，并行车辆中至少有一辆车的数据不能完整采集，导致大量应被检测车辆漏检。

示例性地，二维激光雷达可采用侧装的方式或者正装的方式进行固定。通过大量的二维激光雷达布局来实现车辆在车道内的车辆信息的全部检测，通过处理大量的数据来获取车辆信息，由获得到的车辆信息反推车辆轴数轴型，其不能直接获取轴数轴型信息，相对识别率较低。

针对上述问题中的至少一个，本公开实施例提供了一种轮轴识别系统和基于该系统实现的轮轴识别方法，可应用在高速公路车辆信息采集点、公路非现场执法站点、高速公路通行费收取站点、桥梁隧道超限检测站点等等位置处，基于激光多断面联合实现对自由流高速状态下车辆轮轴的识别，以实现对车辆信息的监测。具体地，通过采用龙门架联合吊装三维激光雷达的方式，简化了系统结构，且基于非接触式原理实现；由此解决了接触式压电技术轮轴识别系统中的安装复杂、需要破坏路面、维护成本高以及需要另加分车设备的问题。

同时，通过三维激光雷达多门架(即龙门架)联合安装，多次对正常行驶的自由流车辆信息采集，直接识别车辆轴数轴型；采用多次多段三维雷达数据拼接算法得到车身完整数据，解决在采集数据时存在的并行车辆遮挡问题。由此，采用三维激光雷达多门架联合采集的方式，解决了二维激光雷达方案中并行被测车辆遮挡数据采集不到、不能实现数据拼接、识别率差以及采用大量二维激光雷达布局而导致的成本高的问题。

进一步地，采用905nm波长的三维激光雷达采集车辆数据，抗干扰性强，解决了采用视频图像技术方式中受光线和环境的影响较大的问题，且解决了采用毫米波厘米波技术实现方式中衰减快、测量精度差以及不能实现数据拼接的问题；同时，降低了算法处理的数据量，提高了数据处理速度，有利于满足实时检测的需求。

下面结合附图，对本公开实施例提供的轮轴识别系统和轮轴识别方法进行示例性说明。

在一些实施例中，图1为本公开实施例提供的一种轮轴识别系统的结构示意图，图2为本公开实施例提供的另一种轮轴识别系统的结构示意图。结合图1和图2，该轮轴识别系统10(可简称为“系统10”)可包括：龙门架110、三维激光雷达120和控制柜130；其中，单个龙门架110横跨公路道路，不同的龙门架110沿公路道路的延伸方向100依次设置；三维激光雷达120分布吊装于龙门架110上；每个三维激光雷达120的扫描区域覆盖功率道路的至少两个车道；控制柜130与三维激光雷达120通讯连接；控制柜130用于基于三维激光雷达120的扫描数据识别车辆轮轴。

具体地，沿公路道路的延伸方向100依次设置龙门架110，每个龙门架110上可吊装至少一个三维激光雷达120，由此，可无需破坏路面；同时，利用三维激光雷达120对道路中的行车情况进行检测，并将采集到的扫描数据传输至控制柜130；控制柜130接收扫描数据，并基于此进行数据处理，以识别车辆轮轴。

其中，由于三维激光雷达120的视场和车辆之间的相互遮挡，设置一个三维激光雷达120至少负责两个车道中车辆的数据采集，以便得到对应于完整车辆的全部数据或者待拼接的数据片段，后文中结合轮轴识别方法对数据处理过程进行示例性说明。

示例性地，图1和图2中示例性地示出了该检测区域范围内设置三个龙门架110，每个龙门架110上吊装两个三维激光雷达120。在其他实施方式中，龙门架110的数量和三维激光雷达120的数量还可根据轮轴识别系统10的需求设置，在此不限定。

示例性地，结合图1和图2，控制柜130可设置于道路旁边，三维激光雷达120与控制柜130之间可有线连接或无线连接，在此不限定。或者，控制柜130可设置于远端，例如在控制中心的监控室中，三维激光雷达120的扫描数据可采用有线传输或无线传输的方式，实时传输至控制柜130，或者每间隔预设时间(例如10秒、5秒、1分钟或其他时长)传输至控制柜130，在此不限定。

本公开实施例提供的轮轴识别系统中，采用三维激光雷达120结合多龙门架110联合采集，并基于控制柜130实现扫描数据处理的方式识别轮轴，能够基于不同三维激光雷达120之间的扫描数据进行数据拼接，并实现对车辆轮轴的识别，其识别率高，且安装简单，无需破坏路面，安装成本和维护成本较低。

在一些实施例中，继续参照图1或图2，龙门架110的数量为至少3个。示例性地，图2中，各龙门架110分别以第一龙门架111、第二龙门架112和第三龙门架113示出，每个龙门架110上设置两个三维激光雷达120。

如此设置，可利用至少3个龙门架110上设置的三维激光雷达120进行数据采集，并进一步进行数据处理，实现车辆轮轴识别，在满足实时检测的需求的同时，数据量较多，识别准确性较高。

示例性地，龙门架110的数量可为3个或者4个，由此，可确保轮轴识别系统10的整体成本不会过高。

在其他实施方式中，龙门架110的数量还可为更多个，以在确保系统成本较低的同时，提升识别准确率。

在一些实施例中，继续参照图1，沿公路道路的延伸方向100，相邻的两个龙门架110之间的距离L满足：500m≤L≤1000m。

如此设置，可灵活满足不同类型公路的车辆监测需求。

示例性地，对于一级高速公路来说，其上通行的车辆的车速较快，相邻两个龙门架110之间的距离可远一些，例如L的取值可为900m、1000m、950m或其他距离值，以获取更多的完整的车辆数据；或者，对于二级国道省道来说，其上通行的车辆的车速相对较慢，此时，相邻两个龙门架110之间的距离可近一些，例如L的取值可为600m、500m、550m或其他距离值，也能获取车辆的完整数据。

需要说明的是，各相邻的两个龙门架110之间的距离可相同，也可不同，可基于轮轴识别系统的需求、应用场景需求以及路况需求等设置，在此不限定。

本公开实施例提供的轮轴识别系统中，第二龙门架112与第一龙门架111，以及第二龙门架112与第三龙门架113之间均相距预设的距离，见上文；同时，在每个龙门架110上分别安装着三维激光雷达120，每个三维激光雷达120在空间层次上分别采集车辆侧部轮廓，所有三维激光雷达120的所有扫描数据均传输至控制柜130，由控制柜130运行数据处理算法，对所有扫描数据进行综合处理，例如完成数据的拼接和车辆轴数轴型的识别，具体算法在后文中示例性说明。

在一些实施例中，三维激光雷达120的探测波长包括905nm。

具体地，三维激光雷达120的中心波长可为905nm，其波段范围可为905nm±5nm。如此设置，可使三维激光雷达120的抗干扰性较强，扫描数据的准确性较高，从而提供轮轴识别率。

在其他实施方式中，三维激光雷达120的中心波长还可为1550nm或其他波长，可基于轮轴识别系统的需求设置，在此不赘述也不限定。

在上述实施方式中，当车辆依次穿过各龙门架时，结合图1和图2，在车辆从驶入第一龙门架111、经过第二龙门架112到驶出第三龙门架113的行驶过程中，被检测车辆的数据状态可包括如下三种：

第一种、三个龙门架对应的独立三维激光雷达均完整的采集到该车辆侧部轮廓数据。

第二种、三个龙门架对应的独立三维激光雷达均未完整的采集到该车辆的侧部轮廓数据。

第三种、三个龙门架中，有一个或两个龙门架对应的独立三维激光雷达完整的采集到该车辆的侧部轮廓数据。

基于以上三种数据，经过数据处理算法，例如分别经过遮挡间段数据拼接算法、车辆特征识别算法以及车辆轮轴识别算法，可实现全车轴数轴型的识别，后文中结合方法进行示例性说明。

能够理解的是，车辆是自由行驶的，通常不会出现在三个龙门架对应的独立三维激光雷达的检测范围均被完整遮挡的车辆。

本公开实施例还提供了一种基于上述任一种系统的轮轴识别方法，该方法可由上述系统中的控制柜执行，可基于软件和/或硬件实现，在此不限定。

在一些实施例中，图3为本公开实施例提供的一种轮轴识别方法的流程示意图。参照图3，该方法可包括如下步骤：

S210、获取各龙门架上吊装的三维激光雷达的扫描数据。

S220、基于扫描数据，识别车辆轮轴。

具体地，各龙门架上吊装的三维激光扫描雷达对道路上的车辆进行检测，得到扫描数据，并将该扫描数据发送至控制柜；对应的，控制柜接收该扫描数据，即实现各龙门架上吊装的三维激光雷达的扫描室数据的获取；其后，基于获取到的扫描数据，进行车辆轮轴的识别。

本公开实施例提供的轮轴识别方法中，控制柜基于吊装于龙门架上的三维激光雷达的扫描数据进行数据处理，以识别车辆轮轴，该过程中能进行数据拼接，从而可避免由于遮挡而导致的识别率较低的问题，提升识别率。

下面对基于扫描数据实现的数据处理过程，进行示例性说明。

在一些实施例中，图4为图3示出的方法中，S220的细化流程示意图。在图3的基础上，参照图4，S220具体可包括：

S221、基于扫描数据，判断单个龙门架对应的独立三维激光雷达的扫描数据是否包括完整的车辆数据。

结合上文，单个龙门架对应的独立三维激光雷达的扫描数据可包括完整的车辆数据(即车辆的侧部轮廓数据)，也可仅包括对应于车辆的片段数据。

该步骤中，基于获取到的扫描数据，对单个龙门架对应的独立三维激光雷达的扫描数据是否包括完整的车辆数据进行判断；若判断结果为是(Y)，则可直接基于该数据进行轮轴识别，即执行S222；否(N)则，需要对数据进行拼接，并利用拼接后得到的数据进行轮轴识别，即执行S223和S224。

S222、若存在单个龙门架对应的独立三维激光雷达的扫描数据包括完整的车辆数据，则基于该单个龙门架对应的独立三维激光雷达的扫描数据识别车辆轮轴。

具体地，若某单个龙门架对应的独立三维激光雷达的扫描数据包括完整的车辆数据，例如不存在车辆之间的遮挡等情况时，则可直接基于该龙门架对应的独立三维激光雷达的扫描数据进行车辆轮轴识别。

S223、若所有龙门架对应的独立三维激光雷达的扫描数据均不包括完整的车辆数据，则基于所有龙门架对应的独立三维激光雷达的扫描数据进行数据拼接。

具体地，若所有单个龙门架对应的独立三维激光雷达的扫描数据均不包括完整的车辆数据，例如存在车辆之间的遮挡时，此时仅基于单个龙门架对应的独立三维激光雷达的扫描数据无法直接进行轮轴识别，而是要基于所有龙门架对应的独立三维激光雷达的扫描数据先进行数据拼接，以得到能够识别出车辆轮轴的数据，以便后续步骤中实现轮轴识别。

S224、基于拼接后的扫描数据，识别车辆特征，以及识别车辆轮轴。

具体地，在S223的基础上，该步骤中基于拼接后的扫描数据对车辆特征进行识别，并识别出车辆轮轴。

示例性地，车辆特征可包括车辆外部轮廓曲线、车辆尺寸、型号等等特征，在此不限定。

本公开实施例提供的轮轴识别方法中，在获取到扫描数据之后，首先对数据完整性进行判断，并具体地，针对各龙门架：只要有一个龙门架对应的独立三维激光雷达的扫描数据包括完整的车辆数据，则可基于此进行数据处理，识别出全车轮轴的数量和类型；在所有龙门架对应的独立三维激光雷达均没有完整的车辆数据时，则对扫描数据中的所有片段式数据进行拼接，再基于拼接后的扫描数据进行车辆轮轴的识别。由此，在单个龙门架对应的独立三维激光雷达的扫描数据无法进行全车轮轴识别时，还可基于数据拼接后的扫描数据实现车辆轮轴识别，识别率较高。

在一些实施例中，该方法还包括：针对单个三维激光雷达，建立空间三维坐标系。

其中，以平行于车道的方向为第一轴，且车辆行进的方向为第一轴的正方向；以横截车道的方向为第二轴，且三维激光雷达扫描的方向为第二轴的正方向；以垂直于车道地面的方向为第三轴，且垂直向上的方向为第三轴的正方向；第一轴、第二轴及第三轴两两垂直，且以三维激光雷达在车道地面上的垂直投影为坐标原点。

参考图1，第一轴以X示出，第二轴以Y示出，第三轴以Z示出，箭头的指向分别为各轴的正方向；且三个轴两两相交，交点对应坐标原点。

在此基础上，图4中示出的S221，可包括如下步骤：

基于单个三维激光雷达的扫描数据，确定数据状态；数据状态包括无车数据状态、车头处数据状态、车身处数据状态、车尾处数据状态和遮挡间断数据状态；

基于一连续时间内的数据状态，判断单个龙门架对应的独立三维激光雷达的扫描数据是否包括完整的车辆数据。

具体地，首先基于单个三维激光雷达的单次扫描数据，确定对应的数据状态；然后，基于连续时间内的多次扫描数据对应的数据状态，判断该单个三维激光雷达的扫描数据是否包括完整的车辆数据。

其中，数据状态可包括无车数据状态、车头处数据状态、车身处数据状态、车尾处数据状态和遮挡间断数据状态，下面分别结合图5-图9进行示例性说明。后文中，三维激光雷达可简称为雷达。

示例性地，图5为本公开实施例提供的一种无车数据状态的示意图，示出了车辆未进入雷达检测范围时的数据状态。参照图5，该状态下，雷达返回的数据包中只有路面部分的激光数据点，而不存在车辆相关的数据点；即在XZ平面上投影时，其Z坐标值不存在高于地面一定阈值以上的数据点。能够理解的是，该阈值可基于车辆特征确定，在此不限定。

示例性地，图6为本公开实施例提供的一种车头处数据状态的示意图，示出了仅车头进入雷达检测范围时的数据状态。参照图6，该状态下，雷达返回的数据包中，前部分(即图中方位的左部分)为地面激光数据点，后部分(即图中方位的右部分)为车身激光数据点；即在XZ平面上投影时，其Z坐标存在大量高于地面一定阈值的数据点。能够理解的是，该阈值也基于车辆特征设置，在此不限定。

示例性地，图7为本公开实施例提供的一种车身处数据状态的示意图，示出了车头经过雷达检测范围且车身处于雷达检测范围时的数据状态。参照图7，该状态下，雷达返回的数据包中，全部为车身激光数据点，即在XZ平面上投影时，其Z坐标均为高于地面一定阈值的数据点；且在YZ平面上的投影中，其Y坐标的极值差值小于一定阈值。能够理解的是，此处的阈值也基于车辆特征设置，在此不限定。本段中，对“极值差值”解释如下：首先，极值为数据中的最大值和最小值；进而，极值差值为最大值和最小值的差。且，只有在检测到一辆车的状态下，该极值差值约等于车辆的宽度；而在检测到两辆车的状态下，该极值差值大于两辆车的宽度之和。由此，基于该极值差值，能够简便准确地确定数据状态。

示例性地，图8为本公开实施例提供的一种车尾处数据状态的示意图，示出了仅车尾处于雷达检测范围中的数据状态。参照图8，该状态下，雷达返回的数据包中，前部分((即图中方位的左部分))为车身激光数据点，后部分(即图中方位的右部分)为地面激光数据点。

示例性地，图9为本公开实施例提供的一种遮挡间断数据状态的示意图，示出了车辆之间存在雷达检测范围内存在遮挡时的数据状态。参照图9，该状态下，雷达返回的数据包中，全部为车身激光数据点；且在YZ平面上的投影中，其Y坐标的极值差值大于一定阈值。

由此，通过识别扫描数据在三维空间坐标系中的特征，即可确定扫描数据对应的数据状态。

在其他实施方式中，还可采用其他可区分的特征，识别扫描数据对应的数据状态，在此不限定。

在一些实施例中，若存在单个龙门架对应的独立三维激光雷达的扫描数据包括完整的车辆数据，则基于该单个龙门架对应的独立三维激光雷达的扫描数据识别车辆轮轴，包括：

若一连续时间内的数据状态满足：无车数据状态、车头处数据状态、车身处数据状态以及车尾处数据状态连续出现，则确定单个龙门架对应的独立三维激光雷达的扫描数据包括完整的车辆数据；

基于该包括完整的车辆数据的单个龙门架对应的独立三维激光雷达的扫描数据识别车辆轮轴。

具体地，在车辆不存在遮挡时，雷达采集到的扫描数据对应的数据状态变化为：无车数据状态、车头处数据状态、车身处数据状态、车尾处数据状态、无车数据状态依次出现，如此实现了完整的车辆数据的采集。

其后，可基于该完整的车辆数据直接进行车辆轮轴识别。

在一些实施例中，图10为本公开实施例提供的另一种轮轴识别方法的流程示意图，以轮轴识别系统中的龙门架的数量为三个，每个龙门架上的三维激光雷达为一个为例，示出了一种轮轴识别方法。参照图10，该方法可包括如下步骤：

S300、开始。

S301、车辆驶入检测区域时，三维激光雷达采集数据，并将采集到的扫描数据传输至控制柜。

其中，检测区域对应于图5-图9中示出的雷达检测范围，其对应于雷达的扫描区域。

该步骤中，雷达将扫描数据传输至控制柜，后续由控制柜执行下述数据处理过程。

S302、第一龙门架的数据是否有完整的车辆数据。

该步骤中，判断第一龙门架对应的独立三维激光雷达的扫描数据中是否包括完整的车辆数据。

若判断结果为否(N)，即第一龙门架对应的独立三维激光雷达的扫描数据中不包括完整的车辆数据，则进一步判断，即执行S303；若判断结果为是(Y)，则直接识别车辆轮轴，即执行S309。

S303、片段数据能够拼接出完整的车辆数据。

该步骤中，在第一龙门架的数据没有完整的车辆数据时，进一步判断第一龙门架中的片段数据能否直接拼接得到完整的车辆数据。

若判断结果为否(N)，即第一龙门架中的片段数据无法直接拼接得到完整的车辆数据，则对第二龙门架的数据进行判断，即执行S304；若判断结果为是(Y)，则基于拼接得到的完整的车辆数据进行车辆轮轴识别，即执行S309。

S304、第二龙门架的数据是否有完整的车辆数据。

该步骤中，判断第二龙门架对应的独立三维激光雷达的扫描数据中是否包括完整的车辆数据。

若判断结果为否(N)，即第二龙门架对应的独立三维激光雷达的扫描数据中不包括完整的车辆数据，则进一步判断，即执行S305；若判断结果为是(Y)，则直接识别车辆轮轴，即执行S309。

S305、片段数据能够拼接出完整的车辆数据。

该步骤中，在第二龙门架的数据没有完整的车辆数据时，进一步判断第二龙门架中的片段数据能否直接拼接得到完整的车辆数据，以及判断第二龙门架结合第一龙门架中的片段数据能否拼接得到完整的车辆数据。

若判断结果为否(N)，即第二龙门架中的片段数据，以及结合第一龙门架中的片段数据均无法直接拼接得到完整的车辆数据，则对第三龙门架的数据进行判断，即执行S306；若判断结果为是(Y)，则基于拼接得到的完整的车辆数据进行车辆轮轴识别，即执行S309。

S306、第三龙门架的数据是否有完整的车辆数据。

该步骤中，判断第三龙门架对应的独立三维激光雷达的扫描数据中是否包括完整的车辆数据。

若判断结果为否(N)，即第三龙门架对应的独立三维激光雷达的扫描数据中不包括完整的车辆数据，则进一步判断，即执行S307；若判断结果为是(Y)，则直接识别车辆轮轴，即执行S309。

S307、片段数据能够拼接出完整的车辆数据。

该步骤中，在第三龙门架的数据没有完整的车辆数据时，进一步判断第三龙门架中的片段数据能否直接拼接得到完整的车辆数据，以及判断第三龙门架结合第一龙门架(或第二龙门架)中的片段数据能否拼接得到完整的车辆数据。

若判断结果为否(N)，即第三龙门架中的片段数据，以及结合第一龙门架(或第二龙门架)中的片段数据均无法直接拼接得到完整的车辆数据，则对三个龙门架的数据进行拼接，即执行S308；若判断结果为是(Y)，则基于拼接得到的完整的车辆数据进行车辆轮轴识别，即执行S309。

S308、对所有龙门架的片段数据进行数据拼接。

结合上文，如此可得到完整的车辆数据。

S309、经过算法处理得出识别结果。

该步骤中，对完整的车辆数据进行算法处理，例如进行车辆特征识别算法和/或车辆轴数轴型识别算法处理，得到车辆轮轴识别结果。

如此，基于三维激光雷达的扫描数据，经过综合处理，实现对车辆轮轴的识别。

下面，对数据拼接、特征识别以及轮轴识别的详细流程进行示例性说明。

在一些实施例中，若所有龙门架对应的独立三维激光雷达的扫描数据均不包括完整的车辆数据，则基于所有龙门架对应的独立三维激光雷达的扫描数据进行数据拼接，包括：

若所有龙门架对应的独立三维激光雷达的扫描数据，均在一连续时间内的数据状态中存在遮挡间断数据状态，则确定所有龙门架对应的独立三维激光雷达的扫描数据均不包括完整的车辆数据；

基于包括遮挡间断数据状态的扫描数据进行数据识别，分离出前车数据片段和后车数据片段；

基于前车数据片段的数据特征，判定前车存在的片段数据状态，及基于后车数据片段的数据特征，判定后车存在的片段数据状态；其中，前车存在的片段数据状态包括车尾处数据状态和车头处数据状态，后车存在的数据状态包括车头处数据状态、车身处数据状态和车尾处数据状态；

基于前车存在的片段数据状态和后车存在的片段数据状态，确定数据拼接所需的关键参量；

结合关键参量，进行针对前车的数据拼接，及进行针对后车的数据拼接。

基于此，进一步地，基于拼接后的扫描数据，识别车辆特征，以及识别车辆轮轴，包括：

针对前车或者后车，

基于拼接后得到的车身完整数据，识别车辆特征；

基于车辆特征，识别车辆轮轴。

其中，车辆特征包括车辆底盘高度、底盘曲线、车辆高度、车身侧部曲线以及车辆顶部曲线，以及包括车辆型号、尺寸等特征，在此不限定。

具体地，在车辆存在遮挡时，可先保存能检测到区域部位的数据，并等待后续龙门架对应的三维激光雷达的扫描数据，直到最后一个龙门架还没有获取完整的车辆数据(即全车数据)时，再结合数据片段分离、数据状态判断、拼接所需的关键参量确定、数据片段拼接、车辆特征识别以及车辆轮轴识别等过程，实现轴数轴型的识别。

其中，数据片段分离、数据状态判断、拼接所需的关键参量确定以及数据片段拼接可基于遮挡间段数据拼接算法实现。

具体地，结合上文，通过分析雷达采集到的扫描数据在YZ面的投影，依据激光数据点的Y坐标值分布差来实现前车数据片段和后车数据片段分离。示例性地，Y坐标大量分布在较小阈值范围内的激光数据点为前车激光数据，其构成前车数据片段；Y坐标大量分布在较大阈值范围内的激光数据点为后车激光数据，其构成后车数据片段。

本实施例中，设置较小阈值范围的原理在于：因为此时扫描数据中存在两辆车的数据；这两辆车中，一辆车是靠近雷达的，另一辆车是远离雷达的，因此两辆车之间会有一定的间隔。基于此，较小阈值范围用于限定距离雷达较近的车辆的数据，其可为从雷达检查到车辆起始小于一辆车的宽度的距离。而较大阈值范围用于限定距离雷达较远的车辆的数据，其可从雷达检测到车辆起始大于一个车道宽度(一般车道宽度为3.75米)的数据。

其后，可基于分离出来的激光数据片段(包括前车数据片段和后车数据片段)判断前车和后车对应的片段数据状态。

示例性的，结合上文，可结合图5-图8示出的数据状态特征，对激光数据片段对应的片段数据状态进行判断。其中，前车存在的片段数据状态为车尾处数据状态和车头处数据状态，后车存在的数据状态为车头处数据状态、车身处数据状态以及车尾处数据状态。

需要说明的是，由于前车为离雷达较近的车辆，其不会存在被遮挡的状态，但需要和后车分离对应于车头和车尾的数据，因此前车存在的数据状态有车尾处数据状态和车头处数据状态，而没有车身处数据状态。

其后，依据前车和后车对应的片段数据状态，计算拼接所需的关键参量。

示例性的，计算拼接所需的关键参量具体可包括：对于需要拼接的激光数据片段，在数据块的头部填充龙门架及雷达位置信息、前拼接需要的数据参量(即前拼接数据参量)、后拼接需要的数据参量(即后拼接数据参量)，如图11所示。

其中，可依据雷达数据的来源确定门架及雷达位置信息，以及雷达数据在XZ平面和YZ平面的投影数据确定拼接参量，该拼接参量包括前拼接需要的数据参量和后拼接需要的数据参量。

示例性的，在系统安装调试状态下，安装调试人员会给每个雷达分配不同的IP地址信息或ID信息，依据雷达的数据来源可确定雷达的安装位置。雷达上传距离数据帧时也会有雷达唯一固定的ID信息，由此确定龙门架及雷达位置信息。

示例性的，因为拼接处车辆外轮阔是一样的，由此可基于雷达距离数据计算出来的极值、极值差值、分布密度、波动特征等数据确定拼接参量，以用于和接下来的龙门架对应的激光数据片段进行拼接。

在一些实施例中，图12为本公开实施例提供的一种轮轴识别方法中，数据拼接的细化流程示意图。参照图12，数据拼接的流程可包括：

S400、开始。

S401、依据空间Y坐标值，分离前车数据片段和后车数据片段。

S4021、判断前车片段数据状态。

其判断结果包括S4031和S4032。

S4031、车尾处数据段。

即前车存在的片段数据状态为车尾处数据状态。

在此之后，执行S408，即完成车辆数据，通过拼接，得到车身完整数据。

S4032、车头处数据段。

即前车存在的片段数据状态为车头处数据状态。

在此之后，执行S404，即等待后续数据，以结合后续数据，完成数据拼接。

S4022、判断后车片段数据状态。

其判断结果包括S4033、S4034以及S4035。

S4033、车头处数据段。

即后车存在的片段数据状态为车头处数据状态。

在此之后，执行S404，即等待后续数据，以结合后续数据，完成数据拼接。

S4034、车身处数据段。

即后车存在的片段数据状态为车身处数据状态。

S4035、车尾处数据段。

即后车存在的片段数据状态为车尾处数据状态。

在S4034和S4035之后，可执行S405，即进入拼接数据。

S407、计算拼接参量、和其它数据段拼接。

即计算拼接所需的关键参量，并与其他数据段进行拼接。

具体的，依据激光点在XZ平面上的投影数据，计算出Z坐标的极值、极值差和间段里的分布密度；依据激光点在YZ平面上的投影数据，计算出Y坐标值和Z坐标值的极值、极值差和间段里的分布密度以及Z坐标值存在的波动特征。进而，通过特征匹配实现数据拼接。

S408、完成车辆数据。

至此，得到车身完整数据，又称为车身完整激光点数据。

其后，依据车身完整数据，实现车辆特征识别算法，得到车辆厢体和底盘数据，以及得到外轮廓曲线和高度等量；例如得到车辆底盘高度、车辆底盘曲线、车辆高度、车辆侧部曲线及车辆顶部曲线，如图14所示。

示例性的，车辆密度分布图如图13所示。分析激光点数据在XZ面上的投影数据，依据Z坐标点的密度变化可划分车辆厢体部分(以Q1示出)和车辆底部框架部分(以Q2示出)，沿Z轴正方向激光点分布密度先增大后基本保持不变，密度基本保持不变开始位置即是车辆厢体和底部的分界线，该分界线对应的Z坐标值即为车辆底盘高度。

以及，分析车辆底部数据在XZ平面上投影，沿X轴正方向最小的Z坐标值的变化曲线即为车辆底盘曲线、最大的Z坐标值的变化曲线为车辆顶部曲线，在车辆顶部变化曲线上最大Z坐标值即为车辆高度。分析车辆厢体数据在YZ面上的投影，沿Y轴正方向最小的Z坐标值的变化曲线即为车身侧部曲线(即车辆侧部曲线)。

示例性的，车身上距离地面最近的点连成的线即为车辆底盘曲线，图13中，所有轮轴的下半圆加上车辆方框的底部线即为车辆底盘曲线。

其中，分布密度的计算方式可为：统计在Z轴一定范围内激光点的个数，可采用每5cm一段，计算Z坐标值在段内的激光点的个数，个数越多，代表密度越大。

在一些实施例中，识别车辆轮轴包括：识别轮轴类型，和/或，统计轮轴数量。

具体的，可采用车辆轮轴识别算法(即车辆轴数轴型识别算法)识别轮轴。其中，分析车辆底盘数据，沿X轴正方向分析单位体积内的激光点密度变化；轮轴特征表现为密度由小变大再由大变小，将具有轮轴特征的数据分离出来，再依据投影数据判断是真实轮轴还是车辆底部悬挂物，即可实现轮轴的识别。

其中，单位体积内的激光点密度是指：在一个固定长度和宽度的长方形面积里，统计得到的激光点个数；个数越多，代表密度越大。，例如，采用宽5cm高50cm的长方形，依次从车头位置向车尾位置统计所包含的激光点的个数。

示例性的，如图15和图16所示，分析轮轴特征数据在XZ平面上投影，确定真实轮轴，例如图15中，501代表真实轮轴在XZ平面上的投影对应的激光点的分布情况，502代表真实轮轴在XY平面上的投影对应的激光点的分布情况，具体地，雷达从斜上方扫描到轮轴时，地面激光点的特征：空心代表轮轴遮挡的区域，其对应于激光点没有落到地面上。其中，真实轮轴满足以下特征：沿X轴方向对应的Z坐标最小值满足由大变小再有小变大且具有对称性，变化范围内的Z坐标值最小值满足小于一定阈值、最大值大于一定阈值，沿Z正方向激光点分布密度逐渐增大。由此，通过分析轮轴特征数据在XY平面上的投影，例如包括其沿X轴方向对应的Y坐标最大值满足由大变小再有小变大且具有对称性，即可确定要判定的轮轴是否为真实轮轴。

由此，通过统计，得出车辆真实轴数。

本公开实施例提供的车辆轮轴的识别方法，基于三维激光雷达，以拼接数据的方式，实现遮挡车辆的数据采集，能够实现自由流状态下的全车识别，提高自由流状态下车辆轴数识别的正确率。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种轮轴识别系统，其特征在于，包括：

龙门架；单个所述龙门架横跨公路道路，不同的所述龙门架沿公路道路的延伸方向依次设置；

三维激光雷达，分布吊装于所述龙门架上；每个所述三维激光雷达的扫描区域覆盖功率道路的至少两个车道；

控制柜，与所述三维激光雷达通讯连接；所述控制柜用于基于所述三维激光雷达的扫描数据识别车辆轮轴。

2.根据权利要求1所述的系统，其特征在于，所述龙门架的数量为至少3个。

3.根据权利要求1或2所述的系统，其特征在于，沿公路道路的延伸方向，相邻的两个所述龙门架之间的距离L满足：

500m≤L≤1000m。

4.根据权利要求1或2所述的系统，其特征在于，所述三维激光雷达的探测波长包括905nm。

5.一种基于权利要求1-4任一项所述的系统的轮轴识别方法，其特征在于，所述方法由所述控制柜执行；所述方法包括：

获取各龙门架上吊装的三维激光雷达的扫描数据；

基于所述扫描数据，识别车辆轮轴。

6.根据权利要求5所述的方法，其特征在于，所述基于所述扫描数据，识别车辆轮轴，包括：

基于所述扫描数据，判断单个龙门架对应的独立三维激光雷达的扫描数据是否包括完整的车辆数据；

若存在单个龙门架对应的独立三维激光雷达的扫描数据包括完整的车辆数据，则基于该单个龙门架对应的独立三维激光雷达的扫描数据识别车辆轮轴；

若所有龙门架对应的独立三维激光雷达的扫描数据均不包括完整的车辆数据，则基于所有龙门架对应的独立三维激光雷达的扫描数据进行数据拼接；

基于拼接后的扫描数据，识别车辆特征，以及识别车辆轮轴。

7.根据权利要求6所述的方法，其特征在于，还包括：

针对单个三维激光雷达，建立空间三维坐标系；其中，以平行于车道的方向为第一轴，且车辆行进的方向为第一轴的正方向；以横截车道的方向为第二轴，且三维激光雷达扫描的方向为第二轴的正方向；以垂直于车道地面的方向为第三轴，且垂直向上的方向为第三轴的正方向；第一轴、第二轴及第三轴两两垂直，且以三维激光雷达在车道地面上的垂直投影为坐标原点；

其中，所述基于所述扫描数据，判断单个龙门架对应的独立三维激光雷达的扫描数据是否包括完整的车辆数据，包括：

基于单个三维激光雷达的扫描数据，确定数据状态；所述数据状态包括无车数据状态、车头处数据状态、车身处数据状态、车尾处数据状态和遮挡间断数据状态；

基于一连续时间内的所述数据状态，判断单个龙门架对应的独立三维激光雷达的扫描数据是否包括完整的车辆数据。

8.根据权利要求7所述的方法，其特征在于，所述若存在单个龙门架对应的独立三维激光雷达的扫描数据包括完整的车辆数据，则基于该单个龙门架对应的独立三维激光雷达的扫描数据识别车辆轮轴，包括：

若一连续时间内的所述数据状态满足：无车数据状态、车头处数据状态、车身处数据状态以及车尾处数据状态连续出现，则确定单个龙门架对应的独立三维激光雷达的扫描数据包括完整的车辆数据；

基于该包括完整的车辆数据的单个龙门架对应的独立三维激光雷达的扫描数据识别车辆轮轴。

9.根据权利要求7所述的方法，其特征在于，所述若所有龙门架对应的独立三维激光雷达的扫描数据均不包括完整的车辆数据，则基于所有龙门架对应的独立三维激光雷达的扫描数据进行数据拼接，包括：

若所有龙门架对应的独立三维激光雷达的扫描数据，均在一连续时间内的所述数据状态中存在遮挡间断数据状态，则确定所有龙门架对应的独立三维激光雷达的扫描数据均不包括完整的车辆数据；

基于包括遮挡间断数据状态的扫描数据进行数据识别，分离出前车数据片段和后车数据片段；

基于前车数据片段的数据特征，判定前车存在的片段数据状态，及基于后车数据片段的数据特征，判定后车存在的片段数据状态；其中，所述前车存在的片段数据状态包括车尾处数据状态和车头处数据状态，所述后车存在的数据状态包括车头处数据状态、车身处数据状态和车尾处数据状态；

基于所述前车存在的片段数据状态和所述后车存在的片段数据状态，确定数据拼接所需的关键参量；

结合所述关键参量，进行针对前车的数据拼接，及进行针对后车的数据拼接；

其中，所述基于拼接后的扫描数据，识别车辆特征，以及识别车辆轮轴，包括：

针对前车或者后车，

基于拼接后得到的车身完整数据，识别车辆特征；所述车辆特征包括车辆底盘高度、底盘曲线、车辆高度、车身侧部曲线以及车辆顶部曲线；

基于所述车辆特征，识别车辆轮轴。

10.根据权利要求8或9所述的方法，其特征在于，所述识别车辆轮轴包括：

识别轮轴类型，和/或，统计轮轴数量。

Images