CN116030628A - 基于双激光点云数据分析的车型分类方法及交通调查设备 - Google Patents

Abstract

本发明涉及一种基于双激光点云数据分析的车型分类方法及交通调查设备，基于双激光点云数据分析的车型分类方法包括如下步骤：获取车辆的数据：利用两个激光器均获取所经过车辆的n个截面的三维点云、瞬时速度和瞬时速度对应的瞬时时间；利用高清摄像机获取实时拍摄的视频，用于给工人辅助验证的实时观看的工具；数据分析：通过检测工控机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参数，并通过神经网络分析得出车辆的车型；数据统计及上传：将所述数据分析结果及实时拍摄的视频进项统计并上传至服务器；数据显示：通过显示器调用所述服务器上的所述数据分析结果，或通过实时拍摄的视频验证检测结果。

Description

基于双激光点云数据分析的车型分类方法及交通调查设备

技术领域

本发明涉及交通运输的技术领域，尤其是涉及一种基于双激光点云数据分析的车型分类方法及交通调查设备。

背景技术

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。

为了解决上述的技术缺陷，现有的公告号为CN113869196B的专利公开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，其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，其利用另一个激光器获取所经过的车辆的车速、经过车辆间距的数据，以实现获取所经过车辆的车长、车高、车宽、车速、车距和车流量等。

上述的技术方案存在以下缺陷：单个激光器难以准确测量车辆特征值信息的点云数据和车速，导致车辆点云形状不能正确还原，从而难以正确对所经过的车辆的车型准确分类。

发明内容

基于此，本发明的目的是提供一种基于双激光点云数据分析的车型分类方法，其通过两个激光器测量车辆的特征信息的点云数据和车速，有利于正确还原车辆的点云形状，从而准确对车辆的车型进行分类；相应的，本发明还提供一种交通调查设备。

本发明的上述发明目的一是通过以下技术方案得以实现的：

一种基于双激光点云数据分析的车型分类方法，包括以下步骤：

获取车辆的数据：利用两个激光器均获取所经过车辆的n个截面的三维点云、瞬时速度和瞬时速度对应的瞬时时间；利用高清摄像机获取实时拍摄的视频，用于给工人辅助验证的实时观看的工具；

数据分析：通过检测工控机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参数，并通过神经网络分析得出车辆的车型；其中，根据车辆分别依次经过两个激光器检测范围的瞬时速度和瞬时时间，计算出车辆经过两个激光器的平均速度，通过平均速度对n个截面的三维点云进行重组，得出车辆的三维点云，剔除车辆的三维点云的干扰点，两个激光器检测到的车辆的三维点云均通过极值点的距离得出车辆的长宽高数据，再取两个激光器检测到的车辆的三维点云长宽高数据作为所述车辆的长宽高数据；通过神经网络分析包括：利用神经网络算法模型对车辆点云二维投影图像进行车型分类，得到所述车辆的车型；

数据统计及上传：将所述数据分析结果及实时拍摄的视频进项统计并上传至服务器；

数据显示：通过显示器调用所述服务器上的所述数据分析结果，或通过显示器调用所述服务器存储实时拍摄的视频验证检测结果，或通过显示器调用所述工控机内的数据。

本发明进一步设置为：所述瞬时速度包括车辆的车头进入激光器的检测范围时的进入速度和车辆的车尾驶离激光器的检测范围时的驶离速度，所述瞬时时间包括车辆的车头进入激光器的检测范围时的进入时间和车辆的车尾驶离激光器的检测范围时的驶离时间；根据进入速度、驶离速度、进入时间、驶离时间计算出车辆分别经过两个激光器检测范围的平均速度和加速度。

本发明进一步设置为：所述干扰点包括所述车辆周围的异物因反射而形成三维点云，所述异物包括但不限于雨水和/或尘土。

本发明进一步设置为：所述车辆的三维点云投影为多个二维图像并保留多个所述二维图像的轮廓特征，根据所述轮廓特征生成二维图像的像素数组并作正则处理。

本发明进一步设置为：所述神经网络算法模型为自行组建的数据集，通过机器学习和数据集训练形成精确识别车型分类的模型，随着所述神经网络算法模型收集的车辆三维点云的数据越多，利用所述神经网络算法模型对所述车辆的三维点云长宽高数据进行车型分类的精度越高。

本发明进一步设置为：所述三维信息构建模型为对两个激光器建立坐标系，以安装激光器的立杆底端为原点、与车辆行驶方向垂直的方向为X轴、沿立杆方向向上为Y轴正方向和通过虚拟速度为Z轴建立坐标系。

本发明进一步设置为：所述激光器扫描地面得到一组点云，通过激光器相对于地面的夹角转换成斜率，用最小二乘法通过所述斜率将一组点云中的散点拟合成直线，所述原点至所述直线的距离即为所述激光器的安装高度。

本发明进一步设置为：所述虚拟速度根据检测点车流的平均速度配置。

本发明的上述发明目的二是通过以下技术方案得以实现的：

一种交通调查设备，用于实现前述的一种基于双激光点云数据分析的车型分类方法；包括检测设备、工控机、服务器和显示器，所述检测设备包括两个激光器和高清摄像机；所述激光器用于获取所经过车辆的n个截面的三维点云、瞬时速度和瞬时速度对应的瞬时时间；所述高清摄像机用于实时拍摄的视频；所述工控机用于基于神经网络对车型分析、计算车速、车流量、车头时距和车头间距的参数；所述服务器用于数据存储；所述显示器用于实时检测结果的显示并用于基于实时拍摄的视频验证检测结果。

本发明进一步设置为：两个激光器在行车方向存在距离并垂直于地面安装。

综上所述，本发明的有益技术效果为：

本发明提供基于双激光点云数据分析的车型分类方法，利用两个激光器均获取所经过车辆的n个截面的三维点云、瞬时速度和与瞬时速度对应的瞬时时间；与现有技术的一个激光器获取所经过的车辆的点云数据，另一个激光器获取所经过的车辆的车速、经过车辆间距的数据相比，本发明的通过两个激光器的瞬时速度和与瞬时速度对应的瞬时时间，通过两个激光器的瞬时速度和瞬时时间分别计算出车辆经过两个激光器的平均速度和加速度，并利用两个平均速度对两个激光器的n个截面的三维点云进行重组，得出车辆经过两个激光器的三维点云，剔除车辆的三维点云的干扰点；两个激光器的车辆三维点云通过极值点的距离得出车辆的长宽高，再取两个激光器的三维点云的长宽高的平均值作为车辆的长宽高数据；利用神经网络算法模型对车辆点云二维投影图像进行车型分类，从而得到所述车辆的车型。两个激光器的三维点云的长宽高作为车辆的长宽高数据，减少还原车辆的三维点云产生的误差，有利于正确还原车辆的三维点云形状，从而准确的对车辆的车型进行分类，从而得到更加准确的车型；本发明的方法还可以计算出车流量、车头时距和车头间距等，以便于检测交通情况。相应的，本发明还提供一种交通调查设备，用于实现上述的基于双激光点云数据分析的车型分类方法。

为了更好地理解和实施，下面结合附图详细说明本发明。

附图说明

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

图1是本发明的检测设备的结构示意图。

图2是本发明的交通调查设备的结构框图。

图3是本发明的检测设备安装在检测点的示意图。

图4是本发明的检测设备安装在检测点的示意图。

图5是本发明的交通调查设备检测到的车辆的三维点云的简图。

图中，1、检测设备；11、激光器；12、高清摄像机；2、工控机；3、服务器；4、显示器。

具体实施方式

在本说明书中提到或者可能提到的上、下、左、右、前、后、正面、背面、顶部、底部等方位用语是相对于其构造进行定义的，它们是相对的概念。因此，有可能会根据其所处不同位置、不同使用状态而进行相应地变化。所以，也不应当将这些或者其他的方位用语解释为限制性用语。

以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与本公开的一些方面相一致的实施方式的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

以下结合附图对本发明作进一步详细说明。

参照图1至图4，为本发明公开的一种交通调查设备，包括检测设备1、工控机2、服务器3和显示器4，检测设备1包括两个激光器11和高清摄像机12。两个激光器11均用于获得所经过的目标车辆的n个截面的三维点云、瞬时速度和与瞬时速度对应的瞬时时间；高清摄像机12实时拍摄视频，并通过工控机2将视频存储于服务器3；工控机2用于基于神经网络对车型分析、计算车速、车流量、车头时距和车头间距的参数；服务器3用于数据存储；显示器4用于实时检测结果的显示并用于基于实时拍摄的视频验证检测结果。

在一些实施例中，检测设备1在检测点的行车方向上安装，且使得检测设备1的两个激光器11优选垂直于地面(假设地面是水平的)；两个激光器11在检测设备1上间隔一厘米安装，当然，两个激光器11在检测设备1上间隔的距离可根据实际情况调整。由于两个激光器11均垂直于地面，以便于两个激光器11均检测经过车辆的n个截面的三维点云、瞬时速度和与瞬时速度对应的瞬时时间，通过瞬时速度和与瞬时速度对应的瞬时时间可计算出车辆分别经过两个激光器11的平均速度和加速度，利用平均速度对激光器11扫描到的n个截面的三维点云进行重组，得到车辆的三维点云，车辆的三维点云均通过极值点的距离得出车辆的长宽高数据，可推算出车辆的长度、宽度和高度。如果车辆经过两个激光器11的加速度相等且平均速度相等，则车辆做匀速运动；如果车辆经过两个激光器11的加速度相等且平均速度不相等，则车辆做匀加速运动或匀减速运动；如果车辆经过两个激光器11的加速度不相等且平均速度不相等，则车辆做变速运动。通过车辆分别经过两个激光器11的平均速度，还可推断出车辆经过两个激光器11之间的距离的平均速度和平均加速度。前后两辆车经过其中一个激光器11的时间差，并根据前后两辆车的平均速度，可推算出前后两辆车的车头时距和车头间距。两个激光器11分别获取一段时间所经过的车辆的数量，通过车辆的数量与该段时间的比值可推算出该段时间的车流量。

采用上述的交通调查设备，本发明还提供一种基于双激光点云数据分析的车型分类方法，包括如下步骤：

获取车辆的数据：利用两个激光器11均获取所经过车辆的n个截面的三维点云、瞬时速度和瞬时速度对应的瞬时时间；利用高清摄像机12获取实时拍摄的视频，用于给工人辅助验证的实时观看的工具。

在一些实施例中，利用两个激光器11前后分别获取所经过车辆的n个截面的三维点云、瞬时速度和瞬时速度对应的瞬时时间，并将所经过车辆的n个截面的三维点云、瞬时速度和瞬时速度对应的瞬时时间传输至工控机2。利用高清摄像机12实时拍摄视频，该视频作为工人辅助验证检测结果的实时观看的工具，以验证基于双激光点云数据分析的车型分类的结果。

其中，瞬时速度包括车辆的车头进入激光器11的检测(扫描)范围时的进入速度和车辆的车尾驶离激光器11的检测范围时的驶离速度，瞬时时间包括车辆的车头进入激光器11的检测范围时的进入时间和车辆的车尾驶离激光器11的检测范围时的驶离时间；根据进入速度、驶离速度、进入时间、驶离时间计算出车辆分别经过两个激光器11检测范围的平均速度和加速度。

数据分析：通过检测工控机2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参数，并通过神经网络分析得出车辆的车型；其中，根据车辆分别依次经过两个激光器11检测范围的瞬时速度和瞬时时间，计算出车辆经过两个激光器11的平均速度和加速度，通过平均速度对n个截面的三维点云进行重组，得出车辆的三维点云，剔除车辆的三维点云的干扰点，两个激光器11检测到的车辆的三维点云均通过极值点的距离得出车辆的长宽高数据，再取两个激光器11检测到的车辆的三维点云长宽高数据作为所述车辆的长宽高数据；其中，取两个激光器的点云组合成完整的过车点云，使得过车点云更为密集，以提升检测截面的车辆的准确度，特别对于高速经过检测截面的车辆，点云成像更加清晰，从而提高后续的车型预测的准确率。通过神经网络分析包括：利用神经网络算法模型对车辆点云二维投影图像进行车型分类，得到所述车辆的车型。

在一些实施例中，三维信息构建模型为对两个激光器11建立三维坐标系，以安装激光器11的立杆底端为原点、与车辆行驶方向垂直的方向为X轴、沿立杆方向向上为Y轴正方向和通过虚拟速度为Z轴建立坐标系。其中，虚拟速度根据检测点车流的平均速度配置，由于虚拟速度根据检测点车流的平均速度配置，那么，检测点在不同时间段的车流速度不同，因此，Z轴的实时值在不同的时间段也不同。其中，Z轴的实时值取自虚拟速度乘以实时时刻与程序启动时刻的差(即:实时Z值＝虚拟速度*(实时时刻-程序启动时刻))，程序启动时刻为交通调查设备启动的时刻。

进一步的，激光器11扫描地面得到一组点云，将激光器11相对于地面的夹角转换成斜率，用最小的二乘法通过斜率将一组点云中的散点拟合成直线，即y＝kx+b，原点至该直线的距离即为激光器11的安装高度。当激光器11与地面垂直时，斜率为零(即k＝0)，此时，激光器11至地面的高度即为激光器11的安装高度。假设在路面上的点y＝0恒成立，那么激光器11扫描到路面上时，如果没有车辆经过，则y＝0，如果有车辆经过，则y为扫描到的车辆的特点位置的瞬时高度。激光器11在一个扫描周期内得到的多个点位于同一平面上，即为三维点云截面；当激光器11的扫描的周期的时间极短，比如激光器11的频率为50HZ时，那么激光器11的扫描周期为0.02s，由于周期极短，可以认为三维点云截面与xOy面平行。

由于三维点云截面与xOy面平行，那么，三维坐标系根据三维点云截面的极值点可以直接得出所经过的车辆的宽度和高度，即y值为车辆点云的高度，x值为车辆点云的宽度，也就是说，车辆点云的宽度和高度可以直接测量得出。但是，Z值则不能直接测出，为此，通过虚拟速度对三维坐标系的Z轴初始赋值，即实时Z值＝虚拟速度*(实时时刻-程序启动时刻)；此时，得到的Z值并不准确，因此，需要对Z值进行修正，即对车辆三维点云的长度进行修正，以便于得到更加准确的车辆的长度。

在本实施例中，通过车辆经过两个激光器11的平均速度和车辆经过两个激光器11所需的时间对车辆的长度进行修正。工控机2构建车辆的三维信息模型，根据车辆在两个激光器11扫描范围内的进入速度、驶离速度、进入时间、驶离时间计算出车辆分别经过两个激光器11检测范围的平均速度和加速度，通过平均速度对n个截面的三维点云进行重组，得出两个激光器11扫描到的车辆的三维点云(如图5所示)，以实现修正车辆的长度；准确的车辆的长宽高数据有利于正确还原车辆的点云形状，从而有利于正确对所经过的车辆进行分类。需要指出的是，虚拟速度是通过人工观察路段平均车速进行设置的一个假定值，准确度有限，形成的点云形状在Z轴方向可能会有拉伸/压缩，即车辆的长度可能会有拉伸/压缩。通过双激光车速计算后，能对每个截面的Z坐标进行准确修正，将车辆点云的车长修正，对车辆形状进行正确还原，增加后续车型预测的准确率。剔除车辆的三维点云的干扰点，干扰点包括车辆周围的异物因反射激光器11的激光而形成三维点云，异物包括但不限于雨水或尘土。

将两个激光器11的车辆的三维点云投影为多个二维图像并保留多个二维图像的轮廓特征，根据轮廓特征生成二维图像的像素数组并作正则处理。通过二维图像极值点的距离得出车辆的长度、宽度和高度，二维图像包括车辆的三维点云投影形成的正视图和左视图等，其中，通过正视图的极值点的距离得出车辆的宽度和高度，左视图的极值点的距离得出车辆的长度和高度，从而得出两个激光器11扫描到的车辆的长宽高数据；再取两个两个激光器11扫描到的车辆的长宽高数据作为车辆最终确定的长宽高数据，以减少单个激光器11确定的车辆的长宽高数据的误差。其中，两个激光器11扫描到的车辆的长宽高数据均可以作为车辆最终确定的长宽高数据。

利用神经网络算法模型对车辆点云的二维投影图像进行车型识别并分类，得到车辆的车型。其中，神经网络算法模型由多个自行组建的车辆点云样本数据集构成，并通过机器学习和车辆点云数据集训练形成精确识别车型分类的模型；多个车辆点云样本数据集包括面包车、小客车、大客车、小型货车、中型货车、大型货车和特大型货车等，车辆点云样本数据集就是指定这个形状的点云成像标记为这种车型，如面包车的车辆点云样本数据集形状的点云成像标记为面包车，并将这种分类准则“教会”神经网络算法模型，即神经网络算法模型将面包车的车辆点云样本数据集形状的点云成像的车型标记为面包车。随着神经网络算法模型收集的车辆三维点云的数据越来越多，利用神经网络算法模型对车辆的三维点云长宽高数据进行车型分类的精度越高。前后两辆车经过其中一个激光器11的时间差，可推算出前后两辆车的车头时距，并根据前后两辆车的平均速度，可推算出前后两辆车的车头间距。两个激光器11分别获取一段时间所经过的车辆的数量，通过车辆的数量与该段时间的比值可推算出该段时间的车流量。

数据统计及上传：将数据分析结果及实时拍摄的视频进项统计并上传至服务器3。

在一些实施例中，数据分析结果包括前后经过两个激光器11的车辆的车型、一段时间内的车流量、车头时距和车头间距等数据。实时拍摄的视频为高清摄像机12拍摄的视频，这些视频用来验证数据分析结果，进一步的，视频主要用来验证经过检测点的车辆的车型和检测到的车流量。

数据显示：通过显示器4调用服务器3上的数据分析结果，以便于工人实时掌握车流量和车型；也可以通过显示器4调取并显示实时拍摄的视频，以便于验证数据分析结果，从而验证检测结果；还可以通过显示器4调取工控机2内的数据，比如通过显示器4调取工控机2内的视频数据，由于该视频数据为高清摄像机12在检测点实时拍摄的视频，以便于工人根据该视频实时掌握检测点的交通情况。

本发明的实施原理为：利用两个激光器11均获取所经过车辆的n个截面的三维点云、瞬时速度和与瞬时速度对应的瞬时时间；与现有技术的一个激光器11获取所经过的车辆的点云数据，另一个激光器11获取所经过的车辆的车速、经过车辆间距的数据相比，本发明的通过两个激光器11的瞬时速度和与瞬时速度对应的瞬时时间，通过两个激光器11的瞬时速度和瞬时时间分别计算出车辆经过两个激光器11的平均速度和加速度，并利用两个平均速度对两个激光器11的n个截面的三维点云进行重组，得出车辆经过两个激光器11的三维点云，剔除车辆的三维点云的干扰点；两个激光器11的车辆三维点云通过极值点的距离得出车辆的长宽高，再取两个激光器11的三维点云的长宽高的平均值作为车辆的长宽高数据；利用神经网络算法模型对车辆点云二维投影图像进行车型分类，从而得到所述车辆的车型。两个激光器11的三维点云的长宽高的平均值作为车辆的长宽高数据，减少还原车辆的三维点云产生的误差，有利于正确还原车辆的三维点云形状，从而准确的对车辆的车型进行分类，从而得到更加准确的车型。

本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (10)

1.一种基于双激光点云数据分析的车型分类方法，其特征在于：包括以下步骤：

获取车辆的数据：利用两个激光器均获取所经过车辆的n个截面的三维点云、瞬时速度和瞬时速度对应的瞬时时间；利用高清摄像机获取实时拍摄的视频，用于给工人辅助验证的实时观看的工具；

数据分析：通过检测工控机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参数，并通过神经网络分析得出车辆的车型；其中，根据车辆分别依次经过两个激光器检测范围的瞬时速度和瞬时时间，计算出车辆经过两个激光器的平均速度，通过平均速度对n个截面的三维点云进行重组，得出车辆的三维点云，剔除车辆的三维点云的干扰点，两个激光器检测到的车辆的三维点云均通过极值点的距离得出车辆的长宽高数据，再取两个激光器检测到的车辆的三维点云长宽高数据作为所述车辆的长宽高数据；通过神经网络分析包括：利用神经网络算法模型对车辆点云二维投影图像进行车型分类，得到所述车辆的车型；

数据统计及上传：将所述数据分析结果及实时拍摄的视频进项统计并上传至服务器；

数据显示：通过显示器调用所述服务器上的所述数据分析结果，或通过显示器调用所述服务器存储实时拍摄的视频验证检测结果，或通过显示器调用所述工控机内的数据。

2.根据权利要求1所述的一种基于双激光点云数据分析的车型分类方法，其特征在于：所述瞬时速度包括车辆的车头进入激光器的检测范围时的进入速度和车辆的车尾驶离激光器的检测范围时的驶离速度，所述瞬时时间包括车辆的车头进入激光器的检测范围时的进入时间和车辆的车尾驶离激光器的检测范围时的驶离时间；根据进入速度、驶离速度、进入时间、驶离时间计算出车辆分别经过两个激光器检测范围的平均速度和加速度。

3.根据权利要求1所述的一种基于双激光点云数据分析的车型分类方法，其特征在于：所述干扰点包括所述车辆周围的异物因反射而形成三维点云，所述异物包括但不限于雨水和/或尘土。

4.根据权利要求1所述的一种基于双激光点云数据分析的车型分类方法，其特征在于：所述车辆的三维点云投影为多个二维图像并保留多个所述二维图像的轮廓特征，根据所述轮廓特征生成二维图像的像素数组并作正则处理。

5.根据权利要求1所述的一种基于双激光点云数据分析的车型分类方法，其特征在于：所述神经网络算法模型为自行组建的数据集，通过机器学习和数据集训练形成精确识别车型分类的模型，随着所述神经网络算法模型收集的车辆三维点云的数据越多，利用所述神经网络算法模型对所述车辆的三维点云长宽高数据进行车型分类的精度越高。

6.根据权利要求1所述的一种基于双激光点云数据分析的车型分类方法，其特征在于：所述三维信息构建模型为对两个激光器建立坐标系，以安装激光器的立杆底端为原点、与车辆行驶方向垂直的方向为X轴、沿立杆方向向上为Y轴正方向和通过虚拟速度为Z轴建立坐标系。

7.根据权利要求6所述的一种基于双激光点云数据分析的车型分类方法，其特征在于：所述激光器扫描地面得到一组点云，通过激光器相对于地面的夹角转换成斜率，用最小二乘法通过所述斜率将一组点云中的散点拟合成直线，所述原点至所述直线的距离即为所述激光器的安装高度。

8.根据权利要求6所述的一种基于双激光点云数据分析的车型分类方法，其特征在于：所述虚拟速度根据检测点车流的平均速度配置。

9.一种交通调查设备，其特征在于，用于实现权利要求1-8任一项所述的一种基于双激光点云数据分析的车型分类方法；包括检测设备、工控机、服务器和显示器，所述检测设备包括两个激光器和高清摄像机；所述激光器用于获取所经过车辆的n个截面的三维点云、瞬时速度和瞬时速度对应的瞬时时间；所述高清摄像机用于实时拍摄的视频；所述工控机用于基于神经网络对车型分析、计算车速、车流量、车头时距和车头间距的参数；所述服务器用于数据存储；所述显示器用于实时检测结果的显示并用于基于实时拍摄的视频验证检测结果。

10.根据权利要求9所述的一种交通调查设备，其特征在于，两个激光器在行车方向存在距离并垂直于地面安装。

Images