一种交通的全息车辆外廓尺寸测量方法、设备及存储介质与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及交通运输路技术领域，特别是涉及一种交通的全息车辆外廓尺寸测量方法、设备及存储介质。背景技术：2.传统收费站需要大量人力，需要24小时不断有人监管进行车辆引导，收费，防止逃费等。随着高清视频技术发展，虽然可以在高速公路沿线以及收费站中设置数字化高清监控视频来实现全过程的监管，但是后续需要靠人工及时发现车辆信息异常（如外廓尺寸与车型、车牌不匹配等）、车主逃费等情况，人工排查效率以及准确率较低，不便于提升收费站通行服务水平。技术实现要素：3.基于此，本发明的目的在于提供一种交通的全息车辆外廓尺寸测量方法、设备及存储介质，用于及时发现异常的车辆信息，以提升收费站通行服务水平。4.第一方面，本发明提供了一种交通的全息车辆外廓尺寸测量方法，包括：划定交通收费广场的通行区域，所述通行区域内设置多个多线激光雷达和摄像机；通过所述摄像机获取驶入所述通行区域内的任一车辆的车牌信息；获取所述多个多线激光雷达实时扫描所述任一车辆得到的三维点云数据，并基于所述三维点云数据，进行全息测量所述任一车辆的外廓尺寸信息，以及识别所述任一车辆的车型信息；通过所述车牌信息和所述车型信息验证所述外廓尺寸信息的合规性。5.在一种可能的设计中，通过所述摄像机获取驶入所述通行区域内的任一车辆的车牌信息，包括：通过所述多个多线激光雷达检测到所述任一车辆行驶至所述通行区域内时，触发所述摄像机对所述任一车辆进行车牌抓拍；从所述摄像机中获取所述任一车辆对应的抓拍序列参数，以及获取预存的车牌信息；将所述抓拍序列参数和所述预存的车配信息进行匹配处理，确定出所述任一车辆的车牌信息，获得所述任一车辆的车牌信息。在一种可能的设计中，基于所述三维点云数据，进行全息测量所述任一车辆的外廓尺寸信息，以及识别所述任一车辆的车型信息，包括：对所述三维点云数据中的静态物体进行分离，保留路面上的车辆点云数据；使用聚类算法对所述车辆点云数据进行目标检测，通过固定频率的两帧之间的位移对所述任一车辆标进行跟踪，同时计算得到所述任一车辆的速度信息；基于所述速度信息，对所述车辆点云数据进行运动补偿还原运动畸变带来的误差，得到补偿后的车辆点云数据；基于所述补偿后的车辆点云数据，识别得到所述任一车辆的尺寸信息；将所述车辆点云数据输入已训练好的神经网络模型，识别得到所述任一车辆的车型信息。6.在一种可能的设计中，对所述三维点云数据中的静态物体进行分离，保留路面上的车辆点云数据，包括：录制所述三维点云数据，标定所述多个多线激光雷达的角度；通过所述三维点云数据的点云特征及所述交通收费广场的现实环境判断地面，并不断调整所述多个多线激光雷达的角度，使得所述三维点云数据的点云与所述现实环境的地面重叠，再划分车辆行驶的区域为有效区域，其余区域为静态环境；保留所述有效区域，获得所述车辆点云数据。7.在一种可能的设计中，基于所述速度信息，对所述车辆点云数据进行运动补偿还原运动畸变带来的误差，得到补偿后的车辆点云数据，包括：获取所述车辆点云数据的每个点云的时间戳；基于所述速度信息，计算所述每个点云的位移；基于所述位移移动所述每个点云后，得到所述补偿后的车辆点云数据。8.在一种可能的设计中，基于所述补偿后的车辆点云数据，识别得到所述任一车辆的尺寸信息，包括：基于所述补偿后的车辆点云数据，识别所述任一车辆的行驶方向最小值和最大值、车道方向最小值和最大值以及高度方向最小值和最大值；将所述行驶方向最小值和最大值之间的差值确定为所述任一车辆的车长，将所述车道方向最小值和最大值之间的差值确定为所述任一车辆的车宽，以及将所述高度方向最小值和最大值之间的差值确定为所述任一车辆的车高，获得所述任一车辆的尺寸信息。9.在一种可能的设计中，所述已训练好的神经网络模型为inceptionv3神经网络模型。10.第二方面，本发明还提供了一种电子设备，包括：处理单元，用于划定交通收费广场的通行区域，所述通行区域内设置多个多线激光雷达和摄像机；通过所述摄像机获取驶入所述通行区域内的任一车辆的车牌信息；获取所述多个多线激光雷达实时扫描所述任一车辆得到的三维点云数据，并基于所述三维点云数据，进行全息测量所述任一车辆的外廓尺寸信息，以及识别所述任一车辆的车型信息；验证单元，用于通过所述车牌信息和所述车型信息验证所述外廓尺寸信息的合规性。11.在一种可能的设计中，所述处理单元具体用于：通过所述多个多线激光雷达检测到所述任一车辆行驶至所述通行区域内时，触发所述摄像机对所述任一车辆进行车牌抓拍；从所述摄像机中获取所述任一车辆对应的抓拍序列参数，以及获取预存的车牌信息；将所述抓拍序列参数和所述预存的车配信息进行匹配处理，确定出所述任一车辆的车牌信息，获得所述任一车辆的车牌信息。在一种可能的设计中，所述处理单元具体用于：对所述三维点云数据中的静态物体进行分离，保留路面上的车辆点云数据；使用聚类算法对所述车辆点云数据进行目标检测，通过固定频率的两帧之间的位移对所述任一车辆标进行跟踪，同时计算得到所述任一车辆的速度信息；基于所述速度信息，对所述车辆点云数据进行运动补偿还原运动畸变带来的误差，得到补偿后的车辆点云数据；基于所述补偿后的车辆点云数据，识别得到所述任一车辆的尺寸信息；将所述车辆点云数据输入已训练好的神经网络模型，识别得到所述任一车辆的车型信息。12.在一种可能的设计中，所述处理单元具体用于：录制所述三维点云数据，标定所述多个多线激光雷达的角度；通过所述三维点云数据的点云特征及所述交通收费广场的现实环境判断地面，并不断调整所述多个多线激光雷达的角度，使得所述三维点云数据的点云与所述现实环境的地面重叠，再划分车辆行驶的区域为有效区域，其余区域为静态环境；保留所述有效区域，获得所述车辆点云数据。13.在一种可能的设计中，所述处理单元具体用于：获取所述车辆点云数据的每个点云的时间戳；基于所述速度信息，计算所述每个点云的位移；基于所述位移移动所述每个点云后，得到所述补偿后的车辆点云数据。14.在一种可能的设计中，所述处理单元具体用于：基于所述补偿后的车辆点云数据，识别所述任一车辆的行驶方向最小值和最大值、车道方向最小值和最大值以及高度方向最小值和最大值；将所述行驶方向最小值和最大值之间的差值确定为所述任一车辆的车长，将所述车道方向最小值和最大值之间的差值确定为所述任一车辆的车宽，以及将所述高度方向最小值和最大值之间的差值确定为所述任一车辆的车高，获得所述任一车辆的尺寸信息。15.在一种可能的设计中，所述已训练好的神经网络模型为inceptionv3神经网络模型。16.第三方面，本发明还提供了一种电子设备，包括：至少一个存储器和至少一个处理器；所述至少一个存储器用于存储一个或多个程序；当所述一个或多个程序被所述至少一个处理器执行时，实现上述第一方面任一种可能设计所涉及的方法。17.第四方面，本发明还提供了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至少一个程序；当所述至少一个程序被处理器执行时，实现上述第一方面任一种可能设计所涉及的方法。18.本发明的有益效果如下：相较于现有技术而言，本发明通过划定交通收费广场的通行区域，通行区域内设置多个多线激光雷达和摄像机；通过摄像机获取驶入通行区域内的任一车辆的车牌信息；获取多个多线激光雷达实时扫描任一车辆得到的三维点云数据，并基于三维点云数据，进行全息测量任一车辆的外廓尺寸信息，以及识别任一车辆的车型信息；通过车牌信息和车型信息验证外廓尺寸信息的合规性，便于及时发现异常的车辆信息，排查出车主逃费等情况，有助于提升收费站通行服务水平。19.在本发明中，通过利用各种感知设备和数据处理技术，包括摄像机、多线激光雷达、多目标轨迹追踪等等，配合雷达点云算法，抓拍匹配等技术，从而及时获知交通收费广场的车辆异常、诱导等信息，后续再通过在通行流水、过车效率、通行日志等关键指标的基础上建立通行效率指数，即可实现打通收费、交通诱导、路网流量管控、自由流预交易、防逃费等系统，进一步可以方便全面提高收费站的通行效率和运营能力。20.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21.图1为本发明提供的一种交通的全息车辆外廓尺寸测量方法的流程示意图；图2为本发明提供的一种多个多线激光雷达在交通收费广场的通行区域内的安装布置的示意图；图3为本发明提供的一种三维点云数据的示意图；图4为本发明提供的一种有效区域的示意图；图5为本发明提供的一种车辆在两帧之间的位移的示意图；图6为本发明提供的一种多线激光雷达未发生运动畸变与发生运动畸变之间的扫描对比示意图；图7a为本发明提供的一种原始车辆点云数据的示意图；图7b为本发明提供的一种补偿后的车辆点云数据的示意图；图8为本发明提供的一种电子设备的结构示意图；图9为本发明提供的另一种电子设备的结构示意图。具体实施方式22.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。23.以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与本发明的一些方面相一致的实施方式的例子。24.在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本说明书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，本说明书中使用的术语“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。25.请参考图1所示，本发明提供了一种交通的全息车辆外廓尺寸测量方法，包括如下步骤：s11、划定交通收费广场的通行区域，该通行区域内设置多个多线激光雷达和摄像机。26.在具体实施时，可以根据交通收费广场内的收费车道的布置，划定交通收费广场的通行区域。27.作为一种示例，以多个多线激光雷达为2个为例，多个多线激光雷达在该通行区域内的安装布置可以如图2所示，即图2中的1号雷达和2号雷达均为多线激光雷达。28.s12、通过摄像机获取驶入该通行区域内的任一车辆的车牌信息。29.在具体实施时，当通过多个多线激光雷达检测到任一车辆行驶至该通行区域内时，如该通行区域内的指定位置（可根据实际需求进行设置）时，触发摄像机对任一车辆进行车牌抓拍。30.在具体实施时，摄像机对任一车辆进行车牌抓拍时，可以获得任一车辆对应的抓拍序列参数，如抓拍序列图片。换言之，从摄像机中即可获取到任一车辆对应的抓拍序列参数。31.在具体实施时，还可以获取预存的车牌信息，例如，可以从交通管理服务平台中获取其预存的车牌信息。通过将任一车辆对应的抓拍序列参数和预存的车配信息进行匹配处理，即可确定出任一车辆的车牌信息，获得任一车辆的车牌信息。例如，可以采用现有图像识别技术识别出抓拍序列参数中的车牌信息，再将识别出的车牌信息与预存的车牌信息进行匹配，即可确定出任一车辆的车牌信息。32.在本发明中，通过使用多个多线激光雷达检测驶入交通收费广场的人以车辆，可以减少视觉盲区，减少了遮挡带来的测量误差，再结合摄像机对任一车辆的车牌进行抓拍，可以便于后续对任一车辆进行外廓尺寸测量识别管理，有助于防止任一车辆的车主逃费。33.s13、获取多个多线激光雷达实时扫描任一车辆得到的三维点云数据，并基于三维点云数据，进行全息测量任一车辆的外廓尺寸信息，以及识别任一车辆的车型信息。34.在具体实施时，可以通过多个多线激光雷达实时扫描任一车辆，以减少视觉盲区，减少遮挡带来的测量误差。之后，可以获取多个多线激光雷达实时扫描得到的三维点云数据。35.作为一种示例，多个多线激光雷达实时扫描得到的三维点云数据可以如图3所示。36.在具体实施时，由于多个多线激光雷达实时扫描得到的三维点云数据还包含了很多静态物体如地面，栏杆等，为了能够便于对任一车辆进行追踪，可以对该三维点云数据中的静态物体进行分离，保留路面上的车辆点云数据。37.比如，可以录制该三维点云数据，标定多个多线激光雷达的角度，例如可以使用相应的辅助工具标定多个多线激光雷达的角度。之后，可以通过该三维点云数据的点云特征及交通收费广场的现实环境判断地面，并不断调整多个多线激光雷达的角度，使得三维点云数据的点云与该现实环境的地面重叠，再划分车辆行驶的区域为有效区域，其余区域为静态环境。最后保留有效区域，即可获得车辆点云数据。38.作为一种示例，有效区域可以如图4中的矩形框区域所示。39.在具体实施时，可以使用聚类算法对车辆点云数据进行目标检测，例如，可以使用欧氏聚类算法将车辆点云数据中的距离紧密度高的点云聚合起来，如使用 kd-tree 数据结构进行点云聚合，这种结构平均可以加快从 o (n)到o (log (n))点云的查找时间。之后，可以通过固定频率的两帧之间的位移对任一车辆标进行跟踪，同时计算得到任一车辆的速度信息。40.比如，根据常规车速和激光雷达帧率可以大概推测出车辆的最大位移量，例如帧率为10hz的雷达，车速120km/h，则车辆的最大位移量为3.33米。判断任一车辆在两帧之间的位移在最大位移量之内，则属于同一个目标，达到跟踪效果。通过下述公式（1）即可计算得到任一车辆的速度信息。41.v=s/t（1）其中，v表示任一车辆的速度信息，s表示为任一车辆在两帧之间的位移，t表示为多线激光雷达的帧率。42.作为一种示例，如图5所示，在多线激光雷达的两帧时间之内，某一车辆从左侧位置移动到右侧位置，两个车头之间的距离即为该车辆在两帧之间的位移。43.如图6所示，由于多线激光雷达每一帧，是以多线激光雷达为中心环绕扫描一周（如100ms）得到的。当多线激光雷达本体或所在装置静止时，多线激光雷达的扫描起始点和终止点可以比较好地闭合（坐标原点始终保持不变），但当多线激光雷达或自所在装置运动时，自运动畸变就会发生，环绕一圈的数据就会发生扭曲，导致环绕不再闭合（不同点的坐标原点不同）。44.基于此，在具体实施时，本发明通过基于计算得到的速度信息对车辆点云数据进行运动补偿还原运动畸变带来的误差，得到补偿后的车辆点云数据。之后，再基于补偿后的车辆点云数据，识别得到任一车辆的尺寸信息。45.比如，多线激光雷达扫描的每个点云会带有时间戳，因此，可以获取车辆点云数据的每个点云的时间戳。之后，可以基于上述计算得到的速度信息，计算每个点云的位移，如根据上述公式（1）计算每个点云的位移。基于该位移移动每个点云后，即可得到补偿后的车辆点云数据。46.作为一种示例，某个车辆的原始车辆点云数据可以如图7a所示，经过运动补偿后的车辆点云数据可以如图7b所示。47.再比如，可以基于补偿后的车辆点云数据，识别任一车辆的行驶方向最小值和最大值、车道方向最小值和最大值以及高度方向最小值和最大值，再将行驶方向最小值和最大值之间的差值确定为任一车辆的车长，将车道方向最小值和最大值之间的差值确定为任一车辆的车宽，以及将高度方向最小值和最大值之间的差值确定为任一车辆的车高，即可获得任一车辆的尺寸信息，即该尺寸信息包括车长、车宽和车高。48.在具体实施时，可以预先采集车辆的点云，生成侧视图，保存为json格式的点云文件，再通过人工使用点云标记工具标记该车辆的车型，如将图7b所示的车辆的车型标记为6轴货车。将标记好的数据集进行训练，使用inceptionv3神经网络模型，采用不同大小的卷积核，使得存在不同大小的感受野（receptive field），最后实现拼接达到不同尺度特征的融合。后续还可以不断扩充标记的点云数量来提升inceptionv3神经网络模型预测的准确率。之后，将该车辆点云数据输入已训练好的神经网络模型，即可识别得到任一车辆的车型信息，即已训练好的神经网络模型可以为inceptionv3神经网络模型。49.s14、通过车牌信息和车型信息验证外廓尺寸信息的合规性。50.在具体实施时，可以通过任一车辆的外廓尺寸信息与车牌信息、车型信息是否匹配，来验证任一车辆的外廓尺寸的合规性，以及时发现异常的车辆信息，有助于提升收费站通行服务水平。51.综上，相较于现有技术而言，本发明通过划定交通收费广场的通行区域，通行区域内设置多个多线激光雷达和摄像机；通过摄像机获取驶入通行区域内的任一车辆的车牌信息；获取多个多线激光雷达实时扫描任一车辆得到的三维点云数据，并基于三维点云数据，进行全息测量任一车辆的外廓尺寸信息，以及识别任一车辆的车型信息；通过车牌信息和车型信息验证外廓尺寸信息的合规性，便于及时发现异常的车辆信息，排查出车主逃费等情况，有助于提升收费站通行服务水平。52.综上，在本发明中，通过利用各种感知设备和数据处理技术，包括摄像机、多线激光雷达、多目标轨迹追踪等等，配合雷达点云算法，抓拍匹配等技术，从而及时获知交通收费广场的车辆异常、诱导等信息，后续再通过在通行流水、过车效率、通行日志等关键指标的基础上建立通行效率指数，即可实现打通收费、交通诱导、路网流量管控、自由流预交易、防逃费等系统，进一步可以方便全面提高收费站的通行效率和运营能力。53.基于同一发明构思，本发明实施例还提供了一种电子设备，如图8所示，电子设备可以包括：处理单元21，用于划定交通收费广场的通行区域，通行区域内设置多个多线激光雷达和摄像机；通过摄像机获取驶入通行区域内的任一车辆的车牌信息；获取多个多线激光雷达实时扫描任一车辆得到的三维点云数据，并基于三维点云数据，进行全息测量任一车辆的外廓尺寸信息，以及识别任一车辆的车型信息；验证单元22，用于通过车牌信息和车型信息验证外廓尺寸信息的合规性。54.在一种可能的设计中，处理单元21具体用于：通过多个多线激光雷达检测到任一车辆行驶至通行区域内时，触发摄像机对任一车辆进行车牌抓拍；从摄像机中获取任一车辆对应的抓拍序列参数，以及获取预存的车牌信息；将抓拍序列参数和预存的车配信息进行匹配处理，确定出任一车辆的车牌信息，获得任一车辆的车牌信息。在一种可能的设计中，处理单元21具体用于：对三维点云数据中的静态物体进行分离，保留路面上的车辆点云数据；使用聚类算法对车辆点云数据进行目标检测，通过固定频率的两帧之间的位移对任一车辆标进行跟踪，同时计算得到任一车辆的速度信息；基于速度信息，对车辆点云数据进行运动补偿还原运动畸变带来的误差，得到补偿后的车辆点云数据；基于补偿后的车辆点云数据，识别得到任一车辆的尺寸信息；将车辆点云数据输入已训练好的神经网络模型，识别得到任一车辆的车型信息。55.在一种可能的设计中，处理单元21具体用于：录制三维点云数据，标定多个多线激光雷达的角度；通过三维点云数据的点云特征及交通收费广场的现实环境判断地面，并不断调整多个多线激光雷达的角度，使得三维点云数据的点云与现实环境的地面重叠，再划分车辆行驶的区域为有效区域，其余区域为静态环境；保留有效区域，获得车辆点云数据。56.在一种可能的设计中，处理单元21具体用于：获取车辆点云数据的每个点云的时间戳；基于速度信息，计算每个点云的位移；基于位移移动每个点云后，得到补偿后的车辆点云数据。57.在一种可能的设计中，处理单元21具体用于：基于补偿后的车辆点云数据，识别任一车辆的行驶方向最小值和最大值、车道方向最小值和最大值以及高度方向最小值和最大值；将行驶方向最小值和最大值之间的差值确定为任一车辆的车长，将车道方向最小值和最大值之间的差值确定为任一车辆的车宽，以及将高度方向最小值和最大值之间的差值确定为任一车辆的车高，获得任一车辆的尺寸信息。58.在一种可能的设计中，已训练好的神经网络模型为inceptionv3神经网络模型。59.本发明实施例中的电子设备与上述图1所示的交通的全息车辆外廓尺寸测量方法是基于同一构思下的发明，通过前述对交通的全息车辆外廓尺寸测量方法的详细描述，本领域技术人员可以清楚的了解本实施例中电子设备的实施过程，所以为了说明书的简洁，在此不再赘述。60.基于同一发明构思，本发明实施例还提供了一种电子设备，如图9所示，电子设备可以包括：至少一个存储器31和至少一个处理器32。其中：至少一个存储器31用于存储一个或多个程序。61.当一个或多个程序被至少一个处理器32执行时，实现上述图1所示的交通的全息车辆外廓尺寸测量方法。62.电子设备还可以可选地包括通信接口，通信接口用于与外部设备进行通信和数据交互传输。63.需要说明的是，存储器31可能包含高速ram存储器，也可能还包括非易失性存储器 (nonvolatile memory)，例如至少一个磁盘存储器。64.在具体的实现过程中，如果存储器31、处理器32及通信接口集成在一块芯片上，则存储器31、处理器32及通信接口可以通过内部接口完成相互间的通信。如果存储器31、处理器32和通信接口独立实现，则存储器31、处理器32和通信接口可以通过总线相互连接并完成相互间的通信。65.基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以存储有至少一个程序，当至少一个程序被处理器执行时，实现上述图1所示的交通的全息车辆外廓尺寸测量方法。66.应当理解，计算机可读存储介质为可存储数据或程序的任何数据存储设备，数据或程序其后可由计算机系统读取。计算机可读存储介质的示例包括：只读存储器、随机存取存储器、cd-rom、hdd、dvd、磁带和光学数据存储设备等。67.计算机可读存储介质还可分布在网络耦接的计算机系统中使得计算机可读代码以分布式方式来存储和执行。68.计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频(radio frequency，rf)等，或者上述的任意合适的组合。69.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!