一种基于3D点云的轮轴个数检测方法技术

本发明专利技术申请提出一种基于3D点云的轮轴个数检测方法，其通过激光雷达感知功能获取车辆动态点云，通过PointNet++网络深度学习网语义分割对点云轮轴进行检测，再通过dbscan聚类算法对轮轴点云进行聚类，通过判断聚类的方框宽度判断每个聚类有几个轮轴，并结合实际轮胎宽度来确定车辆的轮轴个数。相对于传统方法，本方法无需覆盖市场上近乎全面的车型分类样本，只需要每种车轴数量的样本只要超过1000件，对轮轴样本依赖较少，即可实现直观判定车辆轮轴数量的功能，具有较好的市场应用前景。具有较好的市场应用前景。具有较好的市场应用前景。

【技术实现步骤摘要】
一种基于3D点云的轮轴个数检测方法


[0001]本专利技术涉及点云数据处理的
，更具体地，涉及一种汽车雷达点云数据的处理方法。

技术介绍

[0002]根据JT/T489
‑
2019《中华人民共和国交通行业标准》，制定了多种交通应用场景，包括了车型分类。其中收费公路车辆通行费车型分类和交通调查车型分类等车型分类，主要是依靠车辆的车长和车轴两项关键参数来实现的，所以获知车辆的轮轴个数就很重要。
[0003]目前，本申请人在2021年12月1日提出一篇专利申请号为CN202111452252.4，专利名称为“一种汽车雷达点云数据的处理方法”的在先专利申请，该在先专利申请涉及到汽车轮轴个数的检测方法，主要包括如下步骤：S1，将点云原始数据进行标注，根据不同的车型选择相应的轴数，标注后的点云数据一部分作为训练数据，一部分作为测试数据；S2，利用S1的训练数据进行模型训练，先对点云数据进行对齐并进行深度学习迭代训练，再对提取的特征信息进行聚合，同时进行深度学习迭代训练得到训练好的模型；S3，利用S1的测试数据采用S2训练好的模型进行模型推理，将模型输出的预测的轮轴类型与标注的真值对比，得到正确率；S4，正确率大于设定的目标准确率则通过，正确率小于等于设定的目标准确率则增加标注的点云数据的数量，循环步骤S1
‑
S4直至正确率大于设定的目标准确率。采用这种方法确实可以获得车辆的轮轴数量，但是需要采集大量的车型数据样本来建立模型训练，且算法非常复杂，因为本质上该方法采用的是相对值法(或者叫做“端到端”的方法)来判定车辆有几个轮轴，不是很直观。

技术实现思路

[0004]有鉴于此，为了解决采用传统的相对值比较法(或者叫“端到端”的方法)方法获得车辆的轮轴数量需要的样本数量大、样本车型种类多，且计算方法复杂的问题，本专利技术申请提出一种基于3D点云的轮轴个数检测方法，其通过激光雷达感知功能获取车辆动态点云，通过Po i ntNet++网络深度学习网语义分割对点云轮轴进行检测，再通过dbscan聚类算法对轮轴点云进行聚类，通过判断聚类的方框宽度并结合实际轮胎宽度来确定车辆的轮轴个数。相对于传统方法，本方法无需覆盖市场上近乎全面的车型分类样本，只需要采集一定数量的点云样本而不需要类似传统的相对值法(或者叫做“端到端方法”)那样每类车型的轮轴点云都需要大量样本，通常只需要每种车轴数量的样本只要超过1000件，即可实现直观判定车辆轮轴数量的功能，具有较好的市场应用前景。
[0005]一种基于3D点云的轮轴个数检测方法，其包括如下步骤：
[0006]S1，通过安装在路侧的激光雷达获得视场角的所有三维点云数据；
[0007]S2，去除步骤S1中获得的视场角的所有的三维点云数据中的环境点云数据，并初步提取出车辆位置和车辆轮廓，获得车辆原始三维点云数据；
[0008]S3，将步骤S2中车辆原始三维点云信息的所有点投影为多个平面视图，利用区间
过滤法分别滤除每个平面视图的噪声，得到多辆车的精准的车辆轮廓信息，并对每一辆车进行标记；
[0009]S4，根据步骤S3中标识的车辆标记框，得到车辆的位置，根据所述位置来追踪每一辆车的点云数据；
[0010]其特征在于，还包括如下步骤：
[0011]S5，对步骤S4中的每一辆车的点云数据采用目标检测模型软件进行训练，该目标检测模型软件是能够用于目标检测任务的深度学习网络模型，目标检测模型训练完成后，该目标检测模型可以进行聚类分析，识别出点云数据中的轮子；
[0012]S6，用矩形框标记出步骤S5中的识别出的轮子组合，具体的，单独的轮子用一个矩形框标记，多个连续不间断的轮子用同一个矩形框进行标记；当矩形框的宽高比为1:1时，则判定为1个矩形框内有1个轮轴；当矩形框的宽高比为N：80cm时，则判定为1个矩形框内有N个轮轴，每一辆车的轮轴数量为每个矩形框中的轮轴的数量之和。
[0013]进一步的，S1中的激光线束雷达采用多线束激光雷达。
[0014]进一步的，S1中的激光雷达的安装角度能够扫描探测到通行车辆的左侧面或者右侧面中的一面和/或两面。
[0015]进一步的，S2中去除环境点云数据，获得车辆原始点云数据的方法包括：聚类方式或者3D深度学习检测方式。
[0016]进一步的，在步骤S3中，将图像数据采用目标检测模型软件进行训练，该目标检测模型软件是能够用于目标检测任务的利用深度学习网络模型，目标检测模型训练完成后，该目标检测模型能够识别出图像中的车辆，同时在图像中用矩形框标注出车辆。
[0017]进一步优选的，所述的深度学习网络模型为能够实现立体点云分类和分割的Po i ntNet++网络模型。
[0018]进一步的，S4中所述平面视图为车辆左视图和/或右视图，将车辆左视图和/或右视图分别使用固定分辨率区间过滤法进行统计信息，统计信息为每个区间内的点云总数量和最大点云高度。
[0019]进一步优选的，在车辆左视图和/或右视图中，从车头向后搜索，根据所述统计信息找到车辆的真实尾部区间(记为tmp_i ndex),删除真实尾部区间后面的所有点云；车辆真实尾部区间的判断需满足条件：(1)点云高度不足设定的高度阈值，点云数量少于设定的数量阈值，(2)点云数量区间出现突降的位置，(3)向后搜索不再出现点云超过高度阈值和数量阈值。
[0020]进一步优选的，所述高度阈值为车辆最高高度的0.5
‑
0.65倍，所述数量阈值为所有区间点云数量超过10的区间降序排序，取倒数前20％区间的点云数量的均值作为数量阈值，或者以数量40作为数量阈值，两者以更大的值作为数量阈值。货车或挂车的车头与车厢的连接部位，符合所述条件(1)和条件(2)，但是不符合条件(3)。
[0021]进一步优选的，为了降低单区间的测量误差，采用多区间共同判定，若tmp_i ndex后续的几个区间也满足所述条件(1)，则确定tmp_i ndex作为真实尾部区间，tmp_i ndex后面的所有区间的点云直接过滤删除。
[0022]进一步的，S5中的聚类分析方法采用dbscan聚类算法。
[0023]进一步的，S5中将轮子渲染为第一种颜色，将轮子以外的车身部分渲染为第二种
颜色。
[0024]进一步的，S6中的连续不间断的轮子是指当两个轮子之间的距离≤阈值A时，则认为这两个轮子为相邻的轮子，应当用一个矩形框进行标记；否则，当两个轮子之间的距离＞阈值A时，则认为这两个轮子为不相邻的轮子，应当用两个不同的矩形框进行标记。
[0025]进一步优先的，阈值A为80cm。
[0026]进一步优选的，S6中的多组相邻的轮子中如有1个相同的轮子，则判定为一组连续不间断的轮子，应当采用同一个矩形框进行标记。
[0027]进一步优选的，S6中的多组相邻的轮子中如果没有相同的轮子，则判定为多组连续不间断的轮子，应当采用多个不同的矩形框进行标记。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于3D点云的轮轴个数检测方法，其包括如下步骤：S1，通过安装在路侧的激光雷达获得视场角的所有三维点云数据；S2，去除步骤S1中获得的视场角的所有的三维点云数据中的环境点云数据，并初步提取出车辆位置和车辆轮廓，获得车辆原始三维点云数据；S3，将步骤S2中车辆原始三维点云信息的所有点投影为多个平面视图，利用区间过滤法分别滤除每个平面视图的噪声，得到多辆车的精准的车辆轮廓信息，并对每一辆车进行标记；S4，根据步骤S3中标识的车辆标记框，得到车辆的位置，根据所述位置来追踪每一辆车的点云数据；其特征在于，还包括如下步骤：S5，对步骤S4中的每一辆车的点云数据采用目标检测模型软件进行训练，该目标检测模型软件是能够用于目标检测任务的深度学习网络模型，目标检测模型训练完成后，该目标检测模型可以进行聚类分析，识别出点云数据中的轮子；S6，用矩形框标记出步骤S5中的识别出的轮子组合，具体的，单独的轮子用一个矩形框标记，多个连续不间断的轮子用同一个矩形框进行标记；当矩形框的宽高比为1:1时，则判定为1个矩形框内有1个轮轴；当矩形框的宽高比为N：80cm时，则判定为1个矩形框内有N个轮轴，每一辆车的轮轴数量为每个矩形框中的轮轴的数量之和。2.如权利要求1所述的基于3D点云的轮轴个数检测方法，其特征在于：S1中的激光线束雷达采用多线束激光雷达。3.如权利要求1所述的基于3D点云的轮轴个数检测方法，其特征在于：S1中的激光雷达的安装角度能够扫描探测到通行车辆的左侧面或者右侧面中的一面和/或两面。4.如权利要求1所...

【专利技术属性】
技术研发人员：李启达，柳佳，徐锦锦，张小磊，徐明飞，
申请(专利权)人：苏州思卡信息系统有限公司，
类型：发明
国别省市：