【技术实现步骤摘要】
本申请涉及一种交通运输，尤其涉及一种基于多线激光雷达的交通信息采集方法、设备及介质。
技术介绍
1、目前，公路交通情况调查设备（简称交调设备）的检测方式多数采用单线雷达。而单线雷达往往采用瞬时检测方式采集数据，再根据采集到的数据对目标车辆的速度、长度等进行估算。然而，这种计算方式繁琐，且计算结果数值浮动比较大，易受到车速以及同个截面中的其他车辆遮挡的影响，不利于提高交调设备采集得到的交通信息的准确度。
技术实现思路
1、本申请实施例提供一种基于多线激光雷达的交通信息采集方法、设备及介质，以解决相关技术存在的问题，技术方案如下：
2、第一方面，本申请实施例提供了一种基于多线激光雷达的交通信息采集方法，包括：
3、s100、点云采集：在目标车辆行驶进入检测区域时，利用多线激光雷达对所述目标车辆的侧面和俯视面进行扫描，获得三维点云数据；
4、s200、点云降采样：采用体素滤波器对所述三维点云数据进行降采样处理，获得新的三维点云数据；
5、s300、目标检测：采用欧式聚类算法对所述新的三维点云数据进行聚类操作，将属于所述目标车辆的所有点云划分为一类，获得聚类点云数据；
6、s400、目标跟踪：通过多次重复执行步骤s100至步骤s300，以对所述目标车辆持续进行多帧点云数据采集，获得多帧聚类点云数据，再根据所述多帧聚类点云数据对所述目标车辆进行目标跟踪以及进行相对位置点云叠加补全，得到点云特征完整且数量适合的最终目标点云数据；>
7、s500、车辆数据特征获取：根据所述最终目标点云数据和所述多帧聚类点云数据，获取所述目标车辆的车辆数据特征，所述车辆数据特征包括外廓尺寸和车速；
8、s600、车辆预判：根据所述车辆数据特征判断所述目标车辆符合预设条件时执行s700，否则执行s800；
9、s700、集装箱车辆判断：根据所述最终目标点云数据，收集所述目标车辆的后半段的顶部点云数据，再根据所述顶部点云数据判断所述目标车辆是否为集装箱车辆，得到判断结果；
10、s800：车型分类：将所述最终目标点云数据通过侧视图投影成二维灰度图片，获得所述目标车辆的图片特征，将所述图片特征和所述车辆数据特征输入到训练好的卷积神经网络模型中进行预测，得到所述目标车辆的车型分类结果；
11、s900、结果上传：将所述车辆数据特征和所述判断结果传输到交通调查平台，或将所述车辆数据特征和所述车型分类结果传输到所述交通调查平台。
12、在本申请实施例中，执行步骤s100至步骤s700，能够获得准确度较高的车辆数据特征、车型分类结果，从而可以提高采集得到的交通信息的准确度，进一步可以提高对检测站点的交通流量调查的准确性。
13、在一种实施方式中，步骤s300具体包括：
14、s310、寻找所述新的三维点云数据中的第一目标点，使用kd tree寻找所述新的三维点云数据中与所述第一目标点最近的n个点，再将所述n个点中距离小于预设距离阈值的点放在第一q类集合中；
15、s320、在所述第一q类集合中寻找第二目标点，按照步骤s310的方式，更新所述第一q类集合，得到第二q类集合；
16、s330、在所述第二q类集合中寻找第三目标点，按照步骤s310的方式，更新所述第二q类集合，得到第三q类集合；
17、s340、以此类推，直至最终得到的q类集合再也不能有新点加入，则完成聚类搜索；
18、s350、对上述聚类结果进行遍历，参考预设的道路车辆尺寸，对尺寸异常的聚类结果缩小所述预设距离阈值再做二次聚类操作，直至无尺寸异常的聚类结果为止，得到所述聚类点云数据。
19、在一种实施方式中，根据所述多帧聚类点云数据对所述目标车辆进行目标跟踪以及进行相对位置点云叠加补全，得到点云特征完整且数量适合的最终目标点云数据包括：
20、根据所述多帧聚类点云数据，采用卡尔曼滤波算法进行对所述目标车辆目标追踪，获得所述目标车辆的多帧点云数据；
21、将所述多帧点云数据进行相对位置点云叠加补全，以得到点云特征完整的目标点云数据；
22、对所述目标点云数据进行采样抽稀处理，得到所述最终目标点云数据。
23、在一种实施方式中，根据所述多帧聚类点云数据对所述目标车辆进行目标跟踪以及进行相对位置点云叠加补全，得到点云特征完整且数量适合的最终目标点云数据之前，所述方法还包括：
24、s800、运动补偿：采用迭代最近点算法对所述多帧聚类点云数据进行运动补偿矫正，返回矫正后的多帧聚类点云数据。
25、在一种实施方式中，在执行步骤s400之前，所述方法还包括：
26、s900、噪声点滤除：采用雨雾干扰点滤除算法滤除所述三维点云数据中存在的异常点云，返回滤除后的三维点云数据，以及，根据特定位置的预设边框，滤除位于所述聚类点云数据中的所述特定位置周边存在的异常点云。
27、在一种实施方式中，根据所述最终目标点云数据，收集所述目标车辆的后半段的顶部点云数据包括：
28、遍历所述最终目标点云数据，求出所述目标车辆的车头边界点和车尾边界点；
29、从所述最终目标点云数据中除去所述车头边界点、所述车尾边界点，取集装箱箱体范围，得到所述顶部点云数据。
30、在一种实施方式中，根据所述顶部点云数据判断所述目标车辆是否为集装箱车辆，得到判断结果包括：
31、将所述顶部点云数据按俯视图网格化投影为二维投影图片，所述二维投影图片的投影值为所述顶部点云数据的点云高度值；
32、基于所述二维投影图片，对投影到同一个网格的多个点云取高度最大值，再计算所述二维投影图片中的各个网格点云的目标标准差，以及确定所述二维投影图片中高度最大值不为0的网格数量；
33、获取预设的投影网格数量和标准差阈值；
34、根据所述目标标准差、所述网格数量、所述投影网格数量和所述标准差阈值，判断所述目标车辆是集装箱车辆时，得到所述目标车辆是集装箱车辆的判断结果；或者，根据所述目标标准差、所述网格数量、所述投影网格数量和所述标准差阈值，判断所述目标车辆不是集装箱车辆时，得到所述目标车辆不是集装箱车辆的判断结果。
35、第二方面，本申请实施例还提供了一种交调设备，包括：
36、点云采集单元，用于在目标车辆行驶进入检测区域时，利用多线激光雷达对所述目标车辆的侧面和俯视面进行扫描，获得三维点云数据；
37、降采样处理单元，用于采用体素滤波器对所述三维点云数据进行降采样处理，获得新的三维点云数据；
38、目标检测单元，用于采用欧式聚类算法对所述新的三维点云数据进行聚类操作，将属于所述目标车辆的所有点云划分为一类，获得聚类点云数据；
39、目标跟踪单元，用于通过多次重复执行步骤s100至步骤s300，以对所述目标车辆持续进行多本文档来自技高网...
【技术保护点】
1.一种基于多线激光雷达的交通信息采集方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，步骤S300具体包括：
3.根据权利要求1所述的方法，其特征在于，根据所述多帧聚类点云数据对所述目标车辆进行目标跟踪以及进行相对位置点云叠加补全，得到点云特征完整且数量适合的最终目标点云数据包括：
4.根据权利要求1所述的方法，其特征在于，根据所述多帧聚类点云数据对所述目标车辆进行目标跟踪以及进行相对位置点云叠加补全，得到点云特征完整且数量适合的最终目标点云数据之前，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，在执行步骤S400之前，所述方法还包括：
6.根据权利要求1-5任一项所述的方法，其特征在于，根据所述最终目标点云数据，收集所述目标车辆的后半段的顶部点云数据包括：
7.根据权利要求6所述的方法，其特征在于，根据所述顶部点云数据判断所述目标车辆是否为集装箱车辆，得到判断结果包括：
8.一种交调设备，其特征在于，包括：
9.一种交调设备，其特征在于，包括：存储器
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，当所述计算机程序在计算机上运行时，实现如权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种基于多线激光雷达的交通信息采集方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，步骤s300具体包括：
3.根据权利要求1所述的方法，其特征在于，根据所述多帧聚类点云数据对所述目标车辆进行目标跟踪以及进行相对位置点云叠加补全，得到点云特征完整且数量适合的最终目标点云数据包括：
4.根据权利要求1所述的方法，其特征在于，根据所述多帧聚类点云数据对所述目标车辆进行目标跟踪以及进行相对位置点云叠加补全，得到点云特征完整且数量适合的最终目标点云数据之前，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，在执行步骤s400之前，所述方法还包括：
...【专利技术属性】
技术研发人员：张卓文，钟楠，朱志伟，冯遇春，
申请(专利权)人：广州市杜格科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。