一种多线束激光雷达的车辆尺寸测量方法与流程

1.本发明涉及点云数据处理的技术领域，更具体地，涉及一种多线束激光雷达的车辆尺寸测量方法。


背景技术：

2.激光雷达目前已经广泛用于路端的车辆检测中，通过激光雷达获得三维点云数据，激光雷达的成像特性不受白天黑夜的光照影响，正常情况能够获取到的车辆点云图像噪声少，理论上能够准确获得车辆的长宽高信息。
3.在公路的应用中，通常用到激光雷达来进行自动收费或者称重等，在超限的检测中，也用到了激光雷达，通过对激光雷达获得的点云数据进行分析，得知目标车辆的长、宽和高，特别适用于限高或者限宽的场景。但是，实际上由于多线束固态激光点云由于扫描方式原因，无法一帧中同时获得所有反射的点云。车辆在运动的过程中，激光雷达回波产生车辆的运动畸变和重影现象。且由于激光点云的性质，近处的物体反射点多且分辨率高，但是远处物体反射的激光点少、分辨率低，其测量不准确。
4.有鉴于此，本发明提供一种多线束激光雷达的车辆尺寸测量方法，能够准确的自动测量车辆的长、宽和高。


技术实现要素：

5.本发明的目的在于，提供一种多线束激光雷达的车辆尺寸测量方法，能够准确的自动测量车辆的长、宽和高。
6.一种多线束激光雷达的车辆尺寸测量方法，包括步骤：
7.s1，通过安装在路端的多线束激光雷达获得点云数据，再提取车辆轮廓信息获得车辆点云，并获得其移动速度和位置信息；
8.s2，对每单帧车辆点云进行运动补偿，消除车辆的运动畸变和重影，再对运动补偿后的多帧目标车辆点云进行累计叠加；
9.s3，将叠加后的车辆点云投影为侧视图和俯视图的平面图，再将平面图绘制最小外接矩形框(能把目标车辆框起来的最小矩形，即边界重合的矩形)，计算出目标车辆的长、宽和高。
10.在一些实施方式中，在步骤s1中，所述多线束激光雷达安装在道路侧桩或者龙门架上，获得视场角的所有三维点云数据。
11.进一步的，所述多线束激光雷达的安装高度大于车辆的高度(安装高度≥5米)，能够扫描到车辆的车头或车尾、车辆侧面和车顶，该多线束激光雷达的视场角为一个车道或多个车道。
12.在一些实施方式中，在步骤s1中，对原始点云数据，先去除环境点云，再提取车辆的轮廓信息，去除环境点云的方法包括：动态点云提取或者地面背景点去除，提取车辆轮廓信息的方法包括：聚类方法或者3d深度学习检测方法。
13.在一些实施方式中，在步骤s1中，获得车辆的移动速度和位置信息的方法，包括：反射计算方法、车辆检测技术或者车辆跟踪技术中的一种，车辆检测技术包括：聚类方法或者深度学习方法，车辆跟踪方法包括：sort跟踪算法或者卡尔曼滤波算法。
14.进一步的，设置九维的状态矩阵来计算车辆的移动速度，九维由三维位置(x,y,z)、三维速度(vx,vy,vz)以及长宽高组成。可以获得更稳定、精确的移动速度。
15.在一些实施方式中，在步骤s2中，利用接收到的点云时间戳和车辆移动速度对每单帧车辆点云进行运动补偿，再将一帧中的每个目标车辆的点云分别统一到该车辆的独立三维坐标系(x,y,z)中。
16.进一步的，所述点云时间戳由多线束激光雷达内部数据获取，所述三维坐标系(x,y,z)的原点为目标车辆3d轮廓包围框的某一个顶点。
17.进一步的，进行运动补偿的步骤为：在获取原始点云数据中，一帧中所有点都有自己的时间戳，记第i个点的时间为ti,其运动补偿前的坐标记为xi、yi、zi，记一帧中点云时间最大的为tf，车辆移动的实时速度通过之前的计算获得，记为(vx,vy,vz)，则每个点的三维运动补偿量(dx,dy,dz)可由公式得出：dx＝vx*(tf-ti)；dy＝vy*(tf-ti)；dz＝vz*(tf-ti)，则一帧中第i个点的运动补偿后的坐标为xi’＝xi+dx，yi’＝yi+dy，zi’＝zi+dz。
18.在一些实施方式中，在步骤s2中，进行累积叠加的多帧车辆点云，其三维坐标系的原点相同。
19.进一步的，在单帧车辆运动补偿后，记录该目标车辆点云三维坐标的最大和最小值(xmin,xmax,ymin,ymax,zmin,zmax)，再将其归化到车辆独立坐标系中，将该车辆单帧运动补偿点云中所有点的坐标减去xmin,ymin,zmin，即可得到单个车辆的具有独立坐系的点云，记为(carpti)；在每个目标车辆都有各自的独立坐标系统后，则车辆的点云叠加仅仅需要将下一帧的车辆点云carpt
i+1
累加到之前车辆点云carpti中。
20.进一步的，进行叠加的多帧车辆点云，是某帧车辆点云在一定距离范围内(如10米-30米)产生的该目标车辆的车辆点云，即是某帧车辆点云相近的若干帧(如4-6帧)目标车辆点云。
21.在一些实施方式中，在步骤s3之前，对叠加后的车辆点云进行去除噪声。
22.进一步的，去除噪声为去除车尾、车顶和点云反射一侧的边缘噪点，设点云总数为n，分别去除这三个方向n*0.0005的点云数。(正常叠帧点云数目在4000-20000个，即一共先去除边缘2*3—10*3个点。)
23.在一些实施方式中，在步骤s3中，投影为平面图后，先对俯视图计算目标车辆靠近激光雷达的侧面点连线的曲率，若曲率的变化率≤阈值，则表示该目标车辆未在转弯；若若曲率的变化率＞阈值，则表示该目标车辆在转弯，并且曲率变化最大处为车头与车身的分隔点。
24.进一步的，曲率的变化率dk获得的步骤为：投影为平面图后，先对俯视图(x为横轴，y为纵轴)计算目标车辆靠近激光雷达的侧面点，每隔0.05米取一个y坐标最小值的点(x
0.05i
,y
min
)，得到一系列车辆侧面的轮廓线，分别取其中x最大和最小各5组点，求取均值作为车头和车尾的起始点，记为p
head
,p
tail
；计算车辆侧面轮廓线的点p
0.05i
与这两个点的斜率，并求差值绝对值，记为该线段斜率变化率dk，dk最大时，该车辆侧面轮廓线上的点就是为车头与车身的分隔点。
25.进一步的，若目标车辆未在转弯，通过侧视图和俯视图的最小外接矩形框分别计算出目标车辆的第一长度和高度、第二长度和宽度，目标车辆的长度为第一长度与第二长度中的较大值。
26.进一步的，若目标车辆在转弯，得到车头相对车身的倾斜角度，并且通过分隔点分割车头与车身；针对车头，将车头的侧视图和俯视图进行平行于分割线的分割，分割的间距为m，对每个分割块绘制最小外接矩形框，车头的高度为侧视图所有分割块的最小外接矩形框的高度的最大值，车头的宽度为俯视图所有分割块的最小外接矩形框的宽度的最大值，车头的第一长度为侧视图所有分割块的最小外接矩形框的长度之和，车头的第二长度为俯视图所有分割块的最小外接矩形框的长度之和，车头的长度为一长度与第二长度中的较大值；针对车身，通过车身的侧视图和俯视图的最小外接矩形框分别计算出车身的第一长度和高度、第二长度和宽度，车身的长度为第一长度与第二长度中的较大值；目标车辆的长度为车头长度与车身长度之和，目标车辆的高度为车头高度与车身高度中的较大值，目标车辆的宽度为车头宽度与车身宽度中的较大值。
27.进一步的，所述阈值为0.04-0.07，m为0.4-0.7米。
附图说明
28.结合以下附图一起阅读时，将会更加充分地描述本技术内容的上述和其他特征。可以理解，这些附图仅描绘了本技术内容的若干实施方式，因此不应认为是对本技术内容范围的限定。通过采用附图，本技术内容将会得到更加明确和详细地说明。
29.图1为本技术实施例1的截取的多线束固态激光雷达一帧原始点云图。
30.图2为本技术的图1运功补偿和累积叠加后的目标车辆点云图。
31.图3为申请的图2投影后的侧视图和俯视图。
具体实施方式
32.描述以下实施例以辅助对本技术的理解，实施例不是也不应当以任何方式解释为限制本技术的保护范围。
33.在以下描述中，本领域的技术人员将认识到，在本论述的全文中，组件可描述为单独的功能单元(可包括子单元)，但是本领域的技术人员将认识到，各种组件或其部分可划分成单独组件，或者可整合在一起(包括整合在单个的系统或组件内)。组件或系统之间的连接并不旨在限于直接连接。相反，在这些组件之间的数据可由中间组件修改、重格式化、或以其它方式改变。另外，可使用另外或更少的连接。还应注意，术语“联接”、“连接”、或“输入”“固定”应理解为包括直接连接、通过一个或多个中间媒介来进行的间接的连接或固定。
34.实施例1：
35.一种多线束激光雷达的车辆尺寸测量方法，第一步，通过安装在路端的多线束激光雷达获得点云数据，多线束激光雷达安装在道路侧桩或者龙门架上，获得视场角的所有三维点云数据。所述多线束激光雷达的安装高度大于车辆的高度，安装高度应该大于等于5米，能够扫描到车辆的车头或车尾、车辆侧面和车顶，该多线束激光雷达的视场角为一个车道或多个车道。
36.对原始点云数据，先去除环境点云，再提取车辆的轮廓信息，去除环境点云的方法
为动态点云提取，提取车辆轮廓信息的方法为聚类方法。然后获得车辆的移动速度和位置信息，获得车辆的移动速度和位置信息的方法，包括为车辆跟踪技术，车辆跟踪方法为卡尔曼滤波算法。并且，设置九维的状态矩阵来计算车辆的移动速度，九维由三维位置(x,y,z)、三维速度(vx,vy,vz)以及长宽高组成。可以获得更稳定、精确的移动速度。
37.第二步，对每单帧车辆点云进行运动补偿，因为如图1所示，是截取的多线束固态激光雷达一帧原始点云，可以明显看到由于激光雷达回波产生的运动畸变、运动车辆反射点的重影现象，且侧面点云较少，点云成像不够清晰。
38.第一方面，需要通过运动补偿来消除车辆的运动畸变和重影。利用接收到的点云时间戳和车辆移动速度对每单帧车辆点云进行运动补偿，具体步骤为：在获取原始点云数据中，一帧中所有点都有自己的时间戳，由多线束激光雷达内部数据获取，记第i个点的时间为ti,其运动补偿前的坐标记为xi、yi、zi，记一帧中点云时间最大的为tf，车辆移动的实时速度通过之前的计算获得，记为(vx,vy,vz)，则每个点的三维运动补偿量(dx,dy,dz)可由公式得出：dx＝vx*(tf-ti)；dy＝vy*(tf-ti)；dz＝vz*(tf-ti)，则一帧中第i个点的运动补偿后的坐标为xi’＝xi+dx，yi’＝yi+dy，zi’＝zi+dz。
39.第二方面，利用多帧运动补偿后的单帧车辆点云，进行累积叠加，能够丰富点云少的地方，使得成像更清晰。具体步骤为：在单帧车辆运动补偿后，记录该目标车辆点云三维坐标的最大和最小值(xmin,xmax,ymin,ymax,zmin,zmax)，再将其归化到车辆独立坐标系中，将该车辆单帧运动补偿点云中所有点的坐标减去xmin,ymin,zmin，即可得到单个车辆的具有独立坐系的点云，记为(carpti)；在每个目标车辆都有各自的独立坐标系统后，则车辆的点云叠加仅仅需要将下一帧的车辆点云carpt
i+1
累加到之前车辆点云carpti中。即将一帧中的每个目标车辆的点云分别统一到该车辆的独立三维坐标系中，并且进行累积叠加的多帧车辆点云，其三维坐标系的原点相同，三维坐标系(x,y,z)的原点为目标车辆3d轮廓包围框的某一个顶点。进行叠加的多帧车辆点云，是某帧车辆点云10米-30米产生的该目标车辆的车辆点云，即是某帧车辆点云相近的4-6帧目标车辆点云。图1经过运动补偿和叠加累积后的车辆点云，如图2所示，此时车辆点云成像更加清楚，细节更丰富。
40.第三步，对叠加后的车辆点云进行去除噪声，去除噪声为去除车尾、车顶和点云反射一侧的边缘噪点，设点云总数为n，分别去除这三个方向n*0.0005的点云数。正常叠帧点云数目在4000-20000个，即一共先去除边缘2*3—10*3个点。
41.第四步，将叠加后的车辆点云投影为侧视图和俯视图的平面图，图2投影后的侧视图和俯视图如图3所示，再将平面图绘制最小外接矩形框，最小外接矩形框是能把目标车辆框起来的最小矩形，即边界重合的矩形。先对俯视图(x为横轴，y为纵轴)计算目标车辆靠近激光雷达的侧面点每隔0.05米取一个y坐标最小值的点(x
0.05i
,y
min
)，得到一系列车辆侧面的轮廓线，分别取其中x最大和最小各5组点，求取均值作为车头和车尾的起始点，记为p
head
,p
tail
。计算车辆侧面轮廓线的点p
0.05i
与这两个点的斜率，并求差值绝对值，记为该线段斜率变化率dk，若dk≤阈值0.05，则表示该目标车辆未在转弯；若dk＞阈值0.05，则表示该目标车辆在转弯，并且dk最大时，该车辆侧面轮廓线上的点就是为车头与车身的分隔点。
42.若目标车辆未在转弯，通过侧视图和俯视图的最小外接矩形框分别计算出目标车辆的第一长度和高度、第二长度和宽度，目标车辆的长度为第一长度与第二长度中的较大值。
43.若目标车辆在转弯，得到车头相对车身的倾斜角度，并且通过分隔点分割车头与车身；针对车头，将车头的侧视图和俯视图进行平行于分割线的分割，分割的间距为m 0.5米，对每个分割块绘制最小外接矩形框，车头的高度为侧视图所有分割块的最小外接矩形框的高度的最大值，车头的宽度为俯视图所有分割块的最小外接矩形框的宽度的最大值，车头的第一长度为侧视图所有分割块的最小外接矩形框的长度之和，车头的第二长度为俯视图所有分割块的最小外接矩形框的长度之和，车头的长度为一长度与第二长度中的较大值；针对车身，通过车身的侧视图和俯视图的最小外接矩形框分别计算出车身的第一长度和高度、第二长度和宽度，车身的长度为第一长度与第二长度中的较大值；目标车辆的长度为车头长度与车身长度之和，目标车辆的高度为车头高度与车身高度中的较大值，目标车辆的宽度为车头宽度与车身宽度中的较大值。
44.尽管本技术已公开了多个方面和实施方式，但是其它方面和实施方式对本领域技术人员而言将是显而易见的，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。本技术公开的多个方面和实施方式仅用于举例说明，其并非旨在限制本技术，本技术的实际保护范围以权利要求为准。