CN111882882A - 一种动态平板秤称重区域汽车跨车道行驶行为检测方法 - Google Patents

Abstract

本发明公开了一种动态平板秤称重区域汽车跨车道行驶行为检测方法。包括：建立道路车辆动态测重区域建筑信息模型；进行跨道行为检测，并对两侧摄像头采集的图像进行分析，检测车辆目标，若一侧摄像头采集的图像帧中车辆包围框中心点位于图像纵向中心线，则选取这一图像帧对应时刻两侧摄像头采集的图像，触发车轮着地点检测；将车轮着地点投影至动态测重区域建筑信息模型；根据动态测重区域建筑信息模型地面坐标系中车轮着地点的位置关系，分析车辆个数以及车辆的前后位置关系，得到不同车辆轮胎与平板秤重量曲线峰值的对应关系，根据对应关系计算车辆测重结果。利用本发明，在汽车跨道时仍能获得准确的测重结果。

Description

一种动态平板秤称重区域汽车跨车道行驶行为检测方法

技术领域

本发明涉及人工智能、车辆动态称重领域，具体涉及一种动态平板秤称重区域汽车跨车道行驶行为检测方法。

背景技术

车辆动态称重，即车辆无需停车直接从地秤上行驶，便可得到车辆的重量。道路上同一车道往往使用两个或以上数量的平板式地秤进行车辆测重。对于单向多车道的道路，需要放置多个地秤，同车道的两个地秤为一组可以得到车辆的轴重。多车道的道路上，若司机在测重区域进行跨道行为，地秤得到的重量不准确，存在超载的车辆司机常以此方式作弊从而避免处罚。在这种情况下，需要识别出车辆的行为并对重量数据进行分析处理，才能得到合理的车辆测重结果。

CN 106781529 A使用各平板秤的示数显示顺序来判别跨道行为，为防止个别地秤损坏影响结果，两个车道共使用了20个平板式测重仪。该方案虽然能够根据波形判断出跨道行为，无法得到测重结果。CN 206038132 U使用错位放置的方法，通过放置多个平板式测重仪来获得车辆跨道时的轴重。该方案需要大量的平板式测重仪来填充道路平面，同时当道路上出现多个车时，测重仪显示先后的顺序很难来匹配到同一辆车，同样无法得到测重结果。CN101870293B检测车辆的跨道行为，使用车道线延长线和图像底部的交点是否在车辆的成像内判断，面向车辆主动安全驾驶，使用条件和判断标准十分局限，不能应用于动态测重场景下。还有一些方案利用车辆和车道线是否相交来判断跨道或压线行为，需要设计算法检测车辆、车道线，不仅方法繁琐，而且判断出的结果可靠性也较差。

发明内容

本发明提供了一种动态平板秤称重区域汽车跨车道行驶行为检测方法，在汽车跨道时仍能获得准确的测重结果。

一种动态平板秤称重区域汽车跨车道行驶行为检测方法，该方法基于动态测重区域信息建模单元、跨道行为检测单元、路侧摄像头触发单元、车辆检测单元、车辆图像获取单元、车轮着地点检测单元、测重结果分析单元执行；

动态测重区域信息建模单元，用于建立道路车辆动态测重区域建筑信息模型；

跨道行为检测单元，用于利用跨道行为检测深度神经网络对道路上方摄像头采集的图像进行推理分析，得到跨道车辆关键点热力图，热力图中的热斑表示车辆头部与车道线交点的置信度；

路侧摄像头触发单元，用于检测跨道行为检测单元得到的跨道车辆关键点热力图中是否存在热斑，若存在热斑则判定存在车辆跨车道行驶，开启道路两侧摄像头采集图像；

车辆检测单元，用于对两侧摄像头采集的图像进行分析，检测车辆目标，若一侧摄像头采集的图像帧中车辆包围框中心点位于图像纵向中心线，则选取这一图像帧对应时刻两侧摄像头采集的图像，触发车轮着地点检测；

车辆图像获取单元，用于对车辆检测单元选取的两帧图像分别进行车辆包围框区域截取，得到第一包围框区域、第二包围框区域；

车轮着地点检测单元，用于检测第一包围框区域、第二包围框区域中的车轮着地点，并将车轮着地点投影至动态测重区域建筑信息模型；

测重结果分析单元，用于根据动态测重区域建筑信息模型地面坐标系中车轮着地点的位置关系，分析车辆个数以及车辆的前后位置关系，得到不同车辆轮胎与平板秤重量曲线峰值的对应关系，根据对应关系计算车辆测重结果。

跨道行为检测深度神经网络包括：

跨道行为检测编码器，用于提取输入图像的特征，输出跨道关键点特征图；

跨道行为检测解码器，用于对跨道关键点特征图进行上采样重构，得到跨道车辆关键点热力图。

车辆检测单元利用车辆检测深度神经网络检测车辆目标。

车辆检测深度神经网络包括：

车辆检测编码器，用于对图像进行特征提取，输出车辆检测特征图；

车辆检测解码器，用于对车辆检测特征图上采样重构，输出车辆包围框的宽、高、中心点。

第一包围框区域、第二包围框区域具体为：

选取的两帧图像中，针对车辆包围框中心点位于图像纵向中心线的图像，从图像中截取中心点位于图像纵向中心线的车辆包围框，得到第一包围框区域，针对另一帧图像，从图像中截取与图像纵向中心线相交的包围框区域，得到第二包围框区域。

车轮着地点检测单元采用车轮着地点检测深度神经网络对第一包围框区域、第二包围框区域进行分析，得到对应的车轮着地点热力图。

车轮着地点检测深度神经网络包括：

车轮着地点检测编码器，用于对图像进行编码提取特征，得到车轮着地点特征图；

车轮着地点检测解码器，用于对车轮着地点特征图进行上采样还原，得到车轮着地点热力图。

根据对应关系计算车辆测重结果包括：

道路车辆动态测重区域包括同一行驶方向的两车道，第一车道内分布有第一平板秤、第二平板秤，第二车道内分布有第三平板秤、第四平板秤，若一车辆在第一车道内正常行驶经过第一平板秤、第二平板秤，同时另一车辆在测重区域跨道经过第二平板秤、第三平板秤，两车车轮同时测重，第一平板秤称重曲线包括两个峰值A1、A2，第二平板秤称重曲线包括两个峰值B1、B2，第三平板秤称重曲线包括两个峰值C1、C2，则跨道车辆的测重结果：W1＝B1*C1/(A1+C1)+C1+B2*C2/(A2+C2)+C2，正常行驶车辆的测重结果：W2＝B1*A1/(A1+C1)+A1+B2*A2/(A2+C2)+A2；

若一车辆在第一车道内正常行驶经过第一平板秤、第二平板秤，另一车辆在测重区域跨道经过平板秤第二平板秤、第三平板秤，正常行驶车辆快于跨道车辆测重，两车测重受到相互干扰，第一平板秤称重曲线包括两个峰值A1、A2，第二平板秤称重曲线包括两个峰值B1、B2、B3、B4，第三平板秤称重曲线包括两个峰值C1、C2，则跨道车辆的测重结果：W1＝B2+C1+B4+C2，正常行驶车辆的测重结果：W2＝A1+B1+A2+B3；

若一车辆在第一车道内正常行驶经过第一平板秤、第二平板秤，第一平板秤称重曲线包括两个峰值A1、A2，第二平板秤称重曲线包括两个峰值B1、B2，则车辆的测重结果：W1＝A1+B1+A2+B2。

本发明的有益效果在于：

1.基于深度学习技术设计跨道行为检测深度神经网络来判断跨道行为，检测车辆头部与车道线交点，无需检测车道线位置、车辆位置，无需分析车道线分析车道线与车辆之间的位置关系，单帧图像即可检测出跨道行为，降低了对设备的性能要求，不仅检测效率高，而且检测精度更高。

2.本发明根据跨道行为检测结果开启左右摄像头采集图像，只有当存在跨道行为的时候才开启路侧摄像头，能有效降低设备功耗。

3.本发明设计车辆检测深度神经网络检测车辆目标，根据筛选条件从路侧摄像头采集的图像各取一帧图像用于后续测重结果分析，不仅降低了***计算量，而且截取的车辆图像能够有效避免其他车辆的干扰，得到准确的车辆定位结果。

4.本发明结合动态测重区域建筑信息模型分析车辆位置关系，从而获得平板秤称重曲线峰值与车辆轮胎之间的对应关系，在存在车辆跨道行为时，能够获得准确的车辆测重结果。

附图说明

图1为本发明框架图；

图2为本发明执行流程图；

图3为存在跨道行为时上方摄像头的成像示意图；

图4为动态测重区域场景的正视图；

图5为动态测重区域场景的俯视图；

图6为存在跨道行为时动态测重区域俯视图；

图7为平板秤实际称重曲线图；

图8为各平板秤的重量曲线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种动态平板秤称重区域汽车跨车道行驶行为检测方法。本发明框架如图1所示。下面通过具体实施例来进行说明。

实施例一：

动态平板秤称重区域汽车跨车道行驶行为检测方法：

动态测重区域信息建模单元，用于建立道路车辆动态测重区域建筑信息模型。图2为本发明执行流程图。

建立动态测重区域建筑信息模型，一方面可以结合WebGIS技术得到更好的可视化效果，另一方面可以与跨车道行为检测结果、车轮着地点检测结果结合，分析出车辆与平板秤之间的位置关系，从而用于进一步分析车辆测重结果。

动态测重区域建筑信息模型包括车道信息、平板秤分布信息、相机设置信息等用于动态测重区域三维空间建模的环境信息。上述信息中均包含地理位置信息，通过上述信息结合WebGIS技术可以实现车辆动态测重区域的三维空间建模。车辆动态测重区域的建筑信息模型还包括相机位姿信息。信息交换模块是一种BIM的数据库的访问模块，可以是多种形式，在此举例：可以是RESTful、MQ等多种信息交换形式，实施者自行选择具体采用何种实现方式。利用信息交换模块，可以实现建筑信息模型与外部接口之间的信息交互，例如通过信息交换模块获取相机实时感知的图像数据。

基于计算机视觉检测技术具有非接触、高效性和经济性等显著优势，在各类检测管理应用方面有着广泛的应用前景。因此采用建筑信息模型BIM和计算机视觉相结合的形式，能有效的提高监管效率。将结果利用WebGIS进行可视化处理，将网络输出结果作为信息上传到WebGIS中，工作人员可在Web上进行查看，便于监管人员了解该区域的情况。

本发明的主要目的为了检测车辆的跨道行为，并根据车辆状态分析平板秤测重波形，最后得到车辆的重量。

对跨道车辆的检测，采用关键点的形式。相较检测车辆和车道线后再后处理的方式，本发明所用方式更加快速且准确。图3为道路上车辆成像和车道线的关系图。车辆是立体的对象，即使车辆没有压车道线，成像结果中也会出现车辆遮挡住车道线的情况。因此，仅以车辆成像有没有遮盖车道线来判断跨道行为，所得结果并不可靠。本发明摄像头拍摄图像都为迎向行驶的车辆，且摄像头位置为道路的正上方，故判断车辆有没有跨道，可以采用车头与车道线交点来判断。如图3中，车辆2头部与车道线的交点可以选作关键点，表示车辆压线的行为，即表示该车辆为跨道车辆。

跨道行为检测单元，用于利用跨道行为检测深度神经网络对道路上方摄像头采集的图像进行推理分析，得到跨道车辆关键点热力图，热力图中的热斑表示车辆头部与车道线交点的置信度。

为了快速检测出视野中是否存在车辆跨道，本发明基于深度学习技术设计了跨道行为检测深度神经网络。跨道行为检测深度神经网络为Encoder-Decoder的结构，跨道行为检测编码器用于提取输入图像的特征，其输出的跨道关键点特征图作为跨道行为检测编码器的输入，跨道行为检测解码器对跨道关键点特征图进行上采样重构，得到跨道车辆关键点热力图。跨道车辆关键点热力图中的热斑表示车辆头部与车道线交点的置信度。

对跨道行为检测深度神经网络的具体训练方法如下：

1)数据集采用道路上方摄像头拍摄的存在跨道行为车辆的图像以及不存在跨道行为车辆的图像。图像中的车辆应尽量包括各种车型。

2)标签为跨道车辆头部和车道线的交点。具体可以采用车辆头部保险杠和车道线的交点，其他如车身或车尾和车道线的交点都不可用来判别车辆的跨道行为。标注过程为：该关键点对应一个单通道，在该通道中，标记关键点对应像素的位置，而后采用高斯模糊，使标记点处形成关键点热斑。

3)所用loss函数使用均方误差损失函数。

跨道行为检测深度神经网络基于神经网络检测车辆头部与车道线的交点，该方式检测跨道行为的优点包括：只检测交点目标，更加快速；直接利用CNN根据空域上的特征来检测关键点，不再需要检测出车辆和车道线后再设计后处理；单帧图像即可检测出跨道行为，降低了对设备的性能要求，适合低功耗摄像头使用；检测到道路上有跨道车辆后再使用两侧摄像头采集图像并进行后续判断，使得***有了对应的开启条件，不再需要全天持续监测，合理高效地利用设备资源，增加了设备的使用寿命。

路侧摄像头触发单元，用于检测跨道行为检测单元得到的跨道车辆关键点热力图中是否存在热斑，若存在热斑则判定存在车辆跨车道行驶，开启道路两侧摄像头采集图像。

为了确保上方摄像头和两侧摄像头采集图像中车辆对应，故当道路上方摄像头检测到各车道最前方车辆存在跨道行为时，开启左右两侧的摄像头对道路上的车辆进行图像采集。道路两侧摄像头用于拍摄车辆侧面视图，获得车辆车轮与地面接触位置的关键点，即车轮着地点。因此，道路两侧摄像头的高度不宜过高，实施者应根据具体实施情况调整两侧摄像头的位姿。两侧的摄像头用于拍摄车辆的侧面，获得车辆的包围框和车轮与地面接触位置的关键点。该位置的关键点能保证投影时产生的误差最小。本发明摄像头的放置具有一定限制，需要正对平板秤侧面放置，并使得平板秤在摄像头成像中心点下方，该方式能简单有效地判断出测重的车轮，即采集图像中若车轮成像的中心位于图形纵向中心线上，则可以认为该车轮位于平板秤正上方，进行了有效的测重。同时摄像头使用三角架支撑放置，需要获得摄像头高度以及到平板秤中心点的垂直距离，以方便关键点的投影和几何模型的建立。图4为动态测重区域场景的正视图。图5为动态测重区域场景的俯视图。

检测到道路上有跨道车辆后再使用两侧摄像头采集图像并进行后续判断，使得***有了对应的开启条件，不再需要全天持续监测，合理高效地利用设备资源，延长了设备的使用寿命。

车辆检测单元，用于对两侧摄像头采集的图像进行分析，检测车辆目标，若一侧摄像头采集的图像帧中车辆包围框中心点位于图像纵向中心线，则选取这一图像帧对应时刻两侧摄像头采集的图像，触发车轮着地点检测。具体地，车辆检测单元包括车辆检测深度神经网络，利用该网络对两侧摄像头采集的图像进行包围框检测。车辆检测深度神经网络包括车辆检测编码器、车辆检测解码器。车辆检测编码器用于对图像进行特征提取，其输出的车辆检测特征图作为车辆检测解码器的输入，经车辆检测解码器上采样重构输出车辆包围框的宽、高、中心点。

本发明基于CenterNet的方法设计车辆检测深度神经网络获得车辆侧面的包围框，即由DNN网络回归出包围框的中心点和包围框的宽度、高度。车辆检测深度神经网络的具体训练内容如下：

1)数据集采用侧面视角拍摄的各种车的图像，考虑到实际道路情况，应包含轿车、客车、卡车等多种车型车辆。

2)数据标签为x、y、w、h，其中x、y为包围框中心的坐标，w为包围框的宽，h为包围框的高。标注时，被遮挡住部分也应标注出其包围框。

3)所用loss函数使用均方误差损失函数。

本发明使用两侧摄像头采集跨道车辆在平板秤上测重的情况。为了避免其他车辆的影响，且降低计算量，满足低功耗设备的使用，故仅需采集左右两侧各一帧图像进行车轮着地点检测并对跨道车辆实际情况进行判断。触发对采集的图像进行车轮着地点检测的条件为：针对左右摄像头采集的图像，计算图像中车辆包围框对应的中心点坐标与图像纵向中心线的距离，当左摄像头和/或右摄像头采集的图像中有包围框的中心点位于图像纵向中心线上时(即车辆包围框中心点位于视野中央)，取两侧摄像头这一时刻采集的图像，进行车轮着地点检测，确定车辆位置。

车辆图像获取单元，用于对车辆检测单元选取的两帧图像分别进行车辆包围框区域截取，得到第一包围框区域、第二包围框区域。

选取的两帧图像中，针对车辆包围框中心点位于图像纵向中心线的图像，从图像中截取中心点位于图像纵向中心线的车辆包围框，得到第一包围框区域，针对另一帧图像，从图像中截取与图像纵向中心线相交的包围框区域，得到第二包围框区域。

车轮着地点检测深度神经网络开启后，检测的范围为：对于触发开启条件的相机采集的图像，其中存在一个包围框其中心点位于纵向中心线上，对图像进行裁剪操作，仅检测该包围框内车轮和地面接触处的关键点。对于另一侧相机采集的图像，得到该图像中车辆包围框的中心点坐标和框的高和宽，计算出包围框的四个点坐标。若包围框与图像纵向中心线相交，则以包围框为遮罩进行裁剪操作，仅对该包围框内部区域图像进行车轮着地点检测。

其他区域无需进行车轮着地点检测，即两帧图像都只检测一个车辆包围框内的车轮关键点。该方式能有效避免跨道情况判断过程中其他无关车辆的干扰。

车轮着地点检测单元，用于检测第一包围框区域、第二包围框区域中的车轮着地点，并将车轮着地点投影至动态测重区域建筑信息模型。

车轮着地点检测单元包括车轮着地点检测深度神经网络，该网络对第一包围框区域、第二包围框区域进行分析，得到对应的车轮着地点热力图。两侧的摄像头用于拍摄车辆的侧面，获得车辆的车轮与地面接触位置的关键点。该位置能保证投影时产生的误差最小。

本发明设计了车轮着地点检测深度神经网络来检测图像中的车轮着地点。车轮着地点检测深度神经网络为Encoder-Decoder的结构。车轮着地点检测编码器，用于对图像进行编码提取特征，得到车轮着地点特征图；车轮着地点检测解码器对车轮着地点特征图进行上采样还原，得到车轮着地点热力图。

对车轮着地点检测深度神经网络的具体训练内容如下：

1)数据集采用侧面视角拍摄的各种车的图像，若现实场景中不好采集，可由模拟器中生成。

2)标签为车轮和地面接触位置的关键点，若该位置被图像中其他物体遮挡，仍需标注出被遮挡的关键点。标注过程为：该关键点对应一个单通道，在该通道中，标记关键点对应像素的位置，而后采用高斯模糊，使标记点处形成关键点热斑。

3)所用loss函数使用均方误差损失函数。

将从道路两侧视图检测到的车轮着地点投影到动态测重区域建筑信息模型地面坐标系。检测出的关键点需结合相机参数投影到动态测重区域BIM地面上，投影过程采用投影变换实现。投影变换基于选取的角点计算单应性矩阵，根据该单应性矩阵即可完成成像视图到动态测重区域建筑信息模型地面坐标系的投影变换。

测重结果分析单元，用于根据动态测重区域建筑信息模型地面坐标系中车轮着地点的位置关系，分析车辆个数以及车辆的前后位置关系，得到不同车辆轮胎与平板秤重量曲线峰值的对应关系，根据对应关系计算车辆测重结果。

根据车轮投影位置可以确定车辆的位置。对左右相机采集的图像进行分析得到车轮和地面接触位置关键点后，投影到BIM上，如图6所示。双车道最多可并行两辆车，若多于两辆，则必有一辆骑跨中间车道线。左侧相机采集图像分析得到的车轮关键点为白色点，右侧相机采集到的关键点为黑色点。a与b为同辆车的车轮着地点，c与d为同辆车的车轮着地点。根据车宽的距离范围1.6m～2.5m可以进行车辆的匹配。

各关键点的所属车辆判断过程为：关键点投影到BIM地面上。根据车辆检测深度神经网络得到的包围框可以判别出a和b同属一车，c和d同属一车。根据a和b确定直线ab，c和d确定直线cd，且直线ab和cd中心点间距离大于经验车宽，故点a和点b确定的车辆与点c和点d确定的车辆并非同一车辆。

动态测重***即车辆不需减速、停车，可以直接继续行驶，实现车辆行驶状态下的动态测重。图6中为两车道进行测重的情况，共使用了四个平板秤，编号从1到4，即平板秤1、平板秤2、平板秤3、平板秤4，依次对应第一平板秤、第二平板秤、第三平板秤、第四平板秤。平板秤1与平板秤2的组合可以得到车道1中车辆的轴重，3与4可以得到车道2中车辆的轴重。所以当所有车辆正常行驶时，根据平板秤1、平板秤2的组合，平板秤3、平板秤4的组合得到对应车道车辆的重量。

本实施例采用的平板秤的参数如表1所示。

表1

每车道共需安装两个该型号平板秤。

如果不对跨道行为进行分析，则当单独一辆汽车通过平板秤时，无法检测到车辆真实重量。如图6中车辆3在测重区域跨道时，只有平板秤2、平板秤3会有重量数据，此时再以上述基本的组合进行车辆测重计算，则会得出结论：车道1与车道2都有车辆经过，但重量都很轻。

当存在两辆车辆以一定的顺序前后过称，其中一辆车辆存在跨道行为，如果不结合跨道行为进行分析，则跨道车辆的测重结果必然不准确，而且该跨道车辆还会对另一车辆的测重结果造成干扰。如图6所示，存在车辆1和车辆2时，由于车辆1的跨道行为，会使得车辆2测出的重量受到干扰，车轮上秤的先后顺序不同，产生的干扰也不同。同时上秤，会使得平板秤2的数据过大，不同时上秤会使得车辆总重量计算时所依据的轴重顺序不正确。

综上所述，不同的行驶情况会使得平板秤上重量曲线也不同，应结合车辆的行驶情况和平板秤上波峰值进行分析。

分析车辆的前后位置关系以及测重区域建筑信息模型中的车辆轮胎位置，得到不同车辆轮胎与平板秤重量曲线峰值的对应关系，根据对应关系计算车辆测重结果。

判断出车轮的所属车辆后，利用车辆的对称性和已知的车轮直线补全另一侧的车轮情况，对称宽度为车辆的经验车宽。至此可以得到车辆的所有车轮情况。如图6中所示，a′、b′、c′、d′分别为a、b、c、d的对称车轮。

汽车驶入称重区域时，由于汽车自身因素以及路面不平整的影响，使得平板秤传感器信号受到各种干扰因素，输出的重量曲线带有噪声。动态平板秤的传感器输出的信号主要包括汽车质量的真实信号和噪声信号。如图7所示，为平板秤实际称重曲线示意图。图中实线曲线为实际地秤输出的车辆车轮重量信号，虚线为理想车辆车轮重量曲线。如图所示，汽车均速驶入秤台时车轮并未上秤，此时理想重量曲线为一直线，且值为0；当汽车车轮部分到达称台上时，重量曲线呈线性增长，如图中所示的梯形波左侧上升直线；当汽车车轮完全上秤后，重量曲线呈现平稳状态，如图中所示梯形波中间的平稳直线；当汽车车轮部分下称时，重量曲线呈现线性减小，如图中所示的梯形波右侧下降直线；即一个车轮的称重过程，理想重量曲线呈现梯形状态。对于含有噪声的重量曲线，可以使用卡尔曼滤波等方式对其进行去噪处理，结合波形得到对应的梯形波形。

根据车辆的数目和车轮投影点的纵向坐标判断出车轮的先后测重顺序和对应的平板秤区域。最终可得到车辆轮胎与平板秤重量曲线峰值之间的对应关系。图6中车辆轮胎与平板秤的对应关系为表2所示。

表2

顺序	标识	所属车辆	平板秤
				1	a	车辆2	1
2	a′	车辆2	2
				3	c	车辆1	3
4	c′	车辆1	2
				5	b	车辆2	1
6	b′	车辆2	2
				7	d	车辆1	3
8	d′	车辆1	2

平板秤1测重时产生的重量曲线峰值分别记为A1、A2、A3、A4；平板秤2测重时产生的重量曲线峰值分别记为B1、B2、B3、B4；平板秤3测重时产生的重量曲线峰值分别记为C1、C2、C3、C4；平板秤4测重时产生的重量曲线峰值分别记为D1、D2、D3、D4，各个峰值下标表示峰值的前后顺序。车辆的重量为W，以W1、W2分别表示车辆1、车辆2的重量。

各种情况的车辆重量计算方式如下：

1)车辆1正常从车道2行驶过去

W1＝C1+D1+C2+D2

2)车辆1正常从车道1行驶过去

W1＝A1+B1+A2+B2

3)车辆1在测重区域进行跨道，且没有其他车辆干扰

W1＝B1+C1+B2+C2

4)车辆1在测重区域进行跨道，车辆2在车道1正常行驶，两车车轮同时测重

W1＝B1*C1/(A1+C1)+C1+B2*C2/(A2+C2)+C2

W2＝B1*A1/(A1+C1)+A1+B2*A2/(A2+C2)+A2

5)车辆1在测重区域进行跨道，车辆2在车道1正常行驶，车辆2快于车辆1(即图6中所示情况)，所得重量曲线如图8所示，其中横轴为时间，纵轴为平板秤测得的重量数据。数据已经经过去噪处理。

W1＝B2+C1+B4+C2

W2＝A1+B1+A2+B3

6)车辆1在测重区域进行跨道，车辆2在车道1正常行驶，车辆1快于车辆2

W1＝B1+C1+B3+C2

W2＝A1+B2+A2+B4

本发明根据车辆的行驶情况并结合平板秤重量曲线的波形可以得到跨道车辆的重量，且考虑了其他车辆造成干扰的情况。

以上实施例仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种动态平板秤称重区域汽车跨车道行驶行为检测方法，其特征在于，该方法基于动态测重区域信息建模单元、跨道行为检测单元、路侧摄像头触发单元、车辆检测单元、车辆图像获取单元、车轮着地点检测单元、测重结果分析单元执行；

动态测重区域信息建模单元，用于建立道路车辆动态测重区域建筑信息模型；

跨道行为检测单元，用于利用跨道行为检测深度神经网络对道路上方摄像头采集的图像进行推理分析，得到跨道车辆关键点热力图，热力图中的热斑表示车辆头部与车道线交点的置信度；

路侧摄像头触发单元，用于检测跨道行为检测单元得到的跨道车辆关键点热力图中是否存在热斑，若存在热斑则判定存在车辆跨车道行驶，开启道路两侧摄像头采集图像；

车辆检测单元，用于对两侧摄像头采集的图像进行分析，检测车辆目标，若一侧摄像头采集的图像帧中车辆包围框中心点位于图像纵向中心线，则选取这一图像帧对应时刻两侧摄像头采集的图像，触发车轮着地点检测；

车辆图像获取单元，用于对车辆检测单元选取的两帧图像分别进行车辆包围框区域截取，得到第一包围框区域、第二包围框区域；

车轮着地点检测单元，用于检测第一包围框区域、第二包围框区域中的车轮着地点，并将车轮着地点投影至动态测重区域建筑信息模型；

测重结果分析单元，用于根据动态测重区域建筑信息模型地面坐标系中车轮着地点的位置关系，分析车辆个数以及车辆的前后位置关系，得到不同车辆轮胎与平板秤重量曲线峰值的对应关系，根据对应关系计算车辆测重结果。

2.如权利要求1所述的方法，其特征在于，跨道行为检测深度神经网络包括：

跨道行为检测编码器，用于提取输入图像的特征，输出跨道关键点特征图；

跨道行为检测解码器，用于对跨道关键点特征图进行上采样重构，得到跨道车辆关键点热力图。

3.如权利要求1所述的方法，其特征在于，所述车辆检测单元利用车辆检测深度神经网络检测车辆目标。

4.如权利要求3所述的方法，其特征在于，所述车辆检测深度神经网络包括：

车辆检测编码器，用于对图像进行特征提取，输出车辆检测特征图；

车辆检测解码器，用于对车辆检测特征图上采样重构，输出车辆包围框的宽、高、中心点。

5.如权利要求1所述的方法，其特征在于，所述第一包围框区域、第二包围框区域具体为：

选取的两帧图像中，针对车辆包围框中心点位于图像纵向中心线的图像，从图像中截取中心点位于图像纵向中心线的车辆包围框，得到第一包围框区域，针对另一帧图像，从图像中截取与图像纵向中心线相交的包围框区域，得到第二包围框区域。

6.如权利要求1所述的方法，其特征在于，所述车轮着地点检测单元采用车轮着地点检测深度神经网络对第一包围框区域、第二包围框区域进行分析，得到对应的车轮着地点热力图。

7.如权利要求6所述的方法，其特征在于，所述车轮着地点检测深度神经网络包括：

车轮着地点检测编码器，用于对图像进行编码提取特征，得到车轮着地点特征图；

车轮着地点检测解码器，用于对车轮着地点特征图进行上采样还原，得到车轮着地点热力图。

8.如权利要求1所述的方法，其特征在于，所述根据对应关系计算车辆测重结果包括：

道路车辆动态测重区域包括同一行驶方向的两车道，第一车道内分布有第一平板秤、第二平板秤，第二车道内分布有第三平板秤、第四平板秤，若一车辆在第一车道内正常行驶经过第一平板秤、第二平板秤，同时另一车辆在测重区域跨道经过第二平板秤、第三平板秤，两车车轮同时测重，第一平板秤称重曲线包括两个峰值A1、A2，第二平板秤称重曲线包括两个峰值B1、B2，第三平板秤称重曲线包括两个峰值C1、C2，则跨道车辆的测重结果：W1＝B1*C1/(A1+C1)+C1+B2*C2/(A2+C2)+C2，正常行驶车辆的测重结果：W2＝B1*A1/(A1+C1)+A1+B2*A2/(A2+C2)+A2；

若一车辆在第一车道内正常行驶经过第一平板秤、第二平板秤，另一车辆在测重区域跨道经过平板秤第二平板秤、第三平板秤，正常行驶车辆快于跨道车辆测重，两车测重受到相互干扰，第一平板秤称重曲线包括两个峰值A1、A2，第二平板秤称重曲线包括两个峰值B1、B2、B3、B4，第三平板秤称重曲线包括两个峰值C1、C2，则跨道车辆的测重结果：W1＝B2+C1+B4+C2，正常行驶车辆的测重结果：W2＝A1+B1+A2+B3；

若一车辆在第一车道内正常行驶经过第一平板秤、第二平板秤，第一平板秤称重曲线包括两个峰值A1、A2，第二平板秤称重曲线包括两个峰值B1、B2，则车辆的测重结果：W1＝A1+B1+A2+B2。

Images