CN112432647A - 车厢的定位方法、装置、***及计算机可读存储介质 - Google Patents

Abstract

本申请公开了一种车厢的定位方法、装置、***及计算机可读存储介质。车厢的定位方法包括：获取车辆对应的三维点云数据；将三维点云数据投影至地面，得到平面点云；通过alpha‑shapes处理平面点云得到轮廓点云；根据轮廓点云判断车辆是半挂式还是连体式；采用ransac对轮廓点云进行直线模型拟合，求取与车辆的顶部轮廓相匹配的至少两组相互垂直的直线模型，及其至少三个交点坐标；若车辆为半挂式，则根据至少三个交点坐标获取车辆的车厢的顶点坐标；若车辆为连体式，则根据至少三个交点坐标计算车辆的测量形状数据，根据至少三个交点坐标及车厢占整车比计算车辆的车厢的顶点坐标，从而提升了车厢定位效率，以及增强了抗噪声能力。

Description

车厢的定位方法、装置、***及计算机可读存储介质

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种车厢的定位方法、车厢的定位装置、车厢的定位***及计算机可读存储介质。

背景技术

目前的车厢定位方法主要有基于三维点云语义分割方法和基于特征建模方法。基于三维点云语义分割方法就是根据不同形状的物体特征，对扫描的三维点云作分类处理，但是该方法前期需要采集大量的样本，并需要对大量样本作分析，计算量大，而且对计算单元(工控机)要求高。现有的基于特征建模方法就是根据货车的三维特征，人工设计特征提取算法，搭建以货车车厢位置信息为参数的非线性优化模型并求解，该方法前期需要的样本量少，但是前期需要人工设计数据特征，数据特征的好坏对结果影响较大，而且抗噪声能力弱。

由此可知，目前的车厢定位方法存在有计算量大，对计算单元要求高；或者，需要人工设计数据特征，数据特征的好坏对定位结果影响较大，且抗噪声能力弱的问题。

发明内容

本申请的主要目的在于提供一种车厢的定位方法、车厢的定位装置、车厢的定位***及计算机可读存储介质，旨在解决目前的车厢定位方法存在的计算量大，对计算单元要求高；或者，需要人工设计数据特征，数据特征的好坏对定位结果影响较大，且抗噪声能力弱的问题计算量大的问题。

为实现上述目的，本申请提供一种车厢的定位方法，所述车厢的定位方法包括以下步骤：

获取预设停车区域中车辆对应的三维点云数据；

将所述三维点云数据投影至地面，以得到平面点云；

通过alpha-shapes算法处理所述平面点云以提取表征所述车辆的顶部轮廓的轮廓点云；

根据所述轮廓点云判断所述车辆是半挂式车辆还是连体式车辆；

采用ransac算法对所述轮廓点云进行直线模型拟合，求取与所述车辆的顶部轮廓相匹配的至少两组相互垂直的直线模型，求取所述至少两组相互垂直的直线模型的至少三个交点坐标；

若所述车辆为半挂式车辆，则根据所述至少三个交点坐标获取所述车辆的车厢的顶点坐标；或者，

若所述车辆为连体式车辆，则根据所述至少三个交点坐标计算所述车辆的测量形状数据，查询数据库中是否存在与所述测量形状数据相匹配的连体式车型，若存在，则获取该车型的车厢占整车比，根据所述至少三个交点坐标及所述车厢占整车比计算所述车辆的车厢的顶点坐标。

可选地，所述将所述三维点云数据投影至地面，以得到平面点云之前还包括：

通过预设空间立方体对所述三维初始点云进行截取以获取所述车辆顶部的三维点云数据。

可选地，所述通过alpha-shapes算法处理所述平面点云以提取表征所述车辆的顶部轮廓的轮廓点云之前还包括：

对所述三维点云数据的投影范围进行栅格划分，形成栅格图；

对所述栅格图进行k-d树建模，然后遍历所述平面点云中的每个点，将该点代入k-d树中找到离该点最近的栅格点，得到稀疏后的平面点云。

可选地，所述根据所述轮廓点云判断所述车辆是半挂式车辆还是连体式车辆包括：

根据所述轮廓点云中间是否有大于预设阈值的间隙判断所述车辆是半挂式车辆还是连体式车辆；

若所述轮廓点云中间有大于阈值阈值的间隙，则所述车辆为半挂式车辆；反之，所述车辆为连体式车辆。

可选地，采用ransac算法对所述轮廓点云进行直线模型拟合，求取与所述车辆的顶部轮廓相匹配的至少两组相互垂直的直线模型，求取所述至少两组相互垂直的直线模型的至少三个交点坐标包括包括：

随机在所述轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在所述轮廓点云中筛选出该直线模型的所有内点；所述内点是指所述轮廓点云中到所述直线模型的距离小于预设距离阈值的点；

判断该直线模型的内点数量是否大于预设个数阈值；

若小于或等于所述预设个数阈值，则删除该直线模型，并返回所述随机在所述轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在所述轮廓点云中筛选出该直线模型的所有内点的步骤；

若大于预设个数阈值，则记录该直线模型，并将该直线模型对应的内点从所述轮廓点云中去除后，循环执行上述流程直至获取至少两组相互垂直的直线模型，并求取所述至少两组相互垂直的直线模型的至少三个交点坐标。

可选的，当所述车辆为半挂式车辆时，所述根据所述至少三个交点坐标获取所述车辆的车厢的顶点坐标之后还包括：

根据所述车厢的顶点坐标确定所述车厢的形状，查询数据库中是否存储有与所述车厢的形状相匹配的半挂式车辆模型；

若未查询到与所述车厢的形状相匹配的的半挂式车辆模型，则返回所述获取预设停车区域中车辆对应的三维点云数据的步骤，重新定位车厢的位置。

此外，为实现上述目的，本申请还提供一种车厢的定位装置，所述车厢的定位装置包括：

获取模块，用于获取预设停车区域中车辆对应的三维点云数据；

投影模块，用于将所述三维点云数据投影至地面，以得到平面点云；

处理模块，用于通过alpha-shapes算法处理所述平面点云以提取表征所述车辆的顶部轮廓的轮廓点云；

检测模块，用于根据所述轮廓点云判断所述车辆是半挂式车辆还是连体式车辆；

计算模块，用于采用ransac算法对所述轮廓点云进行直线模型拟合，求取与所述车辆的顶部轮廓相匹配的至少两组相互垂直的直线模型，求取所述至少两组相互垂直的直线模型的至少三个交点坐标；

所述获取模块还用于若所述车辆为半挂式车辆，则根据所述至少三个交点坐标获取所述车辆的车厢的顶点坐标；或者，

所述计算模块还用于若所述车辆为连体式车辆，则根据所述至少三个交点坐标计算所述车辆的测量形状数据；

查询模块，用于查询数据库中是否存在与所述测量形状数据相匹配的连体式车型；

所述计算模块还用于若存在，则获取该车型的车厢占整车比，根据所述至少三个交点坐标及所述车厢占整车比计算所述车辆的车厢的顶点坐标。

可选的，所述检测模块具体用于：

根据所述轮廓点云中间是否有大于预设阈值的间隙判断所述车辆是半挂式车辆还是连体式车辆；

若所述轮廓点云中间有大于阈值阈值的间隙，则所述车辆为半挂式车辆；反之，所述车辆为连体式车辆。

此外，为实现上述目的，本申请还提供一种车厢的定位***，所述车厢的定位***包括存储器、处理器和存储在所述存储器上并在所述处理器上运行的车厢的定位程序，所述车厢的定位程序被所述处理器执行时实现如上任一实施例所述的车厢的定位方法的步骤。

此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有车厢的定位程序，所述车厢的定位程序被处理器执行时实现如上任一实施例所述的车厢的定位方法的步骤。

本申请的车厢的定位方法、车厢的定位装置、车厢的定位***及计算机可读存储介质，在对待定位车辆进行定位的过程中，获取预设停车区域中车辆对应的三维点云数据，将三维点云数据投影至地面，得到平面点云，通过alpha-shapes算法对平面点云进行轮廓提取，自动识别出车辆的轮廓点云，不需要在前期通过人工设计数据特征，在减少计算量的同时，提升了车厢定位效率。此外，本申请还通过ransac算法对轮廓点云进行不断的迭代，直到找出符合待定位车辆对应的交点坐标，最后，通过交点坐标对车辆进行定位，从而减少了车辆所处环境中的杂物的干扰，增强了抗噪声能力。

附图说明

图1是本申请车厢的定位方法第一实施例的流程示意图；

图2是本申请车厢的定位方法的预设空间立方体和待定位车辆示意图；

图3是本申请车厢的定位方法的三维点云数据示意图；

图4是本申请车厢的定位方法的平面点云示意图；

图5是本申请车厢的定位方法的轮廓点云的示意图；

图6是本申请车厢的定位方法的栅格图示意图；

图7是本申请车厢的定位方法的稀疏点云示意图；

图8是本申请车厢的定位装置较佳的结构示意图；

图9是本申请实施例方案涉及的硬件运行环境的结构示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请实施例提供了车厢的定位方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些数据下，可以以不同于此处的顺序完成所示出或描述的步骤。

请参阅图1，本申请提供了一种车厢的定位方法。本申请实施方式的车厢的定位方法包括:

步骤S10，获取预设停车区域中车辆对应的三维点云数据。

需要说明的是，车辆的型号不限制，可为小型货车、可为中型货车，也可为大型货车，在此不作限制。预设停车区域是根据需求在车厢定位***中设定的，预设停车区域的区域长度和区域宽度在本实施例中也不作限制。

库房的上方设置有行车轨道，行车轨道上设置有用于扫描获取车辆三维点云数据的扫描仪，所述预设停车区域设置有用于启动所述扫描仪的触发按键，货车司机将车辆停入到库房的预设停车区域后，可以由货车司机触发扫描仪的触发按键，以触发扫描仪工作。其中，扫描仪包括但不限于激光扫描仪和毫米波雷达扫描仪。车厢定位***侦测到扫描仪的触发按键被触发时，即车厢定位***侦测到扫描仪的启动指令时，启动扫描仪，然后通过该扫描仪扫描预设停车区域中的车辆，获取待定位车辆对应的三维初始点云，然后通过预设空间立方体对三维初始点云进行点云截取，得到预设停车区域中待定位车辆的三维(Three Dimensional，3D)点云数据，其中，预设空间立方体为高度为预设高度(例如为8厘米、9厘米、10厘米、11厘米、12厘米等)，长度和宽度近似于预设停车区域的长度和宽度的立方体，预设空间立方体和待定位车辆如图2所示。

当然，除了由货车司机手动触发扫描仪进行工作以外，也可以由车厢定位***自动进行扫描仪的触发。例如，车厢定位***中可以装设有摄像头，通过摄像头拍摄预设停车区域的图像，并对获得的图像进行处理，以判断预设停车区域中是否有车辆停靠。在确定预设停车区域中有车辆停靠时，触发扫描仪进行工作。再例如，车厢定位***中也可以装设有距离传感器，距离传感器检测自身相对于预设停车区域的地面的距离。若检测到的距离小于或等于预设距离，说明有车辆停靠在预设停车区域中，此时，可以触发扫描仪进行工作，若检测到的距离大于预设距离，则不执行触发扫描仪的操作。扫描仪的自动触发功能有利于提升车厢定位***的智能性。

需要说明的是，在利用摄像头进行扫描仪的自动触发时，若在时刻A检测到预设停车区域中有车辆停靠，则需要从时刻A开始持续检测该预设停车区域中是否一直有车辆停靠。若检测到从A时刻开始，该预设停车区域中一直有车辆停靠，且持续的时间达到T，则执行触发扫描仪的操作；若持续的时间未达到T，则不执行触发扫描仪的操作。同样地，在利用距离传感器进行扫描仪的自动触发时，若在时刻A检测到预设停车区域中有车辆停靠，则需要从时刻A开始持续检测该预设停车区域中是否一直有车辆停靠。若检测到从A时刻开始，该预设停车区域中一直有车辆停靠，且持续的时间达到T，则执行触发扫描仪的操作；若持续的时间未达到T，则不执行触发扫描仪的操作。可以理解，实际操作时，可能遇到车辆经过预设停车区域，但不停靠在预设停车区域的情况，在该情况下，则无需启动扫描仪对预设停车区域中的货车进行扫描。因此，可以通过设置时长T作为触发的辅助限定条件，以此避免扫描仪被误触发的情况，减少不必要的数据处理，进一步提升车厢定位***的智能性。

步骤S20，将所述三维点云数据投影至地面，以得到平面点云。

具体地，车厢定位***得到待定位车辆对应的三维点云数据后，以预设点为原点建立对应的XYZ三维坐标轴，其中，预设点是车厢定位***自行选择的，本实施例不作限制，X轴与Y轴所成的XY平面是地面，Z轴是高度方向。然后，车厢定位***将待定位车辆对应的三维点云数据映射到XYZ三维坐标轴对应的各个坐标点中，其中，三维点云数据在XYZ三维坐标轴对应的各个坐标点如图3所示。随后，车厢定位***将三维点云数据投影至XY平面中，得到三维点云数据对应的平面点云，其中，平面点云如图4所示。

步骤S30，通过alpha-shapes算法处理所述平面点云以提取表征所述车辆的顶部轮廓的轮廓点云。

需要说明的是，Alpha-shapes算法是从离散的空间点集S(Point Sets)内的一堆无序的点中获取大致轮廓的方法，具体可通过半径为Alpha的滚动圆在空间点集S外滚动，滚动圆在滚动中碰到的点即为空间点集S的轮廓点，将所有的轮廓点进行连接，即可得到空间点集S的轮廓线。其中，alpha-shapes算法的精细度由半径alpha决定，半径alpha可根据调试结果和扫描仪分辨率设定，本实施例不作限制。

车厢定位***得到待定位车辆对应的平面点云后，通过alpha-shapes算法对平面点云进行轮廓提取，得到待定位车辆对应的顶部轮廓的轮廓点云。轮廓点云如图5所示。

步骤S40，根据所述轮廓点云判断所述车辆是半挂式车辆还是连体式车辆。

车厢定位***得到待定位车辆对应的顶部轮廓的轮廓点云后，确定轮廓点云中的各个点云之间的间隔距离，根据各个点云之间的间隔距离判断车辆是半挂式车辆还是连体式车辆。其中，半挂式车辆为车头和车厢分开一段距离这一类型的车辆。连体式车辆为车头和车厢连在一起的类型的车辆。

进一步地，所述步骤S40包括：

步骤S401，根据所述轮廓点云中间是否有大于预设阈值的间隙判断所述车辆是半挂式车辆还是连体式车辆；

步骤S402，若所述轮廓点云中间有大于阈值阈值的间隙，则所述车辆为半挂式车辆；反之，所述车辆为连体式车辆。

具体地，车厢定位***得到待定位车辆对应的顶部轮廓的轮廓点云后，检测该轮廓点云中的各个点云之间的间隔距离是否大于预设距离阈值，其中，预设距离阈值为技术人员设定，本实施例不作限制。若车厢定位***检测到在轮廓点云中的存在目标点云之间的间隔距离大于预设距离阈值，车厢定位***则确定该待定位车辆为半挂式车辆。若车厢定位***检测到在轮廓点云中的各个点云之间的间隔距离小于或者等于预设距离阈值，车厢定位***则确定该待定位车辆为连体式车辆。

本实施例通过alpha-shapes算法对车辆的平面点云进行轮廓提取，自动识别出车辆的类型，不需要在前期通过人工设计数据特征，从而减少数据特征的好坏对定位结果影响。

进一步地，本申请的另一实施例，在步骤S30，通过alpha-shapes算法处理所述平面点云以提取表征所述车辆的顶部轮廓的轮廓点云的步骤之前，还包括：

步骤S21，对所述三维点云数据的投影范围进行栅格划分，形成栅格图；

步骤S22，对所述栅格图进行k-d树建模，然后遍历所述平面点云中的每个点，将该点代入k-d树中找到离该点最近的栅格点，得到稀疏后的平面点云。

车厢定位***得到车辆的三维点云数据后，通过栅格图对三维点云数据进行栅格划分，得到三维点云数据对应的栅格图，其中，栅格图如图6所示，栅格图中的栅格大小例如可为5厘米、8厘米、10厘米、12厘米、15厘米等，可根据实际情况设定，本实施例不作限制。

车厢定位***得到栅格图后，将栅格图进行k-d树(k-dimensional tree)建模，并将栅格图传输至该k-d树模型中，然后通过该k-d树模型遍历栅格图中每一个点云，即将每个点云代入k-d树中，找到离该点云最近的栅格点，在遍历结束后，即可得到稀疏的点云，该稀疏的点云即为待定位车辆对应的平面点云，其中，稀疏点云如图7所示。

车厢定位***初始得到车辆的三维点云数据为1.6万个点云。进一步地，通过栅格图进行栅格划分，并利用k-d树模型进行遍历后，得到点云的个数约为660个。如此，1.6万个点云可被稀疏到660个，点云数量的压缩率可达到25倍。比较图3和图7可以发现，通过k-d树模型将密集的点云进行稀疏，既大大减少了点云的数量，又保留了可表征出车辆轮廓的大部分点云的信息。

本实施例在对待定位车辆进行定位的过程中，先通过栅格图和k-d树模型大大减少了点云数量，从而减少了计算量，同时，减少了待定位车辆所处环境中的杂物的干扰，增强了抗噪声能力。

进一步地，本申请的另一实施例，在步骤S40之后，还包括：

步骤S50，采用ransac算法对所述轮廓点云进行直线模型拟合，求取与所述车辆的顶部轮廓相匹配的至少两组相互垂直的直线模型，求取所述至少两组相互垂直的直线模型的至少三个交点坐标。

需要说明的是，ransac(随机抽样一致性)算法就是假设样本中包含正确数据(inliers，可以被模型描述的数据)，同时也包含有异常数据(outliers，偏离正常范围很远、无法适应数学模型的数据，也即数据集中的噪声数据)。ransac算法通过迭代的方式从一组包含离群的被观测数据中估算出数学模型的参数。ransac算法的输入模型为最小二乘法。最小二乘法就是通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

车厢定位***提取到轮廓点云后，车厢定位***筛选出所有轮廓点云中所有距离该直线模型小于容忍误差的点云(即内点)，所有被筛选出的点云组成一个内点集合，车厢定位***记录此时内点集合中的内点的数量。其中，容忍误差即为车厢定位***允许的误差，该容忍误差可由车厢定位***根据实际情况自行设定。

车厢定位***将提取出的轮廓点云传输至ransac算法，通过ransac算法处理所有轮廓点云以得到包含多个内点的多个内点集合，一个内点即为一个轮廓点云。随后，车厢定位***随机抽取轮廓点云中的两个点云，将该两个点云连接为对应的直线模型。随后，车厢定位***通过反复迭代得到多个内点集合及与多个内点集合对应的直线模型。需要说明的是，ransac算法迭代循环一次，就会得到一个直线模型和一个内点集合，任意两个内点集合中的任意两个轮廓点云不相同，即任意两个内点集合对应的两个直线模型不相同，车厢定位***通过ransac算法反复迭代预设次数，即可得到与预设次数的数量相同的多个直线模型。车厢定位***将轮廓点云多次传输至ransac算法，通过ransac算法进行处理后，得到多个初始内点集合及与多个初始内点集合分别对应的多个初始直线模型。

车厢定位***从多个直线模型中筛选出两组直线模型集合，其中，每组直线模型集合中的两条直线模型之间的夹角位于预定范围内，预定范围根据实际情况设定，例如，预设范围可以为[60°，120°]。然后，车厢定位***基于两组直线模型集合求交点坐标，例如，求两组直线模型中四个直线模型的所有交点坐标。随后，车厢定位***求取至少两组相互垂直的直线模型的至少三个交点坐标。

进一步地，所述步骤S50包括：

步骤S501，随机在所述轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在所述轮廓点云中筛选出该直线模型的所有内点；所述内点是指所述轮廓点云中到所述直线模型的距离小于预设距离阈值的点；

步骤S502，判断该直线模型的内点数量是否大于预设个数阈值；

步骤S503，若小于或等于所述预设个数阈值，则删除该直线模型，并返回所述随机在所述轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在所述轮廓点云中筛选出该直线模型的所有内点的步骤；

步骤S504，若大于预设个数阈值，则记录该直线模型，并将该直线模型对应的内点从所述轮廓点云中去除后，循环执行上述流程直至获取至少两组相互垂直的直线模型，并求取所述至少两组相互垂直的直线模型的至少三个交点坐标。

车厢定位***随机抽取轮廓点云中的两个点云，将该两个点云连接为对应的直线模型，并在轮廓点云中筛选出该直线模型的所有内点，其中，内点是指轮廓点云中到直线模型的距离小于预设距离阈值的点，预设距离阈值根据技术人员设定。

随后，车厢定位***通过ransac算法第一次处理的轮廓点云为所有的轮廓点云(假设为集合S0)，ransac算法第一次处理输出一个第一初始内点集合，车厢定位***检测该第一初始内点集合中的内点数是否大于预设个数阈值，若该第一初始内点集合中的内点数大于预设个数阈值，则删除该直线模型，并返回随机在轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在轮廓点云中筛选出该直线模型的所有内点。若该第一初始内点集合中的内点数大于预设个数阈值，则确定该第一初始内点集合为一个内点集合(假设为S1)。ransac算法第二次处理的轮廓点云为所有轮廓点云中除第一次获得的内点集合中的轮廓点云之外的轮廓点云(即S0-S1)，ransc算法第二次处理输出一个第二初始内点集合，车厢定位***检测第二初始内点集合中的内点数是否大于预设个数阈值，若该第二初始内点集合中的内点数大于预设个数阈值，则确定该第二初始内点集合为另一个内点集合(假设为S2)。ransac算法第三次处理的轮廓点云为所有轮廓点云中除前两次获得的两个内点集合中的轮廓点云之外的轮廓点云(S0-S1-S2)，ransc算法第三次处理输出一个第三初始内点集合，车厢定位***检测该第三初始内点集合中的内点数是否大于预设个数阈值，若该内第三初始内点集合中的内点数大于预设个数阈值，则确定第三初始内点集合为再一个内点集合(假设为S3)。以此类推，ransac算法第n(n∈_N+，n≠1)次处理的轮廓点云为除前n-1次处理获得的所有内点集合中的轮廓点云之外的轮廓点云(即S0-S1-S2-…-S(n-1))，ransac算法第n次处理输出一个第n初始内点集合，车厢定位***检测该第n初始内点集合中的内点数是否大于预设个数阈值，若该内第n初始内点集合中的内点数大于预设个数阈值，则确定第n初始内点集合为再一个内点集合。如此反复迭代，直至所有的轮廓点云全部抽取完毕，也即每个轮廓点云均被归并到某个内点集合中。

车厢定位***从多个直线模型中筛选出两组直线模型集合，基于两组直线模型集合求交点坐标，若车厢定位***检测到交点坐标的数量小于预设个数，本实施例的预设个数为三个。车厢定位***则将所有轮廓点云重新传输至ransac算法，通过ransac算法得到对应的多个第二内点集合及与多个第二内点集合分别对应的多个第二直线模型，其中，任意两个第二内点集合中的任意两个轮廓点云不相同，即任意两个第二内点集合对应的两个第二直线模型不相同。然后，车厢定位***基于多个第二直线模型确定对应的第二交点坐标。随后，车厢定位***对所有交点坐标和所有第二交点坐标求并集以得到坐标集合，此时，坐标集合中的坐标可能仅包括交点坐标，也可能仅包括第二交点坐标，也可能同时包括交点坐标和第二交点坐标。随后，车厢定位***检测坐标集合中的坐标数量是否大于或者等于预设个数，若车厢定位***检测到坐标数量大于或者等于预设个数，则车厢定位***将坐标集合中的所有坐标确定为交点坐标。若车厢定位***检测到坐标数量小于预设个数，则车厢定位***继续将所有轮廓点云重新传输至ransac算法，通过ransac算法得到对应的多个第三直线模型，然后基于多个第三直线模型确定第三交点坐标，并对所有交点坐标、第二交点坐标及第三交点坐标求并集以得到新的坐标集合。随后，车厢定位***检测新的坐标集合中的坐标数量是否大于预设个数，并在坐标数量大于预设个数时，确定坐标集合中的所有坐标为交点坐标。若新的坐标集合中的坐标数量小于预设个数，则车厢定位***继续将所有轮廓点云重新传输至ransac算法，以此类推，直到最新的坐标集合中的坐标数量大于或者等于预设个数。

当然，在其他实施例中，当车厢定位***执行传输所有轮廓点云至ransac算法的次数超过预定次数，且仍旧未能获得坐标数量大于预设个数的坐标集合时，车厢定位***可返回无法识别的错误码。

步骤S60，若所述车辆为半挂式车辆，则根据所述至少三个交点坐标获取所述车辆的车厢的顶点坐标。

车厢定位***若确定车辆为半挂式车辆，则根据得到的至少三个交点坐标获取车辆的车厢的顶点坐标。

步骤S70，若所述车辆为连体式车辆，则根据所述至少三个交点坐标计算所述车辆的测量形状数据，查询数据库中是否存在与所述测量形状数据相匹配的连体式车型，若存在，则获取该车型的车厢占整车比，根据所述至少三个交点坐标及所述车厢占整车比计算所述车辆的车厢的顶点坐标。

车厢定位***若确定车辆为连体式车辆，则确定的至少三个交点坐标，根据交点坐标计算各个交点之间的距离，根据各个距离确定待定位车辆对应的长度和宽度，根据待定位车辆的长度和宽度确定车辆的测量形状数据。然后，车厢定位***在数据库查询是否与测量形状数据相匹配的连体式车型，若车厢定位***在数据库中查询到与测量形状数据相匹配的连体式车型，车厢定位***则获取该连体式车型的车厢占整车比，并根据确定的至少三个交点坐标及车厢占整车比计算车辆的车厢的顶点坐标。

优选的，在一较佳实现示例中，在步骤S60之后包括：

在获取到所述半挂式车辆的车厢的顶点坐标后，查询数据库中是否有与所述车厢的形状相匹配的的半挂式车辆，若有，则说明车厢定位准确，反之，若未匹配到与所述车厢的形成相匹配的半挂式车辆，则说明车厢定位不准确，此时返回到步骤S10。

本实施例通过ransac算法对轮廓点云进行不断的迭代，直到找出符合待定位车厢对应的交点坐标，减少了待定位车厢所处环境中的杂物的干扰，增强了抗噪声能力。

此外，本申请还提供一种车厢的定位装置，参照图8，车厢的定位装置包括：

获取模块10，用于获取模块，用于获取预设停车区域中车辆对应的三维点云数据；

投影模块20，用于将所述三维点云数据投影至地面，以得到平面点云；

处理模块30，用于通过alpha-shapes算法处理所述平面点云以提取表征所述车辆的顶部轮廓的轮廓点云；

检测模块40，用于根据所述轮廓点云判断所述车辆是半挂式车辆还是连体式车辆；

计算模块50，用于采用ransac算法对所述轮廓点云进行直线模型拟合，求取与所述车辆的顶部轮廓相匹配的至少两组相互垂直的直线模型，求取所述至少两组相互垂直的直线模型的至少三个交点坐标；

所述获取模块10还用于若所述车辆为半挂式车辆，则根据所述至少三个交点坐标获取所述车辆的车厢的顶点坐标；或者，

所述计算模块50还用于若所述车辆为连体式车辆，则根据所述至少三个交点坐标计算所述车辆的测量形状数据；

查询模块60，用于查询数据库中是否存在与所述测量形状数据相匹配的连体式车型；

所述计算模块50还用于若存在，则获取该车型的车厢占整车比，根据所述至少三个交点坐标及所述车厢占整车比计算所述车辆的车厢的顶点坐标。

进一步地，获取模块10还用于：通过预设空间立方体对所述三维初始点云进行截取以获取所述车辆顶部的三维点云数据。

进一步地，车厢的定位装置还包括：

划分模块，用于对所述三维点云数据的投影范围进行栅格划分，形成栅格图；

确定模块，用于对所述栅格图进行k-d树建模，然后遍历所述平面点云中的每个点，将该点代入k-d树中找到离该点最近的栅格点，得到稀疏后的平面点云。

进一步地，所述检测模块40还用于：根据所述轮廓点云中间是否有大于预设阈值的间隙判断所述车辆是半挂式车辆还是连体式车辆。

进一步地，所述确定模块还用于：若所述轮廓点云中间有大于阈值阈值的间隙，则所述车辆为半挂式车辆；反之，所述车辆为连体式车辆。

进一步地，所述计算模块50还用于：随机在所述轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在所述轮廓点云中筛选出该直线模型的所有内点；所述内点是指所述轮廓点云中到所述直线模型的距离小于预设距离阈值的点。

进一步地，所述检测模块40还用于：判断该直线模型的内点数量是否大于预设个数阈值。

进一步地，所述计算模块50还用于：若小于或等于所述预设个数阈值，则删除该直线模型，并返回所述随机在所述轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在所述轮廓点云中筛选出该直线模型的所有内点的步骤。

进一步地，所述计算模块50还用于：若大于预设个数阈值，则记录该直线模型，并将该直线模型对应的内点从所述轮廓点云中去除后，循环执行上述流程直至获取至少两组相互垂直的直线模型，并求取所述至少两组相互垂直的直线模型的至少三个交点坐标。

进一步地，所述检测模块具体用于：

根据所述轮廓点云中间是否有大于预设阈值的间隙判断所述车辆是半挂式车辆还是连体式车辆；

若所述轮廓点云中间有大于阈值阈值的间隙，则所述车辆为半挂式车辆；反之，所述车辆为连体式车辆。

本申请基于车厢的定位装置的具体实施方式与上述基于车厢的定位方法各实施例基本相同，在此不再赘述。

此外，本申请还提供一种车厢的定位***。如图9所示，图9是本申请实施例方案涉及的硬件运行环境的结构示意图。

需要说明的是，图9即可为车厢的定位***的硬件运行环境的结构示意图。

如图9所示，该车厢的定位***可以包括：处理器1001，例如CPU(CentralProcessing Unit，中央处理器)，存储器1005，用户接口1003，网络接口1004，通信总线1002。通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(board)，可选用户接口1003还可以包括标准的有线接口(如USB(Universal Serial Bus，通用串行总线)接口)、无线接口(如蓝牙接口)。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI((Wireless-Fidelity))接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，车厢的定位***还可以包括RF(Radio Frequency，射频)电路，传感器、WiFi模块等等。

本领域技术人员可以理解，图9中示出的车厢的定位***结构并不构成对车厢的定位***的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图9所示，作为一种计算机存储介质的存储器1005中可以包括操作设备、网络通信模块、用户接口模块以及车厢的定位程序。其中，操作设备是管理和控制车厢的定位***硬件和软件资源的程序，支持车厢的定位程序以及其它软件或程序的运行。

在图所示的车厢的定位***中，用户接口1003主要用于触摸模块，识别用户的点击动作；网络接口1004主要实现中央处理器与触摸模块和摄像设备之间的数据通信；处理器1001可以用于调用存储器1005中存储的车厢的定位程序，并完成如上所述的车厢的定位方法的步骤。

本申请车厢的定位***的具体实施方式与上述车厢的定位方法各实施例基本相同，在此不再赘述。

此外，本申请实施例还提出一种计算机可读存储介质，计算机可读存储介质上存储有车厢的定位程序，车厢的定位程序被处理器执行时实现如上的车厢的定位方法的步骤。

本申请计算机可读存储介质的具体实施方式与上述车厢的定位方法各实施例基本相同，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的数据下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多数据下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件货物的形式体现出来，该计算机软件货物存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台车厢的定位***完成本申请各个实施例所述的方法。

Claims (10)

1.一种车厢的定位方法，其特征在于，所述车厢的定位方法包括以下步骤：

获取预设停车区域中车辆对应的三维点云数据；

将所述三维点云数据投影至地面，以得到平面点云；

通过alpha-shapes算法处理所述平面点云以提取表征所述车辆的顶部轮廓的轮廓点云；

根据所述轮廓点云判断所述车辆是半挂式车辆还是连体式车辆；

采用ransac算法对所述轮廓点云进行直线模型拟合，求取与所述车辆的顶部轮廓相匹配的至少两组相互垂直的直线模型，求取所述至少两组相互垂直的直线模型的至少三个交点坐标；

若所述车辆为半挂式车辆，则根据所述至少三个交点坐标获取所述车辆的车厢的顶点坐标；或者，

若所述车辆为连体式车辆，则根据所述至少三个交点坐标计算所述车辆的测量形状数据，查询数据库中是否存在与所述测量形状数据相匹配的连体式车型，若存在，则获取该车型的车厢占整车比，根据所述至少三个交点坐标及所述车厢占整车比计算所述车辆的车厢的顶点坐标。

2.如权利要求1所述的车厢的定位方法，其特征在于，所述将所述三维点云数据投影至地面，以得到平面点云之前还包括：

通过预设空间立方体对所述三维初始点云进行截取以获取所述车辆顶部的三维点云数据。

3.如权利要求1所述的车厢的定位方法，其特征在于，所述通过alpha-shapes算法处理所述平面点云以提取表征所述车辆的顶部轮廓的轮廓点云之前还包括：

对所述三维点云数据的投影范围进行栅格划分，形成栅格图；

对所述栅格图进行k-d树建模，然后遍历所述平面点云中的每个点，将该点代入k-d树中找到离该点最近的栅格点，得到稀疏后的平面点云。

4.如权利要求1所述的车厢的定位方法，其特征在于，所述根据所述轮廓点云判断所述车辆是半挂式车辆还是连体式车辆包括：

根据所述轮廓点云中间是否有大于预设阈值的间隙判断所述车辆是半挂式车辆还是连体式车辆；

若所述轮廓点云中间有大于阈值阈值的间隙，则所述车辆为半挂式车辆；反之，所述车辆为连体式车辆。

5.如权利要求1所述的车厢的定位方法，其特征在于，采用ransac算法对所述轮廓点云进行直线模型拟合，求取与所述车辆的顶部轮廓相匹配的至少两组相互垂直的直线模型，求取所述至少两组相互垂直的直线模型的至少三个交点坐标包括包括：

随机在所述轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在所述轮廓点云中筛选出该直线模型的所有内点；所述内点是指所述轮廓点云中到所述直线模型的距离小于预设距离阈值的点；

判断该直线模型的内点数量是否大于预设个数阈值；

若小于或等于所述预设个数阈值，则删除该直线模型，并返回所述随机在所述轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在所述轮廓点云中筛选出该直线模型的所有内点的步骤；

若大于预设个数阈值，则记录该直线模型，并将该直线模型对应的内点从所述轮廓点云中去除后，循环执行上述流程直至获取至少两组相互垂直的直线模型，并求取所述至少两组相互垂直的直线模型的至少三个交点坐标。

6.如权利要求1所述的车厢的定位方法，其特征在于，当所述车辆为半挂式车辆时，所述根据所述至少三个交点坐标获取所述车辆的车厢的顶点坐标之后还包括：

根据所述车厢的顶点坐标确定所述车厢的形状，查询数据库中是否存储有与所述车厢的形状相匹配的半挂式车辆模型；

若未查询到与所述车厢的形状相匹配的的半挂式车辆模型，则返回所述获取预设停车区域中车辆对应的三维点云数据的步骤，重新定位车厢的位置。

7.一种车厢的定位装置，其特征在于，所述车厢的定位装置包括：

获取模块，用于获取预设停车区域中车辆对应的三维点云数据；

投影模块，用于将所述三维点云数据投影至地面，以得到平面点云；

处理模块，用于通过alpha-shapes算法处理所述平面点云以提取表征所述车辆的顶部轮廓的轮廓点云；

检测模块，用于根据所述轮廓点云判断所述车辆是半挂式车辆还是连体式车辆；

计算模块，用于采用ransac算法对所述轮廓点云进行直线模型拟合，求取与所述车辆的顶部轮廓相匹配的至少两组相互垂直的直线模型，求取所述至少两组相互垂直的直线模型的至少三个交点坐标；

所述获取模块还用于若所述车辆为半挂式车辆，则根据所述至少三个交点坐标获取所述车辆的车厢的顶点坐标；或者，

所述计算模块还用于若所述车辆为连体式车辆，则根据所述至少三个交点坐标计算所述车辆的测量形状数据；

查询模块，用于查询数据库中是否存在与所述测量形状数据相匹配的连体式车型；

所述计算模块还用于若存在，则获取该车型的车厢占整车比，根据所述至少三个交点坐标及所述车厢占整车比计算所述车辆的车厢的顶点坐标。

8.如权利要求7所述的车厢的定位装置，其特征在于，所述检测模块具体用于：

根据所述轮廓点云中间是否有大于预设阈值的间隙判断所述车辆是半挂式车辆还是连体式车辆；

若所述轮廓点云中间有大于阈值阈值的间隙，则所述车辆为半挂式车辆；反之，所述车辆为连体式车辆。

9.一种车厢的定位***，其特征在于，所述车厢的定位***包括存储器、处理器和存储在所述存储器上并在所述处理器上运行的车厢的定位程序，所述车厢的定位程序被所述处理器执行时实现如权利要求1至6中任一项所述的车厢的定位方法的步骤。

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上存储有车厢的定位程序，所述车厢的定位程序被处理器执行时实现如权利要求1至6中任一项所述的车厢的定位方法的步骤。

Images