CN113514848A - 一种基于激光扫描的铁路道口机车检测*** - Google Patents
一种基于激光扫描的铁路道口机车检测*** Download PDFInfo
- Publication number
- CN113514848A CN113514848A CN202110354002.0A CN202110354002A CN113514848A CN 113514848 A CN113514848 A CN 113514848A CN 202110354002 A CN202110354002 A CN 202110354002A CN 113514848 A CN113514848 A CN 113514848A
- Authority
- CN
- China
- Prior art keywords
- locomotive
- crossing
- area
- data
- scanning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 164
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000012544 monitoring process Methods 0.000 claims description 63
- 238000000034 method Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000009966 trimming Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/04—Systems determining the presence of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
- G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种基于激光扫描的铁路道口机车检测***,包括***和激光雷达,所述***由激光雷达和机车检测算法构成,在铁路道口区域内安装激光雷达,继而划分区域检测范围,对铁路道口进行实时扫描形成动态数据,并采用道口背景自学***。
Description
技术领域
本发明涉及港口铁路交通智能监管技术领域,具体为一种基于激光扫描的铁路道口机车检测***。
背景技术
我国现代铁路道口的短距离车辆的闯入警报检测技术的大多数检测***控制逻辑简单,需要消耗大量的人力物力进行全程参与人工控制,对于铁路道口检测的研究,最早期采用的方法是轨道电路,由于轨道电路的缺点较多,例如功能单一,容易误报错,并且安装任务量大,随后发展采用基于红外传感技术的嵌入式监控***,但此技术的检测精确度有限,还会因为传感器高度的差异从而影响最终的结果,所以不太适合目前工业现场的铁路道口检测实际应用,现阶段多是采用基于计轴传感器的报警检测***,这一类方法的特点是运行稳定,安装简单,所以比较适合工业现场的实际应用。
随着报警检测***的不断监测使用,在使用过程中发现了下述问题:
1.现有的一些报警检测***的控制器相对来说比较复杂、可靠性不高,部分检测***测距会受到一些其他因素(例如频段损耗等)的影响,而且它的检测仅仅被限制于测量目标物体的相对距离以及相对速度,因此无法准确识别到探测的对象;
2.且现有的一些检测***都是被动的接受数据,其感知效果受环境因素影响较大,而且无法解决一些关键问题。
所以需要针对上述问题设计一种基于激光扫描的铁路道口机车检测***。
发明内容
本发明的目的在于提供一种基于激光扫描的铁路道口机车检测***,以解决上述背景技术中提出现有的一些报警检测***的控制器相对来说比较复杂、可靠性不高,部分检测***测距会受到一些其他因素(例如频段损耗等)的影响,而且它的检测仅仅被限制于测量目标物体的相对距离以及相对速度,因此无法准确识别到探测的对象,且现有的一些检测***都是被动的接受数据,其感知效果受环境因素影响较大,而且无法解决一些关键问题的问题。
为实现上述目的,本发明提供如下技术方案:一种基于激光扫描的铁路道口机车检测***,包括***、激光雷达、机车检测算法、路道口检测数据初始化、机车物体检测、机车行驶方向判别和机车速度计算,所述***由激光雷达和机车检测算法构成,且机车检测方法由铁路道口检测数据初始化、机车物体检测、机车行驶方向判别机械机车速度计算构成,其中:
铁路道口检测数据初始化
对道口激光雷达扫描区域进行自定义绘制,再根据铁路道口现场工况对区域形状进行调整和边缘精修,得到需要的区域轮廓,区域划分采用“深度范围”表达方式,其数据结构的主要数据包括区域扫描角度的起始角和终止角,深度范围包括起始深度和终止深度,代表该区域在该扫描角度上的射线段距离范围,此扫描角度上的深度测量数据仅当位于此范围内时才是属于这个区域的,区域组完成几何定义之后,组内的区域都会被转换为统一的内部数据结构,采用极坐标表示,用来提高区域监测算法的效率,进一步利用道口背景自学习和机车区域监测算法来初始化背景轮廓,其中,道口背景自学习算法是指对当前场景的实时扫描数据进行一段时间的累积,从而探测到当前场景的背景轮廓,据此生成区域监测的背景数据;机车区域监测算法是指从实时扫描数据中对场景中所有位于监测区域组内的目标进行提取,根据运行控制参数对当前的监测目标进行分类和鉴别,剔除无关目标,对有效监测目标进行检测;
机车物体检测
激光雷达为了扫描到真实物体的二维信息,需使发射的激光束可以进行水平方向的扫描检测,以获得数据庞大的、具备视域广、分辨率高、包含一定的测量噪声等特征的激光点云数据,因为机车存在体积较大等因素,所以雷达得到的“激光点云”数据会比其他探测目标更多而且数据点会更为密集,针对需要检测的铁路道口区域,观察目标机车经过时的“激光点云”特征,探测到当机车靠近时,监测区域内的“激光点云”目标个数比行人或小型机动车驶过道口时的个数多,进而比较机车经过道口的目标点特征,划定在连续三个扫描周期内,都存在两个及以上相邻区域中有六个或以上目标点时,可以得出此道口有机车通过;
机车行驶方向判别、机车速度计算
通过判别雷达出现的“激光点云”特征,生成道口上行下行雷达处的机车位置时序图,根据时序图高低位的变化可以获得机车行驶的方向,依据划分的区域检测范围的实际距离以及机车的时间状态序列中相邻状态改变的时间间隔,计算出机车的运行速度。
优选的,所述激光雷达又称二维激光扫描仪,道口区域监测工作在激光雷达内部,使用二维激光扫描仪获取到周边场景及活动目标的深度数据和用户指定的监测配置数据进行分析和处理,对场景中的各种目标进行探测、定位和跟踪,实现对多个平面区域的监测。
优选的,所述***可以基于激光雷达实时探测到的机车行为数据检测机车的行为,获取机车的实时运行方向以及当前平均运行速度。
优选的,所述区域监测功能的实际应用中,需要根据实际现场场景对要求测定的区域组进行编辑设定,从而避免某些固定的实体目标一直处于监测区域从而触发监测信号,所以区域背景剪裁是区域监测功能配置工作中相当重要的一块,同时也对区域监测的使用效果有很大影响的一块。
优选的,一种基于激光扫描的铁路道口机车检测***的使用方法,其特征在于,包括以下步骤:
步骤一、进行铁路道口背景区域划分以及背景轮廓初始化,采集当前正处在铁路道口或正经过道口的实时机车通行状态扫描数据,经过一段对当前实时场景的扫描数据的累积之后,利用道口背景自学习算法可以检测出当前道口场景的大致背景轮廓,从而提取出区域监测的背景数据,利用机车区域监测算法来探测道口物体机车;
步骤二、通过实时扫描数据,对场景中全部的处在监测区域组内的目标物体进行提取,根据“激光点云”特征对现有监测目标进行分类以及甄别,淘汰掉无关目标,对有效的目标进行检测;
步骤三、根据“激光点云”数据特征,利用机车闯入检测算法大致得出当前检测到的机车的行驶方向,同时大致检测出机车的平均速度。
优选的,所述道口背景自学习算法本质上是利用运行动态数据,也就是对当前铁路道口场景的实时扫描数据进行一段时间的累积,从而探测到当前场景的背景轮廓,据此来生成区域监测的有效背景数据。
优选的,所述机车区域监测算法中,需要对监测目标进行分割,以此对监测信号进行判定,依据设定好的“激光点云”参数对当前经过目标进行操作,去掉无关目标,从而输出正确的监测信号。
优选的,所述机车体积较大,且只会存在于铁轨区域,再加之只有在道口封闭的条件下机车才会允许通行,所以出现的时间和地点都是较为固定的,“激光点云”的数据因为机车体积较大所以变得相当密集,因此在设计时会选定好较为合理的目标区域,当探测到有机车物体靠近时,该检测范围内的“激光点云”数据特征比行人或小型汽车通过时的数据特征更为密集。
优选的,所述激光雷达产生“激光点云”生成的机车位置时间序列是一种反应机车行驶方向的特征,上行下行雷达处位置时序发生高低位的顺序变化,可以得知机车正经过当前道口雷达处,结合另一侧雷达处位置时序的变化情况,可以获得机车的行驶方向,根据划分的区域检测范围的实际距离以及机车的时间状态序列中相邻状态改变的时间间隔,可以得出机车的大致速度。
优选的,所述道口区域划分是指将需要探测的区域划分为若干个相等大小的区域,计算在相同的扫描周期内,每个划分区域中的目标点个数,假设当有两个或以上的相邻小区域中有六个及以上的目标点个数作用在连续三个扫描周期内时,即可判定目标铁路道口处有机车经过,反之当出现的目标点个数较少时,即可预估是行人或者小型机车在经过。
与现有技术相比,本发明的有益效果是:该基于激光扫描的铁路道口机车检测***采用激光雷达检测的方式受环境影响更小,可靠性高,受天气影响最小,检测结果更准确,更加适用于铁路道口的近距离机车判断。
1.激光雷达检测利用发射出激光束,遇到探测到的目标物体之后进行反射,分析激光反射光束数据以此来分析目标物体,激光雷达能够主动探测得到物体表面高精度的“激光点云”信息,计算出被测物体与雷达之间精确距离。而且激光雷达不易受干扰,稳定性高的特点,让其检测结果更加准确;
2.基于激光扫描的铁路道口机车检测***能实时从激光雷达接受铁路道口机车实时通行状态扫描数据,并对数据进行存储,为机车行为分析、异常行为提醒提供数据基础;
3.本发明涉及到的数据采集激光雷达,激光雷达安装简单、方便,利用预先设计好的检测算法即可实现道口行为机车状态自动识别。
附图说明
图1为本发明实施一种基于激光扫描的铁路道口机车检测***的结构示意图;
图2为本发明实施一种基于激光扫描的铁路道口机车检测***的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,本发明提供一种技术方案:一种基于激光扫描的铁路道口机车检测***,该***由激光雷达以及相应的机车检测算法构成,其中工作流程为:铁路道口上下行区域的两台激光雷达扫描道口形成“激光点云”数据初始化道口背景轮廓,继而划分机车驶入和驶离道口的区域检测范围,采用道口背景自学习算法和机车区域检测算法来检测道口机车物体,通过激光雷达所获取的“激光点云”特征数据对当前的扫描物体目标进行鉴别分类,根据机车驶入驶离道口检测区域的扫描数据,建立机车进入和驶离道口的时间状态序列,继而分析机车在道口的运行方向和大致速度,检测方法包括铁路道口检测数据初始化、机车物体检测、机车行驶方向判别、机车速度计算,其中具体实施方案如下:
实施例一:
铁路道口检测数据初始化
区域组是用来描述各区域覆盖范围内的机车数据,道口机车区域监测功能是基于区域组工作,对铁路道口处激光雷达需要扫描的形状区域进行自定义绘制,根据铁路道口现场工况对区域形状进行调整和边缘精修,得到需要的区域组。区域划分采用“深度范围”表达方式,其数据结构的主要数据包括区域扫描角度的起始角θk,0和终止角θk,n,深度范围包括起始深度和终止深度,代表该区域在该扫描角度上的射线段距离范围,此扫描角度上的深度测量数据仅当位于此范围内时才是属于这个区域的,区域组完成几何定义之后,组内的区域都会被转换为统一的内部数据结构,采用极坐标表示,用来提高区域监测算法的效率,进一步进行道口背景自学习和机车区域监测算法初始化背景轮廓,其中,道口背景自学习算法用于生成当前场景的背景B,B也采用极坐标下的“深度范围”表达方式,其扫描角度范围即为扫描仪的原始扫描角度范围,每个扫描角度θs上的深度范围为[0,brs],brs为在此扫描角度上探测到的稳定背景的深度值,在背景学习期间,对brs采用正态建模,即在扫描角度θs上,求出当前时刻t的测量值ρ,道口背景学习算法采用标准的正态分布参数计算方法,用实时测量数据迭代求解brs和σ2 s,并以3σs为阈值消除背景噪声数据,在规定的学习时间内完成迭代求解后,用得到的brs建立背景的区域表示,对于任意一个被激活的监测区域组ф,有其运行态Ω;机车区域监测算法:获取当前时刻位于被激活的监测区域组内的全部有效目标集Оt,Оt={Objt,l,l},l=0,…,Lt-1,L为当前时刻t的有效目标个数,Оt在总激活区域X上计算,X是Ω的并集,在监测算法的初始化阶段计算,目标分割算法首先从当前时刻t的测量数据集Ρt={ρt,s}上获取所有位于Х内的点集Pt *={Pt *,sj’},sj’∈[0,S-1],j=0,…,Jt-1,Jt为Pt *内的测量点个数,然后对Pt *按扫描角度顺序和固定距离阈值ε进行连通性聚类,获得Оt、Objt,l的数据结构表示中除包括属于此目标的全部测量点集рt,l外,还包括测量点集的外接矩形Rectt,l,以及Rectt,l的对角线长度λt,l,作为下一步判定有效目标是否触发监测信号的依据。
机车物体检测
由于雷达发射的一个激光束只能与探测物体表面一点的距离和反射强度等对应,要扫描到物体的二维信息,所以需要让发射光束可以进行水平方向扫描来得到具有视域广、分辨率高的二维激光点云数据,从激光雷达得到的数据是以其中心为中点的极坐标数据,由于获取的雷达数据较多,所以含有一部分的测量噪音,为了便于后期车辆闯入检测,需要对其测量结果进行坐标变换,即把极坐标转为基准直角坐标数据,接着对原始测量数据点采用滤波处理,去除测量噪声产生的影响。由于道口通行机车体积较大,并且只能在铁轨上行驶,即出现的区域是固定的,再加上只有道口封闭后才能允许机车通行,所以机车出现的时间也是固定的,“激光点云”数据会随着机车体积的变大而数据点密集且多,所以在设计时,需要选择好铁轨区域后来监测机车经过时候的“激光点云”数据,当铁路上有机车驶来时,监测区域内目标点数变多,机车的数据点比行人或小型机动车经过铁路道口时的特征数据密集而且连续,将需要监测的区域将其划分为若干个相等大小,计算在相同扫描周期内每个划分区域中的目标点个数,例如当有两个或以上的相邻区域内有六个及以上的目标点个数作用在连续三个或以上扫描周期内时,那么可以得出目标铁路道口处有机车经过,相反的,当出现的目标点个数较少的时候,即可判断时行人或者小型机动车经过道口,之后统计进入区域的目标点个数,如果目标点个数超过设定的个数阈值,且存在时间超过设定的响应时间阈值,则判断出有机车通过。
机车行驶方向判别、机车速度计算
利用双雷达组成的检测***,根据机车进入道口检测区域以及驶离道口检测区域的扫描数据,建立机车进入和驶离道口的时间状态序列,根据划分的区域检测范围的实际距离以及机车的时间状态序列中相邻状态改变的时间间隔,计算出机车的瞬时运行速度,多次取值计算后求得机车平均运行速度。
工作原理:根据图1和图2中所示的结构,该***实施包括以下步骤:
S1、在铁路道口上下行区域安装两台270°扫描范围的激光雷达,扫描道口形成“激光点云”数据初始化道口背景轮廓,继而划分机车驶入和驶离道口的区域检测范围;
S2、完成机车检测初始化后,对铁路道口进行实时扫描,形成道口区域的动态数据,并采用道口背景自学习算法和机车区域检测算法来检测道口机车物体;
S3、从实时扫描数据中对场景内所有位于监测区域组内的目标进行提取处理,根据激光雷达所获取的“激光点云”特征数据的密集度和数量对当前的扫描物体目标进行鉴别和分类;
S4、根据机车驶入道口检测区域以及驶离道口检测区域的扫描数据,建立机车进入和驶离道口的时间状态序列,继而分析机车在道口的运行方向,最后根据划分的区域检测范围的实际距离以及机车的时间状态序列中相邻状态改变的时间间隔,计算出机车的运行速度;
本发明针对铁路道口工况环境复杂、行人及机车相互通行风险高、复杂交通道口实时监控难的现状,基于区域监测功能(道口背景自学习算法和机车区域监测算法)和机车行为检测算法的深度融合技术,提出一种能监测铁路道口机车行驶行为与速度检测的方法,并且结合此方法自行设计了一种基于激光扫描的铁路道口机车检测***。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于激光扫描的铁路道口机车检测***,包括***、激光雷达、机车检测算法、路道口检测数据初始化、机车物体检测、机车行驶方向判别和机车速度计算,其特征在于:所述***由激光雷达和机车检测算法构成,且机车检测方法由铁路道口检测数据初始化、机车物体检测、机车行驶方向判别机械机车速度计算构成,其中:
铁路道口检测数据初始化
对道口激光雷达扫描区域进行自定义绘制,再根据铁路道口现场工况对区域形状进行调整和边缘精修,得到需要的区域轮廓,区域划分采用“深度范围”表达方式,其数据结构的主要数据包括区域扫描角度的起始角和终止角,深度范围包括起始深度和终止深度,代表该区域在该扫描角度上的射线段距离范围,此扫描角度上的深度测量数据仅当位于此范围内时才是属于这个区域的,区域组完成几何定义之后,组内的区域都会被转换为统一的内部数据结构,采用极坐标表示,用来提高区域监测算法的效率,进一步利用道口背景自学习和机车区域监测算法来初始化背景轮廓,其中,道口背景自学习算法是指对当前场景的实时扫描数据进行一段时间的累积,从而探测到当前场景的背景轮廓,据此生成区域监测的背景数据;机车区域监测算法是指从实时扫描数据中对场景中所有位于监测区域组内的目标进行提取,根据运行控制参数对当前的监测目标进行分类和鉴别,剔除无关目标,对有效监测目标进行检测;
机车物体检测
激光雷达为了扫描到真实物体的二维信息,需使发射的激光束可以进行水平方向的扫描检测,以获得数据庞大的、具备视域广、分辨率高、包含一定的测量噪声等特征的激光点云数据,因为机车存在体积较大等因素,所以雷达得到的“激光点云”数据会比其他探测目标更多而且数据点会更为密集,针对需要检测的铁路道口区域,观察目标机车经过时的“激光点云”特征,探测到当机车靠近时,监测区域内的“激光点云”目标个数比行人或小型机动车驶过道口时的个数多,进而比较机车经过道口的目标点特征,划定在连续三个扫描周期内,都存在两个及以上相邻区域中有六个或以上目标点时,可以得出此道口有机车通过;
机车行驶方向判别、机车速度计算
通过判别雷达出现的“激光点云”特征,生成道口上行下行雷达处的机车位置时序图,根据时序图高低位的变化可以获得机车行驶的方向,依据划分的区域检测范围的实际距离以及机车的时间状态序列中相邻状态改变的时间间隔,计算出机车的运行速度。
2.根据权利要求1所述的一种基于激光扫描的铁路道口机车检测***,其特征在于:所述激光雷达又称二维激光扫描仪,道口区域监测工作在激光雷达内部,使用二维激光扫描仪获取到周边场景及活动目标的深度数据和用户指定的监测配置数据进行分析和处理,对场景中的各种目标进行探测、定位和跟踪,实现对多个平面区域的监测。
3.根据权利要求1所述的一种基于激光扫描的铁路道口机车检测***,其特征在于:所述***可以基于激光雷达实时探测到的机车行为数据检测机车的行为,获取机车的实时运行方向以及当前平均运行速度。
4.根据权利要求1所述的一种基于激光扫描的铁路道口机车检测***,其特征在于:所述区域监测功能的实际应用中,需要根据实际现场场景对要求测定的区域组进行编辑设定,从而避免某些固定的实体目标一直处于监测区域从而触发监测信号,所以区域背景剪裁是区域监测功能配置工作中相当重要的一块,同时也对区域监测的使用效果有很大影响的一块。
5.根据权利要求1所述的一种基于激光扫描的铁路道口机车检测***的使用方法,其特征在于,包括以下步骤:
步骤一、进行铁路道口背景区域划分以及背景轮廓初始化,采集当前正处在铁路道口或正经过道口的实时机车通行状态扫描数据,经过一段对当前实时场景的扫描数据的累积之后,利用道口背景自学习算法可以检测出当前道口场景的大致背景轮廓,从而提取出区域监测的背景数据,利用机车区域监测算法来探测道口物体机车;
步骤二、通过实时扫描数据,对场景中全部的处在监测区域组内的目标物体进行提取,根据“激光点云”特征对现有监测目标进行分类以及甄别,淘汰掉无关目标,对有效的目标进行检测;
步骤三、根据“激光点云”数据特征,利用机车闯入检测算法大致得出当前检测到的机车的行驶方向,同时大致检测出机车的平均速度。
6.根据权利要求5所述的一种基于激光扫描的铁路道口机车检测***的使用方法,其特征在于:所述道口背景自学习算法本质上是利用运行动态数据,也就是对当前铁路道口场景的实时扫描数据进行一段时间的累积,从而探测到当前场景的背景轮廓,据此来生成区域监测的有效背景数据。
7.根据权利要求5所述的一种基于激光扫描的铁路道口机车检测***的使用方法,其特征在于:所述机车区域监测算法中,需要对监测目标进行分割,以此对监测信号进行判定,依据设定好的“激光点云”参数对当前经过目标进行操作,去掉无关目标,从而输出正确的监测信号。
8.根据权利要求5所述的一种基于激光扫描的铁路道口机车检测***的使用方法,其特征在于:所述机车体积较大,且只会存在于铁轨区域,再加之只有在道口封闭的条件下机车才会允许通行,所以出现的时间和地点都是较为固定的,“激光点云”的数据因为机车体积较大所以变得相当密集,因此在设计时会选定好较为合理的目标区域,当探测到有机车物体靠近时,该检测范围内的“激光点云”数据特征比行人或小型汽车通过时的数据特征更为密集。
9.根据权利要求5所述的一种基于激光扫描的铁路道口机车检测***的使用方法,其特征在于:所述激光雷达产生“激光点云”生成的机车位置时间序列是一种反应机车行驶方向的特征,上行下行雷达处位置时序发生高低位的顺序变化,可以得知机车正经过当前道口雷达处,结合另一侧雷达处位置时序的变化情况,可以获得机车的行驶方向,根据划分的区域检测范围的实际距离以及机车的时间状态序列中相邻状态改变的时间间隔,可以得出机车的大致速度。
10.根据权利要求5所述的一种基于激光扫描的铁路道口机车检测***的使用方法,其特征在于:所述道口区域划分是指将需要探测的区域划分为若干个相等大小的区域,计算在相同的扫描周期内,每个划分区域中的目标点个数,假设当有两个或以上的相邻小区域中有六个及以上的目标点个数作用在连续三个扫描周期内时,即可判定目标铁路道口处有机车经过,反之当出现的目标点个数较少时,即可预估是行人或者小型机车在经过。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354002.0A CN113514848B (zh) | 2021-04-01 | 2021-04-01 | 一种基于激光扫描的铁路道口机车检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354002.0A CN113514848B (zh) | 2021-04-01 | 2021-04-01 | 一种基于激光扫描的铁路道口机车检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113514848A true CN113514848A (zh) | 2021-10-19 |
CN113514848B CN113514848B (zh) | 2024-05-31 |
Family
ID=78061284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110354002.0A Active CN113514848B (zh) | 2021-04-01 | 2021-04-01 | 一种基于激光扫描的铁路道口机车检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113514848B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638853A (zh) * | 2022-05-18 | 2022-06-17 | 广东工业大学 | 一种基于路侧固态激光雷达的背景过滤方法和*** |
CN114782469A (zh) * | 2022-06-16 | 2022-07-22 | 西南交通大学 | 公共交通的拥挤度识别方法、装置、电子设备及存储介质 |
CN117092658A (zh) * | 2023-10-20 | 2023-11-21 | 徐州瑞控机电科技有限公司 | 基于激光雷达的目标智能检测定位方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005212553A (ja) * | 2004-01-28 | 2005-08-11 | East Japan Railway Co | 検知装置及び検知方法 |
JP2010042724A (ja) * | 2008-08-11 | 2010-02-25 | Ihi Corp | 踏切障害物検知装置及び検知方法 |
CN108594247A (zh) * | 2018-03-05 | 2018-09-28 | 湖北三江航天红峰控制有限公司 | 一种基于双激光扫描的铁路接触网测量方法和装置 |
CN109229161A (zh) * | 2018-08-27 | 2019-01-18 | 杭州登元科技有限公司 | 智能机车检测控制装置 |
CN110161524A (zh) * | 2019-05-05 | 2019-08-23 | 中国科学院半导体研究所 | 防止列车通过误报的扫描雷达判断方法 |
CN110466562A (zh) * | 2019-08-14 | 2019-11-19 | 南京慧尔视智能科技有限公司 | 一种基于红外激光和微波的平交道口存在检测装置与方法 |
CN110481601A (zh) * | 2019-09-04 | 2019-11-22 | 深圳市镭神智能***有限公司 | 一种轨道检测*** |
KR102188567B1 (ko) * | 2020-05-18 | 2020-12-10 | (주) 안세기술 | 3차원 레이저 스캐너를 이용한 도로 감시 시스템 |
-
2021
- 2021-04-01 CN CN202110354002.0A patent/CN113514848B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005212553A (ja) * | 2004-01-28 | 2005-08-11 | East Japan Railway Co | 検知装置及び検知方法 |
JP2010042724A (ja) * | 2008-08-11 | 2010-02-25 | Ihi Corp | 踏切障害物検知装置及び検知方法 |
CN108594247A (zh) * | 2018-03-05 | 2018-09-28 | 湖北三江航天红峰控制有限公司 | 一种基于双激光扫描的铁路接触网测量方法和装置 |
CN109229161A (zh) * | 2018-08-27 | 2019-01-18 | 杭州登元科技有限公司 | 智能机车检测控制装置 |
CN110161524A (zh) * | 2019-05-05 | 2019-08-23 | 中国科学院半导体研究所 | 防止列车通过误报的扫描雷达判断方法 |
CN110466562A (zh) * | 2019-08-14 | 2019-11-19 | 南京慧尔视智能科技有限公司 | 一种基于红外激光和微波的平交道口存在检测装置与方法 |
CN110481601A (zh) * | 2019-09-04 | 2019-11-22 | 深圳市镭神智能***有限公司 | 一种轨道检测*** |
KR102188567B1 (ko) * | 2020-05-18 | 2020-12-10 | (주) 안세기술 | 3차원 레이저 스캐너를 이용한 도로 감시 시스템 |
Non-Patent Citations (3)
Title |
---|
BANERJEE, S等: "A NEW RAILYARD SAFETY APPROACH FOR DETECTION AND TRACKING OF PERSONNEL AND DYNAMIC OBJECTS USING SOFTWARE-DEFINED RADAR", PROCEEDINGS OF THE ASME JOINT RAIL CONFERENCE, pages 1 - 10 * |
徐家等: "基于激光雷达的集装箱堆场智能安全防护与辅助作业***", 港口科技·中国港口协会科学技术奖优秀成果, no. 06, pages 1 - 5 * |
蔚增岩: "基于激光测量技术的铁轨障碍物检测***研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, no. 01, pages 026 - 203 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638853A (zh) * | 2022-05-18 | 2022-06-17 | 广东工业大学 | 一种基于路侧固态激光雷达的背景过滤方法和*** |
US11645759B1 (en) | 2022-05-18 | 2023-05-09 | Guangdong University Of Technology | Background filtering method and background filtering system based on roadside solid-state lidar |
CN114782469A (zh) * | 2022-06-16 | 2022-07-22 | 西南交通大学 | 公共交通的拥挤度识别方法、装置、电子设备及存储介质 |
CN114782469B (zh) * | 2022-06-16 | 2022-08-19 | 西南交通大学 | 公共交通的拥挤度识别方法、装置、电子设备及存储介质 |
CN117092658A (zh) * | 2023-10-20 | 2023-11-21 | 徐州瑞控机电科技有限公司 | 基于激光雷达的目标智能检测定位方法 |
CN117092658B (zh) * | 2023-10-20 | 2023-12-26 | 徐州瑞控机电科技有限公司 | 基于激光雷达的目标智能检测定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113514848B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113514848B (zh) | 一种基于激光扫描的铁路道口机车检测*** | |
US10451720B2 (en) | Object detection apparatus and object detection method | |
CN109298415B (zh) | 一种轨道和道路障碍物检测方法 | |
CN102810250B (zh) | 基于视频的多车型交通信息检测方法 | |
CN106127113A (zh) | 一种基于三维激光雷达的道路车道线检测方法 | |
CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN106056821A (zh) | 输电线路异物入侵智能视频在线监测评估*** | |
CN108230254A (zh) | 一种自适应场景切换的高速交通全车道线自动检测方法 | |
CN107507417B (zh) | 一种基于微波雷达回波信号的智能车道划分方法及装置 | |
CN103064086A (zh) | 一种基于深度信息的车辆跟踪方法 | |
CN113569915B (zh) | 一种基于激光雷达的多策略轨道交通障碍物识别方法 | |
CN114003849B (zh) | 一种多车道非接触式车轴数自动计算方法及*** | |
CN103809163A (zh) | 一种基于局部极大值的车辆雷达目标检测方法 | |
KR101655682B1 (ko) | 운전자 보조장치 및 그의 가드레일 인식 방법 | |
CN111123262B (zh) | 自动驾驶3d建模方法、装置及*** | |
CN110007279A (zh) | 一种基于毫米波雷达模型的目标可见性判断方法 | |
CN114415171A (zh) | 一种基于4d毫米波雷达的汽车可行驶区域检测方法 | |
CN104112305A (zh) | 基于双激光测距的客流监测方法和装置 | |
CN110554409B (zh) | 一种凹障碍物检测方法及*** | |
CN103559502A (zh) | 一种基于自适应聚类分析的行人检测***及方法 | |
CN106056926B (zh) | 基于动态虚拟线圈的视频车速检测方法 | |
CN110648542B (zh) | 基于方位识别窄波雷达的高精度车流量检测*** | |
CN115966084A (zh) | 全息路口毫米波雷达数据处理方法、装置及计算机设备 | |
CN112634299A (zh) | 一种排除飞虫干扰的遗留物检测方法 | |
Yuan et al. | Real-time long-range road estimation in unknown environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |