CN117872389A - 场车无线测速方法及*** - Google Patents
场车无线测速方法及*** Download PDFInfo
- Publication number
- CN117872389A CN117872389A CN202410080828.6A CN202410080828A CN117872389A CN 117872389 A CN117872389 A CN 117872389A CN 202410080828 A CN202410080828 A CN 202410080828A CN 117872389 A CN117872389 A CN 117872389A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- background
- point
- feature points
- adjacent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 230000033001 locomotion Effects 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 210000000988 bone and bone Anatomy 0.000 claims description 53
- 238000012216 screening Methods 0.000 claims description 18
- 230000008468 bone growth Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000000691 measurement method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000009434 installation Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G01S17/02—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)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种场车无线测速方法及***，所述方法包括：以预设的采样间隔连续采集目标区域的多幅点云数据；分别检测出多幅点云数据中的运动目标，剔除运动目标所在的点云区域，得到多幅背景点云；分别对多幅背景点云进行背景特征点检测，基于背景特征点对多幅背景点云进行配准和拼接，得到环境点云；将运动目标所在的点云区域分别嵌入环境点云，得到完整三维点云；提取完整三维点云中待测车辆的运动轨迹，计算待测车辆运动轨迹的长度；根据车辆运动轨迹的长度和采样间隔测算车辆移动速度。本发明通过各类便携式激光雷达扫描仪即可完成场车的车速无线测量，降低了设备安装维护难度，另一方面，且不受测量角度的影响，可以提高测量精度。
Description
技术领域
本发明属于车辆速度测量技术领域，具体涉及一种场车无线测速方法及***。
背景技术
高速行驶的场(厂)车可能会导致意外事故、设备损坏或者产品损坏等安全隐患，因此需要采取措施来进行场车速度的准确测量，确保场车的安全行驶。
目前，常规的车辆测速方法一般有利用GPS测速、雷达测速、视频测速和地感线圈测速等，这些测速方法常同于一般的道路交通测速，比如通过车载传感器测量周围移动目标的速度，固定在公路龙门架上的传感器采集数据，进行车速测算。然而观光车、叉车等场车的工作环境相对复杂，尤其观光车通常绕山路行驶，路线环境复杂多变，通过布设地感线圈、在龙门吊上安装传感器等测速方式存在安装、维护困难等问题。GPS测速会受到信号遮挡、定位误差的影响，导致GPS测速不准确。雷达测速是利用多普勒效应进行速度测量，同样需要传感器安装在道路两旁或车辆所经过的公路上方的龙门架上，且容易受到雷达发射波与车辆行驶方向之间的夹角变化的影响，影响测速精度。视频测速等方式虽然原理简单，但是误差较大。
因此，现有的车辆测速方式存在安装和维护困难、误差较大等问题，不适用于场车速度准确测量。
发明内容
有鉴于此，本发明提出了一种场车无线测速方法及***，用于解决现有的场车速度测量误差较大的问题。
本发明第一方面，公开了一种场车无线测速方法，所述方法包括：
以预设的采样间隔连续采集目标区域的多幅点云数据；
分别检测出多幅点云数据中的运动目标，剔除运动目标所在的点云区域，得到多幅背景点云；
分别对多幅背景点云进行背景特征点检测，基于背景特征点对多幅背景点云进行配准和拼接，得到环境点云；
将运动目标所在的点云区域分别嵌入环境点云，得到完整三维点云；
提取完整三维点云中待测车辆的运动轨迹，计算待测车辆运动轨迹的长度；
根据车辆运动轨迹的长度和采样间隔测算车辆移动速度。
在以上技术方案的基础上，优选的，所述目标区域为包含待测车辆和周围环境的区域，所述多幅点云数据是通过激光雷达扫描仪对视野内的目标区域扫描得到，且相邻两幅点云数据有重合。
在以上技术方案的基础上，优选的，所述分别检测出多幅点云数据中的目标车辆具体包括：
将多幅点云数据分别输入预训练的AMDNet网络模型，提取多幅点云数据中的运动目标，标记运动目标所在的点云区域。
在以上技术方案的基础上，优选的，所述分别对多幅背景点云进行背景特征点检测，基于背景特征点对多幅背景点云进行配准和拼接，得到环境点云具体包括：
采用SIFT算法分别提取相邻两幅背景点云的特征点，构建特征描述符，并对每幅背景点云进行空间网格划分；
对相邻两幅背景点云进行局部匹配，分别筛选局部特征点；所述局部特征点的数量大于等于4个；
以筛选出的每个局部特征点为节点、以同一邻域内的局部特征点的连接关系为边，分别为每幅背景点云构建特征骨骼；
计算相邻两幅背景点云的特征骨骼之间的结构相似度；
根据相邻幅点云数据的特征骨骼之间的结构相似度进行特征骨骼生长；
根据特征骨骼生长结果对相邻两幅背景点云进行ICP配准，并根据ICP配准结果进行点云拼接，得到环境点云。
在以上技术方案的基础上，优选的，所述以筛选出的每个局部特征点为节点、以同一邻域内的局部特征点的连接关系为边，分别为每幅背景点云构建特征骨具体包括：
对筛选出的局部特征点顺序编号，依次计算当前局部特征点与其余局部特征点之间的欧式距离；
以每个局部特征点为节点，提取当前局部特征点的K邻域内的局部特征点；
将K邻域内的局部特征点分别与当前局部特征点连接，构成节点之间的边；
比较边的两端的局部特征点之间的曲率大小，曲率小的局部特征点为边的起点，曲率大的局部特征点为边的终点，边的权重为两个局部特征点之间的法向量夹角，以此构建有向图结构，作为每幅背景点云的特征骨骼。
在以上技术方案的基础上，优选的，所述计算相邻两幅背景点云的特征骨骼之间的结构相似度具体包括：
其中，sim表示结构相似度，Xi、Xj、Xk和Xi'、X'j、X'k分别为相邻两幅背景点云对应的特征骨骼中相匹配的第i、j、k对局部特征点的三维坐标，n为特征骨骼中的节点总数；均为对应的两个三维坐标之间的向量；d(Xi,Xj)、d(Xi',X'j)分别为Xi,Xj之间的欧式距离、Xi',X'j之间的欧式距离；α、β、γ为权重系数；A、A'分别为相邻两幅背景点云对应的特征骨骼的邻接矩阵，s(A,A')为两个邻接矩阵A、A'之间的相似度：
其中，auv、a'uv分别为邻接矩阵A、A'的第u行、第v列元素，max()为求最大值函数。
在以上技术方案的基础上，优选的，所述根据相邻幅点云数据的特征骨骼之间的结构相似度进行特征骨骼生长具体包括：
将相邻两幅背景点云的特征骨骼之间的结构相似度与第一预设阈值比较；
若结构相似度大于等于第一预设阈值，在除局部特征点以外的剩余特征点中进行增补特征点筛选，并采用增补特征点对当前特征骨骼中的节点进行增补，构建新的特征骨骼；第二特征点的数量大于等于1个；
若结构相似度小于第一预设阈值，在局部特征点所在区域进行替换特征点筛选，并采用替换特征点对当前特征骨骼中的节点进行替换，构建新的特征骨骼；所述增补特征点筛选和替换特征点筛选的条件为：增补或者替换之后，相邻两幅背景点云之间的局部匹配误差减小；
重复以上计算结构相似度、构建新的特征骨骼的过程，直到相邻幅点云数据的特征骨骼之间的结构相似度大于等于第一预设阈值且新的特征骨骼的节点数量达到第二预设阈值；所述第二预设阈值大于局部特征点的数量。
在以上技术方案的基础上，优选的，所述以筛选出的局部特征点为节点、以同一邻域内的局部特征点的连接关系为边，为每幅背景点云构建特征骨骼具体包括：
对筛选出的局部特征点顺序编号，依次计算当前局部特征点与其余局部特征点之间的欧式距离；
以每个局部特征点为节点，提取当前局部特征点的K邻域内的局部特征点；
将K邻域内的局部特征点分别与当前局部特征点连接，构成节点之间的边；
比较边的两端的局部特征点之间的曲率大小，曲率小的局部特征点为边的起点，曲率大的局部特征点为边的终点，边的权重为两个局部特征点之间的法向量夹角，以此构建有向图结构，作为每幅背景点云的特征骨骼。
在以上技术方案的基础上，优选的，所述计算相邻两幅背景点云的特征骨骼之间的结构相似度具体包括：
其中，sim表示结构相似度，Xi、Xj、Xk和Xi'、X'j、X'k分别为相邻两幅背景点云对应的特征骨骼中相匹配的第i、j、k对局部特征点的三维坐标，n为特征骨骼中的节点总数；均为对应的两个三维坐标之间的向量；d(Xi,Xj)、d(Xi',X'j)分别为Xi,Xj之间的欧式距离、Xi',X'j之间的欧式距离；α、β、γ为权重系数；A、A'分别为相邻两幅背景点云对应的特征骨骼的邻接矩阵，s(A,A')为两个邻接矩阵A、A'之间的相似度：
其中，auv、a'uv分别为邻接矩阵A、A'的第u行、第v列元素，max()为求最大值函数。
本发明第二方面，公开了一种场车无线测速***，所述***包括：
数据采集模块：用于以预设的采样间隔连续采集目标区域的多幅点云数据；
背景提取模块：用于分别检测出多幅点云数据中的运动目标，剔除运动目标所在的点云区域，得到多幅背景点云；
点云合成模块：用于分别对多幅背景点云进行背景特征点检测，基于背景特征点对多幅背景点云进行配准和拼接，得到环境点云；将运动目标所在的点云区域分别嵌入环境点云，得到完整三维点云；
速度测算模块：用于提取完整三维点云中待测车辆的运动轨迹，计算待测车辆运动轨迹的长度；根据车辆运动轨迹的长度和采样间隔测算车辆移动速度。
本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的方法。
本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果：
1)本发明连续采集目标区域的多幅点云数据后，剔除运动目标所在的点云区域，消除运动目标速度测量的影响，通过多幅背景点云进行配准和拼接得到环境点云，从而提取待测车辆运动轨迹，实现测速测量，不需要在特定位置安装传感器，通过各类便携式激光雷达扫描仪即可完成场车的车速无线测量，一方面降低了设备安装维护难度，另一方面，相较于现有的雷达测速，本发明不受测量角度的影响，通过自动点云配准可以实现任意角度的速度测量，通过三维点云处理计算还可以提高测量精度。
2)本发明对相邻两幅背景点云的重合区域进行局部匹配，分别筛选局部特征点，通过图结构为每幅背景点云构建特征骨骼，根据相邻幅点云数据的特征骨骼之间的结构相似度进行特征骨骼生长，实现相邻幅点云数据的匹配点对的准确选取，实现粗配准，为后续ICP精配准提供良好初值，提高配准精度，从而融合得到准确的环境点云，有利于提高速度测量精度。
3)本发明基于相邻两幅背景点云的重合部分点云数据的空间结构不变的原理，考虑了对应的局部特征点之间的距离相似性、角度相似性，以及对应的特征骨骼的邻接矩阵之间的相似性，综合计算相邻两幅背景点云的特征骨骼之间的结构相似度，从而更准确衡量相邻两幅背景点云的重合区域的空间结构相似性，提高特征点筛选的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的场车无线测速方法流程图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种场车无线测速方法，所述方法包括：
S1、以预设的采样间隔连续采集目标区域的多幅点云数据。
本发明通过激光雷达扫描仪对其视野内的目标区域扫描得到多幅点云数据，本发明所扫描的目标区域为包含待测车辆和周围环境的区域，其中，待测车辆为速度测量目标，周围环境是作为背景数据。为方便后续将多幅点云数据中的环境进行整合以及待测车辆跟踪，需要相邻两幅点云数据有重合。
本发明不需要在特定位置安装传感器，通过各类便携式激光雷达扫描仪即可采集目标区域的多幅三维点云数据，后续也不需要其他测量设备传感器支撑，有效降低了设备安装维护成本。
S2、分别检测出多幅点云数据中的运动目标，剔除运动目标所在的点云区域，得到多幅背景点云。
本发明需要测量的运动目标是待测车辆，然而连续采集的多幅点云数据中还可能存在行人、自行车或其他物体等运动目标，这些运动目标会引入额外的运动信息，导致背景的特征被混淆，干扰的速度测量的准确性。
本发明通过AMDNet网络模型进行运动目标检测，将多幅点云数据分别输入预训练的AMDNet网络模型，提取多幅点云数据中的运动目标，并标记运动目标所在的点云区域。
AMDNet网络模型采用了实时运动检测模型，其通过对点云数据进行卷积和池化操作，提取特征并学习运动目标的表示，然后通过分类器和分割器识别点云数据中的运动目标，并将其从背景中分离出来，具有较高的实时性能，因此可以较好的适用于本发明的速度测量这一需要快速响应的应用场景。
S3、分别对多幅背景点云进行背景特征点检测，基于背景特征点对多幅背景点云进行配准和拼接，得到环境点云。
在待测车辆运动跟踪的过程中，环境数据一直在变化，本发明通过对多幅背景点云进行配准和拼接，得到完整的环境数据。
对多幅背景点云进行配准和拼接是基于相邻两幅背景点云的重合区域进行的，一般来说重合区域至少占一幅背景点云的一半，那么相邻两幅背景点云中，前一幅背景点云的后半部分和后一幅背景点云的前半部分都属于重合区域。本发明在重合区域对应的点云空间中进行局部匹配，筛选局部特征点，然后分别基于局部特征点构建特征骨骼，计算特征骨骼之间的结构相似度并进行特征骨骼生长，从而筛选出重合区域的特征点。
步骤S3具体包括如下分步骤：
S31、采用SIFT算法分别提取相邻两幅背景点云的特征点。
先对相邻两幅背景点云数据进行预处理，包括去噪、滤波等操作，以减少数据中的噪声和异常点。然后对预处理后的点云数据应用SIFT算法，提取出具有良好不变性的特征点。在点云中，特征点通常表示为具有显著形状变化或曲率的点，这些点在不同尺度和旋转下都具有稳定的特征。
S32、对相邻两幅背景点云进行局部匹配，分别筛选局部特征点。
将相邻两幅背景点云的中的前一幅作为源点云，后一幅作为目标点云。对源点云进行空间网格划分，提取重合区域中特征点较为集中的一个空间网格，通过计算特征点之间的距离或者使用RANSAC算法在目标点云中搜索与该空间网格中的特征点相匹配的特征点，进行局部匹配，筛选局部匹配成功的局部特征点。为了加快筛选过程，局部特征点的数量大于等于5个。
由于该局部匹配并未完整匹配出重合区域的所有有效特征点，且存在匹配误差，所以需要在局部特征点的基础上进行进一步匹配筛选。
S33、以筛选出的每个局部特征点为节点、以同一邻域内的局部特征点的连接关系为边，分别为每幅背景点云构建特征骨骼。
具体的，对筛选出的局部特征点顺序编号，依次计算当前局部特征点与其余局部特征点之间的欧式距离；
以每个局部特征点为节点，提取当前局部特征点的K邻域内的局部特征点；
将K邻域内的局部特征点分别与当前局部特征点连接，构成节点之间的边；
比较边的两端的局部特征点之间的曲率大小，曲率小的局部特征点为边的起点，曲率大的局部特征点为边的终点，边的权重为两个局部特征点之间的法向量夹角。
以以上方式构建有向图结构，作为每幅背景点云的特征骨骼。
S34、计算相邻两幅背景点云的特征骨骼之间的结构相似度。
本发明计算相邻两幅背景点云的特征骨骼之间的结构相似度的公式为：
其中，sim表示结构相似度，Xi、Xj、Xk和Xi'、X'j、X'k分别为相邻两幅背景点云对应的特征骨骼中相匹配的第i、j、k对局部特征点的三维坐标，n为特征骨骼中的节点总数；均为对应的两个三维坐标之间的向量；d(Xi,Xj)、d(Xi',X'j)分别为Xi,Xj之间的欧式距离、Xi',X'j之间的欧式距离；α、β、γ为权重系数，α+β+γ＝1；A、A'分别为相邻两幅背景点云对应的特征骨骼的邻接矩阵。
s(A,A')为两个邻接矩阵A、A'之间的相似度，计算公式为：
其中，auv、a'uv分别为邻接矩阵A、A'的第u行、第v列元素，max()为求最大值函数。
本发明考虑了相邻幅点云数据的重合区域对应的点云空间中局部特征点之间的距离相似性、角度相似性，以及对应的特征骨骼的邻接矩阵之间的相似性，综合计算相邻两幅背景点云的特征骨骼之间的结构相似度，从而更准确衡量相邻两幅背景点云的重合区域空间结构相似性，提高特征点筛选的可靠性。
S35、根据相邻幅点云数据的特征骨骼之间的结构相似度进行特征骨骼生长。
本发明将相邻两幅背景点云的特征骨骼之间的结构相似度与第一预设阈值比较，根据比较结果选择不同的特征骨骼生长方式。
①若结构相似度大于等于第一预设阈值，在除局部特征点以外的剩余特征点中进行增补特征点筛选，并采用增补特征点对当前特征骨骼中的节点进行增补，构建新的特征骨骼。
具体的，分别提取相邻两幅背景点云对应的特征骨骼中的边缘节点，分别在对应的边缘节点的邻域中筛选使配准误差减小的增补特征点，并建立增补特征点与边缘节点之间的连接关系，形成新的特征骨骼。第二特征点的数量大于等于1个。
②若结构相似度小于第一预设阈值，在局部特征点所在区域进行替换特征点筛选，并采用替换特征点对当前特征骨骼中的节点进行替换，构建新的特征骨骼。
具体的，随机提取相邻两幅背景点云对应的特征骨骼中的相匹配的一对节点，在其中一个节点的邻域内查找替换之后使配准误差减小的替换特征点，用替换特征点替换原有节点，并重新建立替换特征点与周围节点之间的连接关系，形成新的特征骨骼。
S36、返回步骤S35，重复以上计算结构相似度、构建新的特征骨骼的过程，直到相邻幅点云数据的特征骨骼之间的结构相似度大于等于第一预设阈值且新的特征骨骼的节点数量达到第二预设阈值。
所述第二预设阈值应大于步骤S32的局部特征点的数量。
本发明对相邻两幅背景点云进行局部匹配，以该局部匹配得到的局部特征点为基础，通过图结构为每幅背景点云构建特征骨骼，并基于相邻两幅背景点云的重合部分点云数据的空间结构不变的原理，根据相邻幅点云数据的特征骨骼之间的结构相似度进行特征骨骼生长，实现相邻幅点云数据的重合区域匹配点对的准确选取，实现粗配准，为后续ICP精配准提供良好初值，提高配准精度，从而融合得到准确的环境点云，有利于提高速度测量精度。
S36、根据特征骨骼生长结果对相邻两幅背景点云进行ICP配准，并根据ICP配准结果进行点云拼接，得到环境点云。
步骤S36的特征骨骼生长结果最终得到了相邻幅点云数据的重合区域的特征骨骼，提取特征骨骼生长结果最终得到的特征骨骼的节点，还原对应的特征点，这些特征点是相邻两幅背景点云的重合区域匹配的特征点，基于这些匹配的特征点
S4、将运动目标所在的点云区域分别嵌入环境点云，得到完整三维点云。
得到完整的环境点云后，重新将之前剔除的运动目标分别嵌入环境点云，得到包含待测车辆运动信息且背景连续的完整三维点云。
S5、提取完整三维点云中待测车辆的运动轨迹，计算待测车辆运动轨迹的长度。
由于先前已进行了运动目标检测，因此只需识别出待测车辆，将待测车辆的中心点作为当前位置点，即可从完整三维点云中提取待测车辆的运动轨迹，然后通过计算轨迹路径上相邻位置点之间的距离之和来计算轨迹的长度。
S6、根据车辆运动轨迹的长度和采样间隔测算车辆移动速度。
根据采样间隔计算车辆运动轨迹的长度对应的运动时间，将车辆运动轨迹的长度除以运动时间即得到车辆移动速度。
本发明通过三维点云处理进行车速测量，相较于常规的多普勒雷达测速方式，可以提高测量精度。此外，通过各类便携式激光雷达扫描仪即可在道路两侧采集目标区域的多幅三维点云数据，有效降低了设备安装维护成本。虽然本发明涉及一定量的三维点云数据处理，但是本发明主要针对重合区域的局部匹配点进行处理，特征骨骼生长也是基于结构相似度严格筛选，因此可以快速筛选有效特征点，大大降低了点云数据处理的数据量，保障测量速度。
与上述方法实施例相对应，本发明还提出一种场车无线测速***，所述***包括：
数据采集模块：用于以预设的采样间隔连续采集目标区域的多幅点云数据；
背景提取模块：用于分别检测出多幅点云数据中的运动目标，剔除运动目标所在的点云区域，得到多幅背景点云；
点云合成模块：用于分别对多幅背景点云进行背景特征点检测，基于背景特征点对多幅背景点云进行配准和拼接，得到环境点云；将运动目标所在的点云区域分别嵌入环境点云，得到完整三维点云；
速度测算模块：用于提取完整三维点云中待测车辆的运动轨迹，计算待测车辆运动轨迹的长度；根据车辆运动轨迹的长度和采样间隔测算车辆移动速度。
以上***实施例和方法实施例是一一对应的，***实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已，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、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种场车无线测速方法，其特征在于，所述方法包括：
以预设的采样间隔连续采集目标区域的多幅点云数据；
分别检测出多幅点云数据中的运动目标，剔除运动目标所在的点云区域，得到多幅背景点云；
分别对多幅背景点云进行背景特征点检测，基于背景特征点对多幅背景点云进行配准和拼接，得到环境点云；
将运动目标所在的点云区域分别嵌入环境点云，得到完整三维点云；
提取完整三维点云中待测车辆的运动轨迹，计算待测车辆运动轨迹的长度；
根据车辆运动轨迹的长度和采样间隔测算车辆移动速度。
2.根据权利要求1所述的场车无线测速方法，其特征在于，所述目标区域为包含待测车辆和周围环境的区域，所述多幅点云数据是通过激光雷达扫描仪对视野内的目标区域扫描得到，且相邻两幅点云数据有重合。
3.根据权利要求1所述的场车无线测速方法，其特征在于，所述分别检测出多幅点云数据中的目标车辆具体包括：
将多幅点云数据分别输入预训练的AMDNet网络模型，提取多幅点云数据中的运动目标，标记运动目标所在的点云区域。
4.根据权利要求1所述的场车无线测速方法，其特征在于，所述分别对多幅背景点云进行背景特征点检测，基于背景特征点对多幅背景点云进行配准和拼接，得到环境点云具体包括：
采用SIFT算法分别提取相邻两幅背景点云的特征点；
对相邻两幅背景点云的重合区域进行局部匹配，分别筛选局部特征点；
以筛选出的每个局部特征点为节点、以同一邻域内的局部特征点的连接关系为边，分别为每幅背景点云构建特征骨骼；
计算相邻两幅背景点云的特征骨骼之间的结构相似度；
根据相邻幅点云数据的特征骨骼之间的结构相似度进行特征骨骼生长；
根据特征骨骼生长结果对相邻两幅背景点云的重合区域进行ICP配准，并根据ICP配准结果进行点云拼接，得到环境点云。
5.根据权利要求4所述的场车无线测速方法，其特征在于，所述以筛选出的每个局部特征点为节点、以同一邻域内的局部特征点的连接关系为边，分别为每幅背景点云构建特征骨具体包括：
对筛选出的局部特征点顺序编号，依次计算当前局部特征点与其余局部特征点之间的欧式距离；
以每个局部特征点为节点，提取当前局部特征点的K邻域内的局部特征点；
将K邻域内的局部特征点分别与当前局部特征点连接，构成节点之间的边；
比较边的两端的局部特征点之间的曲率大小，曲率小的局部特征点为边的起点，曲率大的局部特征点为边的终点，边的权重为两个局部特征点之间的法向量夹角，以此构建有向图结构，作为每幅背景点云的特征骨骼。
6.根据权利要求5所述的场车无线测速方法，其特征在于，所述计算相邻两幅背景点云的特征骨骼之间的结构相似度具体包括：
其中，sim表示结构相似度，Xi、Xj、Xk和Xi'、X'j、X'k分别为相邻两幅背景点云对应的特征骨骼中相匹配的第i、j、k对局部特征点的三维坐标，n为特征骨骼中的节点总数；均为对应的两个三维坐标之间的向量；d(Xi,Xj)、d(Xi',X'j)分别为Xi,Xj之间的欧式距离、Xi',X'j之间的欧式距离；α、β、γ为权重系数；A、A'分别为相邻两幅背景点云对应的特征骨骼的邻接矩阵，s(A,A')为两个邻接矩阵A、A'之间的相似度：
其中，auv、a'uv分别为邻接矩阵A、A'的第u行、第v列元素，max()为求最大值函数。
7.根据权利要求4所述的场车无线测速方法，其特征在于，所述根据相邻幅点云数据的特征骨骼之间的结构相似度进行特征骨骼生长具体包括：
将相邻两幅背景点云的特征骨骼之间的结构相似度与第一预设阈值比较；
若结构相似度大于等于第一预设阈值，在除局部特征点以外的剩余特征点中进行增补特征点筛选，并采用增补特征点对当前特征骨骼中的节点进行增补，构建新的特征骨骼；
若结构相似度小于第一预设阈值，在局部特征点所在区域进行替换特征点筛选，并采用替换特征点对当前特征骨骼中的节点进行替换，构建新的特征骨骼；所述增补特征点筛选和替换特征点筛选的条件为：增补或者替换之后，相邻两幅背景点云之间的局部匹配误差减小；
重复以上计算结构相似度、构建新的特征骨骼的过程，直到相邻幅点云数据的特征骨骼之间的结构相似度大于等于第一预设阈值且新的特征骨骼的节点数量达到第二预设阈值。
8.一种场车无线测速***，其特征在于，所述***包括：
数据采集模块：用于以预设的采样间隔连续采集目标区域的多幅点云数据；
背景提取模块：用于分别检测出多幅点云数据中的运动目标，剔除运动目标所在的点云区域，得到多幅背景点云；
点云合成模块：用于分别对多幅背景点云进行背景特征点检测，基于背景特征点对多幅背景点云进行配准和拼接，得到环境点云；将运动目标所在的点云区域分别嵌入环境点云，得到完整三维点云；
速度测算模块：用于提取完整三维点云中待测车辆的运动轨迹，计算待测车辆运动轨迹的长度；根据车辆运动轨迹的长度和采样间隔测算车辆移动速度。
9.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1～7任一项所述的方法。
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存储计算机指令，所述计算机指令使计算机实现如权利要求1～7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410080828.6A CN117872389B (zh) | 2024-01-19 | 2024-01-19 | 场车无线测速方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410080828.6A CN117872389B (zh) | 2024-01-19 | 2024-01-19 | 场车无线测速方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117872389A true CN117872389A (zh) | 2024-04-12 |
| CN117872389B CN117872389B (zh) | 2024-07-02 |
Family
ID=90594628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410080828.6A Active CN117872389B (zh) | 2024-01-19 | 2024-01-19 | 场车无线测速方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117872389B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460791A (zh) * | 2017-12-29 | 2018-08-28 | 百度在线网络技术（北京）有限公司 | 用于处理点云数据的方法和装置 |
| CN113160293A (zh) * | 2021-05-13 | 2021-07-23 | 南京信息工程大学 | 一种基于特征概率的复杂场景地面站点云自动配准方法 |
| CN113532424A (zh) * | 2021-08-10 | 2021-10-22 | 广东师大维智信息科技有限公司 | 一种获取多维信息的一体化设备与协同测量方法 |
| CN115272616A (zh) * | 2022-08-18 | 2022-11-01 | 中国地质大学（武汉） | 一种室内场景三维重建方法、***、装置及存储介质 |
| CN116740288A (zh) * | 2023-08-14 | 2023-09-12 | 北京数慧时空信息技术有限公司 | 一种融合激光雷达、倾斜摄影的三维重建方法 |
| CN117011299A (zh) * | 2023-10-07 | 2023-11-07 | 华侨大学 | 融合图重采样和梯度特征的参考点云质量评估方法及*** |
-
2024
- 2024-01-19 CN CN202410080828.6A patent/CN117872389B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460791A (zh) * | 2017-12-29 | 2018-08-28 | 百度在线网络技术（北京）有限公司 | 用于处理点云数据的方法和装置 |
| CN113160293A (zh) * | 2021-05-13 | 2021-07-23 | 南京信息工程大学 | 一种基于特征概率的复杂场景地面站点云自动配准方法 |
| CN113532424A (zh) * | 2021-08-10 | 2021-10-22 | 广东师大维智信息科技有限公司 | 一种获取多维信息的一体化设备与协同测量方法 |
| CN115272616A (zh) * | 2022-08-18 | 2022-11-01 | 中国地质大学（武汉） | 一种室内场景三维重建方法、***、装置及存储介质 |
| CN116740288A (zh) * | 2023-08-14 | 2023-09-12 | 北京数慧时空信息技术有限公司 | 一种融合激光雷达、倾斜摄影的三维重建方法 |
| CN117011299A (zh) * | 2023-10-07 | 2023-11-07 | 华侨大学 | 融合图重采样和梯度特征的参考点云质量评估方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117872389B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109059954B (zh) | 支持高精度地图车道线实时融合更新的方法和*** | |
| CN112014857B (zh) | 用于智能巡检的三维激光雷达定位导航方法及巡检机器人 | |
| CN108345822B (zh) | 一种点云数据处理方法及装置 | |
| Zai et al. | 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts | |
| CN109100741A (zh) | 一种基于3d激光雷达及图像数据的目标检测方法 | |
| Puniach et al. | Application of UAV-based orthomosaics for determination of horizontal displacement caused by underground mining | |
| CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
| CN104766058A (zh) | 一种获取车道线的方法和装置 | |
| CN112433203A (zh) | 一种基于毫米波雷达数据的车道线形检测方法 | |
| CN112162297B (zh) | 一种剔除激光点云地图中动态障碍伪迹的方法 | |
| CN115943439A (zh) | 一种基于雷视融合的多目标车辆检测及重识别方法 | |
| CN112740225B (zh) | 一种路面要素确定方法及装置 | |
| CN112731440A (zh) | 高速铁路边坡形变检测方法及装置 | |
| CN111487643B (zh) | 一种基于激光雷达点云和近红外影像的建筑物检测方法 | |
| CN115113206B (zh) | 井下有轨车辅助驾驶的行人与障碍物检测方法 | |
| Jang et al. | Road lane semantic segmentation for high definition map | |
| CN114325634A (zh) | 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法 | |
| Sameen et al. | A simplified semi-automatic technique for highway extraction from high-resolution airborne LiDAR data and orthophotos | |
| CN114022760B (zh) | 铁路隧道障碍物监测预警方法、***、设备及存储介质 | |
| CN113807309B (zh) | 一种基于深度学习的果园机械行走路线规划方法 | |
| CN114842166A (zh) | 应用于结构化道路的负障碍检测方法、***、介质及设备 | |
| CN116736322B (zh) | 融合相机图像与机载激光雷达点云数据的速度预测方法 | |
| CN117872389B (zh) | 场车无线测速方法及*** | |
| CN110927765B (zh) | 激光雷达与卫星导航融合的目标在线定位方法 | |
| Chen et al. | Amobile system combining laser scanners and cameras for urban spatial objects extraction |
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 |