[发明专利]一种基于3D点云的轮轴个数检测方法

说明书

本发明申请提出一种基于3D点云的轮轴个数检测方法，其通过激光雷达感知功能获取车辆动态点云，通过PointNet++网络深度学习网语义分割对点云轮轴进行检测，再通过dbscan聚类算法对轮轴点云进行聚类，通过判断聚类的方框宽度判断每个聚类有几个轮轴，并结合实际轮胎宽度来确定车辆的轮轴个数。相对于传统方法，本方法无需覆盖市场上近乎全面的车型分类样本，只需要每种车轴数量的样本只要超过1000件，对轮轴样本依赖较少，即可实现直观判定车辆轮轴数量的功能，具有较好的市场应用前景。

技术领域

本发明涉及点云数据处理的技术领域，更具体地，涉及一种汽车雷达点云数据的处理方法。

背景技术

根据JT/T489-2019《中华人民共和国交通行业标准》，制定了多种交通应用场景，包括了车型分类。其中收费公路车辆通行费车型分类和交通调查车型分类等车型分类，主要是依靠车辆的车长和车轴两项关键参数来实现的，所以获知车辆的轮轴个数就很重要。

目前，本申请人在2021年12月1日提出一篇专利申请号为CN202111452252.4，专利名称为“一种汽车雷达点云数据的处理方法”的在先专利申请，该在先专利申请涉及到汽车轮轴个数的检测方法，主要包括如下步骤：S1，将点云原始数据进行标注，根据不同的车型选择相应的轴数，标注后的点云数据一部分作为训练数据，一部分作为测试数据；S2，利用S1的训练数据进行模型训练，先对点云数据进行对齐并进行深度学习迭代训练，再对提取的特征信息进行聚合，同时进行深度学习迭代训练得到训练好的模型；S3，利用S1的测试数据采用S2训练好的模型进行模型推理，将模型输出的预测的轮轴类型与标注的真值对比，得到正确率；S4，正确率大于设定的目标准确率则通过，正确率小于等于设定的目标准确率则增加标注的点云数据的数量，循环步骤S1-S4直至正确率大于设定的目标准确率。采用这种方法确实可以获得车辆的轮轴数量，但是需要采集大量的车型数据样本来建立模型训练，且算法非常复杂，因为本质上该方法采用的是相对值法(或者叫做“端到端”的方法)来判定车辆有几个轮轴，不是很直观。

发明内容

有鉴于此，为了解决采用传统的相对值比较法(或者叫“端到端”的方法)方法获得车辆的轮轴数量需要的样本数量大、样本车型种类多，且计算方法复杂的问题，本发明申请提出一种基于3D点云的轮轴个数检测方法，其通过激光雷达感知功能获取车辆动态点云，通过Po i ntNet++网络深度学习网语义分割对点云轮轴进行检测，再通过dbscan聚类算法对轮轴点云进行聚类，通过判断聚类的方框宽度并结合实际轮胎宽度来确定车辆的轮轴个数。相对于传统方法，本方法无需覆盖市场上近乎全面的车型分类样本，只需要采集一定数量的点云样本而不需要类似传统的相对值法(或者叫做“端到端方法”)那样每类车型的轮轴点云都需要大量样本，通常只需要每种车轴数量的样本只要超过1000件，即可实现直观判定车辆轮轴数量的功能，具有较好的市场应用前景。

一种基于3D点云的轮轴个数检测方法，其包括如下步骤：

S1，通过安装在路侧的激光雷达获得视场角的所有三维点云数据；

S2，去除步骤S1中获得的视场角的所有的三维点云数据中的环境点云数据，并初步提取出车辆位置和车辆轮廓，获得车辆原始三维点云数据；

S3，将步骤S2中车辆原始三维点云信息的所有点投影为多个平面视图，利用区间过滤法分别滤除每个平面视图的噪声，得到多辆车的精准的车辆轮廓信息，并对每一辆车进行标记；

S4，根据步骤S3中标识的车辆标记框，得到车辆的位置，根据所述位置来追踪每一辆车的点云数据；

其特征在于，还包括如下步骤：

S5，对步骤S4中的每一辆车的点云数据采用目标检测模型软件进行训练，该目标检测模型软件是能够用于目标检测任务的深度学习网络模型，目标检测模型训练完成后，该目标检测模型可以进行聚类分析，识别出点云数据中的轮子；