基于激光雷達車檢器的車型識別研究

曾夏明，何家雄，曹林根，鳳宇飛，沈 陽，張志偉

（1.廣西交科集團有限公司智能交通工程院，廣西南寧530000；2.南寧捷賽數(shù)碼科技有限責(zé)任公司，廣西南寧530000；3.上海海事大學(xué)物流工程學(xué)院，上海201306；4.上海海矚智能科技有限公司，上海201306；5.上海海事大學(xué)高等技術(shù)學(xué)院，上海201306）

隨著經(jīng)濟的快速發(fā)展，汽車保有量越來越高。汽車極大地方便了人們的工作和生活，但與此同時由于公路交通量日益增加引發(fā)的交通擁堵、環(huán)境污染、事故增多等問題也日益嚴重［1］。為了緩解日益嚴重的公路交通壓力，對交通系統(tǒng)進行智能化改造，實時了解掌握公路交通基礎(chǔ)信息，包括道路車流量、平均車速、車頭時距等，從而優(yōu)化公路交通的運行和管理［2］。道路中的車型識別也是其中重要的交通信息。

智能交通系統(tǒng)（Intelligent Traffic System，ITS）［3］集成了先進的自動控制、電子信息、計算機網(wǎng)絡(luò)等技術(shù)。其中，交通信息服務(wù)系統(tǒng)是重要的基礎(chǔ)部分。發(fā)展智能交通系統(tǒng)，需要運用各類現(xiàn)代化的高新技術(shù)設(shè)計道路交通信息數(shù)據(jù)采集與處理設(shè)備。車輛檢測器作為智能交通系統(tǒng)的基礎(chǔ)性環(huán)節(jié)，可對道路交通信息的數(shù)據(jù)進行采集與處理。但在機動車數(shù)量以及種類不斷增長的背景下，傳統(tǒng)意義上的獲取車輛信息的車輛檢測器已經(jīng)不能滿足ITS對日益豐富的交通狀況要求［4］。檢測器的車型分類研究成為了一個研究重點。

車型分類是通過傳感器檢測車輛本身的固有特征參數(shù)，在一定車型分類標(biāo)準(zhǔn)下運用合適分類算法實現(xiàn)對不同車輛的分類。目前，車型的自動識別分類方法主要有基于地磁感應(yīng)［5-7］、基于視頻圖像［8-9］、基于微波與超聲波組合［10-11］的識別分類方法?；诘卮鸥袘?yīng)的車型識別分類需要將感應(yīng)線圈埋設(shè)在車道內(nèi)，通過車體底盤的磁性材料與環(huán)形線圈產(chǎn)生的渦流效應(yīng)，使得電感量發(fā)生變化，進而通過這種感應(yīng)信號歸類實現(xiàn)車型分類，易實現(xiàn)且具有可全天候運作的優(yōu)勢，精度較高，但會在行進過程中因車輛的加速、減速或停車等因素使得感應(yīng)曲線發(fā)生畸變而導(dǎo)致識別分類錯誤?；谝曨l圖像的車型識別分類是對進入車輛檢測區(qū)的車輛進行圖像采集，然后利用一系列的圖像處理技術(shù)實現(xiàn)對目標(biāo)區(qū)域車輛的分割與提取，同時提取車輛的差異性特征信息，根據(jù)該信息實現(xiàn)對目標(biāo)車輛進行分類。雖具有可視性和易于安裝，可以檢測拍攝范圍內(nèi)的所有車輛，并具有豐富的車輛信息。但其在面對復(fù)雜環(huán)境以及車輛顏色與環(huán)境顏色相近的情況下，對于目標(biāo)車輛的分割與提取就比較困難，進而導(dǎo)致識別的穩(wěn)定性和準(zhǔn)確性表現(xiàn)不佳，而且在車輛高速情況下，需要處理的數(shù)據(jù)量巨大。基于微波與超聲波組合的車型識別分類是利用多普勒效應(yīng)對車輛進行檢測，其中微波在該識別分類技術(shù)中主要獲取車速和車長數(shù)據(jù)，超聲波主要獲取車高數(shù)據(jù)，并通過合適的車型自動識別分類器實現(xiàn)車型分類。其對于長距離的道路車輛檢測精度較高且不受天氣影響，但對于檢測斷面不按車道行駛的車輛較多或車道超寬時，會出現(xiàn)分類錯誤的現(xiàn)象。

鑒于目前車型自動識別分類方法存在的不足，本文結(jié)合已有的研究成果，同時考慮到激光雷達檢測技術(shù)具有檢測深度廣、精度高以及受環(huán)境干擾小等優(yōu)勢［13］，提出一種基于激光雷達車檢器的車型識別分類方法。首先，介紹激光雷達車檢器的結(jié)構(gòu)與原理，在車型識別分類方法部分通過激光雷達及其輔助設(shè)備對車輛輪廓進行掃描與重建；然后，從重建后的車輛輪廓數(shù)據(jù)提取車型識別的各種特征；最后，采用基于決策樹的車型識別方法分類車型，并通過多次異地進行實驗。實驗結(jié)果表明，該設(shè)備具有較好的車型識別準(zhǔn)確率和魯棒性。

1 激光車檢器結(jié)構(gòu)與原理

1.1 激光雷達檢測原理

激光光束發(fā)射后若觸碰到物體，將反饋反射光和散射光到激光接收器中，掃描器按照激光反饋用時與激光發(fā)射的傳播速度計算出物體與激光雷達的間距，依據(jù)激光光束發(fā)射位置的角度感知環(huán)境信息，計算出物體與激光雷達的角度［13］。其與現(xiàn)有的機器視覺系統(tǒng)一樣，具有優(yōu)越的實時性能，但不同的是激光雷達對環(huán)境的感知和抗干擾能力，要更加適合應(yīng)用于交通上這類復(fù)雜環(huán)境下的車輛信息實時檢測中。

1.2 激光車檢器結(jié)構(gòu)

激光車檢器采用頂裝模式安裝于每條車道一側(cè)的龍門的頂角上，且使用3只激光雷達設(shè)備，以不同的2個方向分別安裝。2只激光雷達將以垂直于路面的方向向下以90°掃描范圍覆蓋各自整條車道，實現(xiàn)對于過往車輛左側(cè)面的掃描，進而獲取車輛側(cè)面點云數(shù)據(jù)，本文稱為豎掃雷達。同時為了實現(xiàn)測速功能，增設(shè)輔助測速激光雷達，將其以一定的傾斜角度安裝于2條車道正中間上方的龍門架上，實現(xiàn)對于過往車輛頂端面的掃描，進而獲取車輛頂面點云數(shù)據(jù)，本文稱為斜掃雷達。當(dāng)車輛從激光雷達的掃描區(qū)域通過時，雷達按照一定的工作頻率對車輛進行掃描，同時每一個掃描截面的數(shù)據(jù)通過TCP/IP傳送給邊緣計算模塊，其中，激光雷達會自動把字節(jié)中的數(shù)據(jù)轉(zhuǎn)化成字符串的形式（如“0A5B”），每個點之間用空格符（“”）隔開。除了每個掃描點的距離數(shù)據(jù)，雷達發(fā)送到工控機的一幀數(shù)據(jù)中還包括每個掃描點的反射率數(shù)據(jù)、命令類型、固件版本、設(shè)備ID、產(chǎn)品ID、設(shè)備狀態(tài)、報文計數(shù)器、掃描計數(shù)器、掃描頻率等信息。一幀數(shù)據(jù)的字節(jié)數(shù)一般保持在2 k B到3 k B，激光雷達的工作頻率為50 Hz，因此，在1 s的時間里，雷達與邊緣計算模塊的數(shù)據(jù)傳輸將達到100 kbit/s到150 kbit/s，進而實現(xiàn)對車輛截面點云數(shù)據(jù)的快速獲取。圖1為激光雷達安裝布局與相應(yīng)生成的車輛點云示意圖。

圖1 激光雷達安裝布局與相應(yīng)生成的車輛點云Fig.1 LIDAR installation layout and the point cloud image of the vehicle

2 車型識別算法

2.1 車型輪廓三維重建

車輛從駛?cè)爰す饫走_掃描區(qū)后，激光雷達就開始采集數(shù)據(jù)，但獲取到的點云數(shù)據(jù)是雷達到物體上掃描點的直線距離，并不是掃描截面上的坐標(biāo)。因此，需要將各個點的直線距離進行笛卡爾直角坐標(biāo)轉(zhuǎn)換，使得后續(xù)三維重建及圖像的特征提取更加有利。同時，通過插值算法，平均化每一幀激光雷達數(shù)據(jù)間的間距，除去大量的密集截面，并根據(jù)每個截面的點云坐標(biāo)，通過后臺程序還原出車輛的真實輪廓。圖2為車輛三維重建結(jié)果圖。

圖2 車輛三維重建結(jié)果圖Fig.2 3D reconstruction of the vehicle

2.2 車型輪廓二維灰度化轉(zhuǎn)換

車輛的三維輪廓圖中可以獲取車輛的各個特征，但這三維坐標(biāo)信息對后續(xù)車型特征的提取是比較復(fù)雜的。為簡化算法，將三維輪廓進行灰度化處理，得到二維灰度圖像，但由于環(huán)境因素的干擾，得到的灰度圖會存在多種噪聲點，而且通常情況下，噪聲信號會以無用的信息形式顯示在要研究對象上，極大減少了圖像的有效信息，影響圖像復(fù)原、分割、特征提取、圖像識別等后續(xù)工作的進行［14］。為此，本文采用圖像形態(tài)學(xué)中一種比較常用的消除干擾的算法——開運算［15］，其公式為

式中：X為被處理的圖像；B為結(jié)構(gòu)元素（Structure Element），用來處理X；?為腐蝕操作運算符；⊕為膨脹操作運算符。

具體車型三維輪廓灰度化過程如下。

（1）定義車型圖像的灰度矩：

式中：bxy為圖像中的像素點，同時表示區(qū)域上1×1 cm2的網(wǎng)格；m為車輛的最大高度；n為車輛的長度。

（2）遍歷灰度矩中的每一個元素bxy，判斷bxy對應(yīng)的區(qū)域內(nèi)有無車型的輪廓點：

式中：g為車輛到雷達水平距離對應(yīng)的灰度值。

（3）利用插值算法對截面數(shù)據(jù)進行插值操作，并通過前一個截面的像素點向后做延伸補償截面之間的間隙，實現(xiàn)截面的間距填充。

（4）選取3×3的矩形結(jié)構(gòu)元素，通過形態(tài)學(xué)開運算實現(xiàn)對二維車型灰度圖的去噪。二維灰度轉(zhuǎn)換過程示例如圖3所示。

圖3 二維灰度圖轉(zhuǎn)換過程示例Fig.3 Example of 2D grayscale map conversion process

2.3 車型特征提取

車輛類型是通過對車輛的外形輪廓數(shù)據(jù)進行匹配而完成車輛識別［16］?，F(xiàn)有的車型分類方法主要根據(jù)車輛的長、寬、高3個特征進行分類，對于大部分的車輛具有可分性，但有些車型的長、寬、高存在交叉。因此，本文在長、寬、高3個特征的基礎(chǔ)上，引入新的特征，最終根據(jù)大量統(tǒng)計測試，確定使用底盤高、車輪、車窗3個特征，大大提高了車型識別的準(zhǔn)確性。

2.3.1 車底盤高

車底盤高是除去車長外比較能說明車輛大小的關(guān)鍵特征，首先從車型圖像的灰度矩陣A(i，j)中提取該特征。定義車型圖像的灰度矩與區(qū)域矩陣分別為

式 中：1≤i≤m-t；j=n；kxy≥0(t≤x≤t+i，1≤y≤j)。

區(qū)域矩陣k可在灰度矩A中上下移動，k中的每個元素對應(yīng)于原圖像中的一個像素點，元素kxy=0時表示該點為黑色，說明該點不是車身。kxy≠0時為該點為灰色，說明該點為車身輪廓點。

車底盤高提取算法如下：

（1）計算區(qū)域矩陣k內(nèi)kxy≠0元素個數(shù)為

k中總元素的個數(shù)為

從而區(qū)域矩陣k中代表車身的灰色像素點分布密度為

灰色像素點分布密度P較好地表示了在當(dāng)前區(qū)域矩陣對應(yīng)的灰度矩區(qū)域內(nèi)分布車身的多少，量化了區(qū)域內(nèi)含有車身的概率。并且當(dāng)i→1時，區(qū)域矩陣k在P中上下移動的過程中對灰色像素點分布密度的變化會更加敏感。

（2）設(shè)k的初始位置在P的最上方，即

當(dāng)t從（m-t）的位置（地面）逐漸減小時，就可以算出車底盤位置為

2.3.2 車輪

車輪作為特征可以間接說明車輛的類型、噸位等。利用車輪和地面的切點，尋找車輪的個數(shù)，同時也可以得到軸距特征。同理，利用灰度矩A和區(qū)域矩陣kt實現(xiàn)算法，具體過程如下：

當(dāng)i=1時此時kt為圖像中的水平線。滿足條件：kt1＞0，…，ktj＞0，則向量kt=kt1，ki2，…，ktj為可能的一條切線，取t=tmax時車輪與地面的切線。

定義上方一個像素的距離向量為

從 左 到 右 的 突 變 值 依 次 為［X-1，Y-1，X-2，Y-2，…，X-n，Y-n］，則車輪與地面的切點坐標(biāo)為

式中：n為車輪的個數(shù)。

每兩個車輪之間的軸距為

2.3.3 車窗

各種車型的車窗分布及大小各不相同，從而車窗作為特征可以增加車型識別的準(zhǔn)確度和效率。

將車型圖像的灰度矩二值化：

對于任意點b′xy，均能找到t1、t2、t3、t4滿足

均在圖像邊緣上，則該點在圖形內(nèi)部，并且該圖形為封閉區(qū)域。由上述滿足條件點構(gòu)成的圖形為一個封閉區(qū)間，即一個備選窗。而在這些備選窗中，滿足相應(yīng)點反射率＜15%，則認為是車窗。

2.4 決策樹車型分類

依據(jù)實際的現(xiàn)場情況，首先利用長、寬、高3個特征在一定的空間上直接對車型進行識別，在對特征有較叉的情況下，采用新的特征進行車型分類，此為決策樹分類［17］。

按照車長度將車輛分為5大類，分別為小型車、中型車、大型車、特大型車（含大客）、特大型車（不含大客）。

選擇訓(xùn)練樣本，建立每種大類下的決策樹，除去長度特征，還有寬度特征、高度特征、車輪特征、車窗特征和車底盤高特征進行分層構(gòu)造數(shù)結(jié)構(gòu)。

首先找出待識別車輛樣本X={X1，X2，…，Xn}中每個樣本的特征向量：

式中：n為特征總數(shù)。

之后再計算輸入特征向量到參考特征向量之間的相似性度量［18］。每一個線性無關(guān)的特征都可以看成向量空間中的1個維度。在本文中，提取出來的特征向量在數(shù)值上存在著較大的差異，從而利用改進的最小距離對如下公式進行特征分類：

式中：n為特征總數(shù)；、Ri為參考向量和輸入特征向量的第i個元素；Wi為第i個特征的權(quán)重；當(dāng)Ri→時，最小距離d→0。

依據(jù)設(shè)定好的車輛特征閾值及其特征權(quán)重，進而實現(xiàn)分層構(gòu)造樹結(jié)構(gòu)，圖4為車型識別系統(tǒng)決策樹圖。

圖4 車型識別系統(tǒng)決策樹Fig.4 Decision-making tree of the vehicle recognition system

3 實驗結(jié)果及分析

為了驗證系統(tǒng)的車型識別的檢測精度，選取某地的實際道路交通場景作為測試環(huán)境。圖5為該系統(tǒng)在某地的實際現(xiàn)場安裝圖。

圖5 激光車檢器現(xiàn)場應(yīng)用Fig.5 Field application of the laser vehicle detector

該系統(tǒng)在設(shè)置對應(yīng)的站點編號等信息后，以5 min為統(tǒng)計周期，將當(dāng)前的交通信息情況上傳至后臺調(diào)查系統(tǒng)平臺，本文隨機選取某一段長時間的檢測數(shù)據(jù)，采用人工視頻比對的方法對各個車型的識別精度進行統(tǒng)計，車型識別統(tǒng)計率結(jié)果如表1所示。

表1中，系統(tǒng)對于特大貨與中小客的識別準(zhǔn)確率相對較高，主要在于本文選取車輪和車窗作為新的特征。其中，中貨與小貨的識別準(zhǔn)確率相對較低，主要在于其邊緣車型較多。系統(tǒng)的單車識別正確率均大于91%，從整體來看多種車型分類的綜合識別準(zhǔn)確率為97.6%，可見本文設(shè)計的激光車檢器面對復(fù)雜交通環(huán)境下，各個實時交通車輛信息的檢測準(zhǔn)確度高。

表1 現(xiàn)場各個車型識別統(tǒng)計結(jié)果Tab.1 Statistical results of each vehicle model onsite r ecognition

4 結(jié)語

通過分析和比較其他交通信息采集系統(tǒng)的優(yōu)缺點，創(chuàng)新性地采用3只激光雷達作為檢測傳感器，提出1套實時、多車道、連續(xù)采集的激光雷達車型識別系統(tǒng)；闡述了該系統(tǒng)的檢測原理與設(shè)備結(jié)構(gòu)，通過激光雷達及其輔助設(shè)備對車輛輪廓進行掃描并重建，再從重建后的車輛輪廓數(shù)據(jù)中提取出用于車型識別的各種特征；最后采用基于決策樹的車型識別方法分類車型，并選取了實際道路交通場景進行測驗，驗證了該系統(tǒng)面對復(fù)雜環(huán)境適應(yīng)性強、檢測精度高，有利于提高智能交通系統(tǒng)的實踐應(yīng)用效果。