一种车辆类型识别方法以及危化品车辆识别方法与流程

本发明涉及车辆类型识别，尤其涉及一种车辆类型识别方法以及危化品车辆识别方法。

背景技术：

随着我国经济的发展，化工产业作为国民经济的支柱性产业，其发展速度有目共睹，危化品运输量也在逐年不断增长。道路运输因其方便快捷、价格合理的优势，成为了危化品运输的主要方式。近几年，危化品道路运输事故频发，给道路交通安全带来了极大威胁，而危化品车辆的识别也成为了一大亟需被解决的问题。

由于电子运单还处于初级阶段，基于电子运单还不能监管所有合法运输的危化品车辆；基于车牌识别，若是不能与交警系统对接的话，就无法判断是否是危化品车辆。

现有的识别危化品车辆的通用技术是基于车辆外观图像进行识别，例如申请号为cn201510782360.6的专利文献共开了一种从图片或者视频中自动识别危化品车辆的方法，包括以下步骤：(1)通过监控设备获取待检测的车辆图像；(2)检测车辆图像中是否存在危化品标志牌，有，则直接确定该车辆为危化品车辆，反之，则执行下一步；(3)通过车型对比方式判断无危化品标志牌的车辆是否为罐装货车，若是，则确定该车辆为疑似危化品车辆，反之，则执行下一步；(4)通过物体检测器检测车辆的车厢范围内是否存在罐装物体，若存在罐装物体，则确定为疑似危化品车辆，反之，则为非危化品车辆。主要是基于车辆的外观图像进行危化品车辆的识别，而外形辨识单纯的依靠视频或者图像的方法来识别危化品运输车，极易受到外界环境干扰，如光线、雨、雪和雾等，除此之外，由于车辆阴影遮挡等情况，会影响到目标特征的准确提取，从而基于视频的外形辨识方法是比较受限的，

因而现有的车辆类型识别技术存在不足，还有待改进和提高。

技术实现要素：

鉴于上述现有技术的不足之处，本发明的目的在于提供一种车辆类型识别方法以及危化品车辆识别方法，能够在识别车辆类型时，不受外界环境干扰，同时提高识别准确度。

为了达到上述目的，本发明采取了以下技术方案：

一种基于外观检测的车辆类型识别方法，包括步骤：

s1、通过三维激光扫描设备获取待检测车辆的点云数据，并将所述点云数据传输到上位机中；

s2、所述上位机根据得到的所述点云数据构建待检测车辆的3d车辆模型；

s3、所述上位机对所述3d车辆模型进行特征提取，获取车辆的特征数据；

s4、所述上位机根据提取的所述特征数据在车辆模型库中进行匹配识别，判断所述待检测车辆的车型。

优选的所述的基于外观检测的车辆类型识别方法，所述步骤s1中，所述点云数据是以三维激光扫描设备自定义坐标系体现。

优选的所述的基于外观检测的车辆类型识别方法，所述步骤s2中，在构建所述3d车辆模型前，对所述点云数据进行去噪处理，提高信噪比。

优选的所述的基于外观检测的车辆类型识别方法，所述特征数据包括长、宽、高、顶长车长比数据，以及车辆的前视图、侧视图和后视图。

优选的所述的基于外观检测的车辆类型识别方法，所述特征数据中车辆的前视图、侧视图和后视图的提取是利用hu不变矩原理在所述3d车辆模型中提取。

优选的所述的基于外观检测的车辆类型识别方法，步骤4具体包括：

s41、通过特征数据中的车辆的长、宽、高、顶长车长比数据与所述车辆模型库中车辆模型的长、宽、高、顶长车长比数据进行模糊映射，将待检测车辆在所述车辆模型库中进行初步分类，得到所述待检测车辆的初步类型范围；

s42、使用特征数据中的车辆的前视图、侧视图和后视图在所述车辆模型库中的所述初步类型范围内的车辆模型进行精准匹配，得到待检测车辆的车型信息。

优选的所述的基于外观检测的车辆类型识别方法，在步骤s1前，还包括步骤：

s0、采用三维激光扫描设备对各种车型的车辆进行扫描，构建离线车辆模型库存储在所述上位机中。

一种使用所述的基于外观检测的车辆类型识别方法的危化品车辆识别方法，包括：

p1、通过三维激光扫描设备获取待检测车辆的点云数据，并将所述点云数据传输到上位机中；

p2、所述上位机根据得到的所述点云数据构建待检测车辆的3d车辆模型；

p3、所述上位机对所述3d车辆模型进行特征提取，获取车辆的特征数据；

p4、所述上位机根据提取的所述特征数据在危化品车辆模型库中进行匹配识别，判断所述待检测车辆是否为危化品车辆。

优选的所述的危化品车辆识别方法，所述步骤p4具体包括：

p41、通过特征数据中的车辆的长、宽、高、顶长车长比数据采用分层决策，将待检测车辆数据中，将与危化品车辆数据宏观外形差异过大的数据排除；

p42、对筛选后剩余的所述待检测车辆的特征数据中的车辆的前视图、侧视图和后视图进行精准匹配，判定是否为危化品车辆。

优选的所述的危化品车辆识别方法，在步骤p1前，还包括步骤：

p0、对不同类型的危化品车辆执行步骤p1-p2，构建所述危化品车辆模型库。

相较于现有技术，本发明提供的一种车辆类型识别方法以及危化品车辆识别方法，具有以下有益效果：

1)本发明采用基于激光扫描器的核心技术以及特征提取算法，综合外形辨识技术，能够对车辆类型进行主动辨识；

2)基于上述车辆类型主动识别方法，加强对危化品车辆的外形进行识别，不受诸如雨雪雾等外界环境的影响，提高了识别精度以及准确度。

附图说明

图1是本发明提供的一种基于外观检测的车辆类型识别方法流程图；

图2是本发明提供的自定义坐标系示意图；

图3是本发明提供的采用车辆类型识别方法得到的一个3d车辆模型图；

图4是本发明提供的危化品车辆识别方法流程图。

具体实施方式

为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

请一并参阅图1-图3，本发明提供一种基于外观检测的车辆类型识别方法，包括步骤：

s1、通过三维激光扫描设备获取待检测车辆的点云数据，并将所述点云数据传输到上位机中；所述点云数据为所述三维激光扫描设备检测到的汽车上的每个点数据在所述三维激光扫描设备构建的自定义坐标系中的坐标数据，同时还包括该点的rgb颜色、灰度值、深度、分割结果等点云参数数据，所述点云参数数据为所述三维激光扫描设备自带检测结果参数，本发明不做限定与延伸；所述上位机为计算机、服务器等；

s2、所述上位机根据得到的所述点云数据构建待检测车辆的3d车辆模型；

s3、所述上位机对所述3d车辆模型进行特征提取，获取车辆的特征数据；

s4、所述上位机根据提取的所述特征数据在车辆模型库中进行匹配识别，判断所述待检测车辆的车型。

具体的，所述三维激光扫描设备优选为三维激光扫描仪，其使用原理为三维激光扫描设备的常用技术，本发明不做限定；所述三维激光扫描设备的装设位置根据现场需求进行装设，优选为路边一般路灯高度的位置，可以自设支架，也可以便宜装设在相应高度处。所述上位机包括计算机、服务器等，内置与所述三维激光扫描设备相适配的建模软件，能够根据所述三维机关扫描设备传输的点云数据构建车辆模型，同时能够对车辆模型进行处理，最终判断出待检测车辆的车型(车辆类型)。本发明通过所述三维激光扫描设备获取车辆的点云数据，所述上位机根据所述点云数据进行车辆建模，构建3d车辆模型，进而对3d车辆模型的外观数据以及特征数据进行特征提取，进而在车辆模型库中进行匹配，最终判定待检测车辆的车型，方便快捷，由于使用三维激光扫描设备获取车辆的点云数据，数据获取快速，不受环境变量的干扰影响，测量的精度高。

作为优选方案，本实施例中，所述步骤s1中，所述点云数据是以三维激光扫描设备自定义坐标系体现。

具体的，请着重参阅图2，所述自定义坐标系体现，是所述三维激光扫描设备以自身位置为坐标原点，x、y轴都在扫描仪的横向扫描面内，并且互相垂直，z轴与x、y组成的平面垂直，详细的测量原理图如图2所示，其中，θ表示空间一点p到远点的连线与z轴的夹角，α表示连线op在xoy平面的投影与y轴的夹角。这样，某个点云数据的坐标可以表示为(x、y、z)，其中，x＝s·sinθ·sinα；y＝s·sinθ·cosα；z＝s·cosα。

作为优选方案，本实施例中，所述步骤s2中，在构建所述3d车辆模型前，对所述点云数据进行去噪处理，提高信噪比。所述三维激光扫描设备获取的所述点云数据主要分为有序点云数据和无序点云数据，有序点云数据有阵列式点云、扫描线点云以及三角化点云，对于所述有序点云数据采用高斯滤波方法进行去噪处理，目的是将一定区域内频率较高的信息去除掉，更好的保留原始数点云数据的特征信息；所述无序点云数据，采用基于小波分析和bp神经网络的去噪方法，能够根号的保留信号的突变部分和图像的边缘信息。优选的，所述去噪处理为滤波去噪，能够快速且高效的除掉噪声数据，提高点云数据的信噪比，使所述上位机构建的3d车辆模型更精准。

作为优选方案，本实施例中，所述特征数据包括长、宽、高、顶长车长比数据，以及车辆的前视图、侧视图和后视图。

作为优选方案，本实施例中，所述特征数据中车辆的前视图、侧视图和后视图的提取是利用hu不变矩原理在所述3d车辆模型中提取。具体的，hu不变矩作为形状不变矩的一种计算方式，具有平移、比例和旋转不变性，指的是以图像的低阶归一化中心距的非线性组合构成的七个量值，为本领域常用的图像处理方法，不做具体限定。

作为优选方案，本实施例中，步骤4具体包括：

s41、通通过特征数据中的车辆的长、宽、高、顶长车长比数据与所述车辆模型库中车辆模型的长、宽、高、顶长车长比数据进行模糊映射，将待检测车辆在所述车辆模型库中进行初步分类，得到所述待检测车辆的初步类型范围；具体的，此处是做第初步分类，即做第一步筛选，主要是从车辆的顶长车长比上，以及长宽高上做初步选择，选择到范围相近的车型类，进而划定一定的筛选范围，例如，小轿车类、卡车类等；对待检测车辆进行第一步筛选，优选的第一步筛选算法为模糊匹配算法，即在所述车辆模型库中优选寻找到与待检测车辆数据相吻合的车辆特征的车辆模型，进行大致程度的匹配，得到初步类型范围，这样得到的是具有类似特征的多类车型范围，不会造成漏选；

s42、使用特征数据中的车辆的前视图、侧视图和后视图在所述车辆模型库中的所述初步类型范围内的车辆模型进行精准匹配，得到待检测车辆的车型信息。为了获取更加精准的车型信息，将待检测车辆的3d车辆模型使用hu不变矩原理提取得到的前视图、俯视图和后视图进行精细化对比匹配，这样就可以准确得到待检测车辆的具体车型。具体的，所述精细化匹配步骤为：step1：首先输入模板图像t(m×n个像素)和待匹配的图像s(m×n个像素，m＜m,n＜n)；step2:计算模板图像的7个hu不变矩值，保存在一个数组中；

step3:将t叠放在s上逐像素平移，产生多个搜索子图(s，i，j)，其中(i，j)为搜索子图左上角在整幅待匹配图s上的坐标，式中1≤i≤m－m+1，1≤j≤n－n+1；step4：计算搜索子图的7个hu不变矩值，利用欧几里徳距离d作为两组不变矩值相似度的测度，得到的距离值dij越小，说明越接近匹配位置，匹配度r越大；step5：重复step3和step4，直到t移出s，匹配结束，找到step4中距离值的最小值，则对应的(i，j)为最佳匹配点。

作为优选方案，本实施例中，在步骤s1前，还包括步骤：

s0、采用三维激光扫描设备对各类车型的不同的型号以及各种类型车辆进行扫描，够建离线车辆模型库。此处应当说明的是，构建离线车辆模型库时的具体步骤也是通过步骤s1-步骤s2，同时，对于每个模型的长宽高以及顶长车长比数据进行存档，方便后期进行数据匹配。

作为优选方案，本实施例中，还包括步骤：

s5、将检测后的3d车辆模型按照车型分类添加到车辆模型库中。

进一步的，请着重参阅图4，本发明还提供一种使用所述的基于外观检测的车辆类型识别方法的危化品车辆识别方法，包括：

p1、通过三维激光扫描设备获取待检测车辆的点云数据；

p2、根据得到的所述点云数据构建待检测车辆的3d车辆模型；

p3、对所述3d车辆模型进行特征提取，获取车辆的特征数据；

p4、根据提取的所述特征数据在危化品车辆模型库中进行匹配识别，判断所述待检测车辆是否为危化品车辆。

此处应当说明的是，上述步骤p1-p2中的涉及与车辆类型识别方法相同的描述，采用的技术手段相同，不做赘述。

作为优选方案，本实施例中，所述步骤p4具体包括：

p41、通过特征数据中的车辆的长、宽、高、顶长车长比数据采用分层决策，将待检测车辆数据中，将与危化品车辆数据宏观外形差异过大的数据排除；具体的，此步骤做第一次筛选，将尺寸上与危化品车辆相距极大的车辆数据首先筛选掉(可以是数据删除等)，这样可以降低数据的运算量，使针对于一类车型的识别更加精准，不会受到数据冗余的影响；

p42、对筛选后剩余的所述待检测车辆的特征数据中的车辆的前视图、侧视图和后视图进行精准匹配，判定是否为危化品车辆。

作为优选方案，本实施例中，在步骤p1前，还包括步骤：

p0、对不同类型的危化品车辆执行步骤p1-p2，构建所述危化品车辆模型库。具有极大针对性，构建的危化品车辆模型库仅仅针对于危化品车辆类型进行识别。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。