基于单线激光雷达的车辆分离方法

技术领域

本专利申请属于ETC领域，具体来说是涉及一种对ETC车道的通行车辆进行分离的技术。

背景技术

近年来，随着交通基础设施的日趋完善，高速公路里程和桥梁数量的不断增加，人们出行越来越便利。但同时，各个高速公路道口、桥梁、隧道等收费处的交通流量也显著提高。提高收费通行效率尤为重要，而分车，车型信息检测，是收费系统的重要依托。当车辆通过EAC时，通过车辆分离器对车辆和其他物体进行分离。那么，就需要准备的分离技术，实现准确的识别。

CN210091375U公开了一种基于FPGA的扫描式激光车辆分离装置，该专利包括壳体与安装在壳体内的旋转反射模块、脉冲激光发射与接收模块、FPGA和电源模块、数据输出模块，FPGA对单圈测距数据按角度分段进行处理，以检测各数据段内是否存在扫描到车辆的测距点，若检测数据段内含车辆测距点，则触发 IO输出，达到快速检测车辆的目的，对存在车辆的单圈数据进行整合并传输到计算处理模块，以构建车辆的三维点云并从中提取车辆特征信息。但是该专利采用的时扫面式激光车辆分离器，存在对障碍物点云和地面点云分离不够准确、耗时长、实时性不高等诸多缺点。

CN108427124A公开了一种多线激光雷达地面点分离方法及装置、车辆，采用的是多线激光雷达，对于多线激光雷达的障碍物检测而言，能够准确地识别障碍物，可以对障碍物(即前景)点云和地面(背景)点云进行准确地分离，但是其采用的是多线激光雷达，是算法更繁琐，且成本更高。

发明内容

本发明要解决的技术问题是：如何对通过ETC的车辆进行分离，因此，提供一种基于单线激光雷达的车辆分离方法。

本发明采用的技术方案是：

一种基于单线激光雷达的车辆分离方法，包括如下步骤：

(1)对初次安装好的单线激光雷达车辆分离器进行传感器标定：通过地面点云拟合，求得地面平面和检测水平面的夹角α；

(2)得到夹角α后，即可根据角分辨率，求取每帧数据的点云在水平坐标系下的坐标

(3)求得无车通过ETC时，地面点云的数量N和点云的聚类高度H，并将地面点云的数量N和点云的聚类高度H作为粗滤波参数,判断该帧是否有车辆数据；其中，聚类高度H为水平坐标系下的平均高度；设{M

(4)经过(3)滤波后判断为yes的点云，对该帧点云按照x轴方向进行划分区间，均等划分为S个区间，求取点云数量最多和次多的区间，得到车辆最外面的点云所处的区间K，根据判断每帧点云数量的最多和次多的区间任一是否为K, 如不为K，则判断为无车，如为K，则初判断为有车。

还包括步骤(5)，对前后帧数据的点云分布特性进行判别：基于车辆通行时，车辆外侧的点云分布相似性，判断该帧点云是否为车辆或噪点。

步骤1包括：

(1.1)采集无车辆通过ETC时的一段连续点云{N

{N′

(1.2)按照meta距离dis

(1.3)设定高度阈值B，求得每帧点云最下方的点云组合{D

(1.4)由点云组合{D

根据拟合平面，得到拟合平面和水平面的交线，然后分别从拟合平面和水平面对交线做垂线，求得两个垂线的夹角，即可得到地面平面和检测水平面的夹角α。

步骤(4)包括：

(4.1)按照等距离划分点云为S个区间，记区间索引为1～S；

(4.2)累计连续P帧点云，连续记录每帧点云数量最多和次多的区间索引，分别记为点云数量最多区间索引K1和点云数量次多区间索引K2；

(4.3)统计P帧的点云数量最多区间索引K1和点云数量次多区间索引K2 的出现的次数，将出现次数最多的值赋为K；

(4.4)对连续P帧的每帧点云进行判断，如果判断点云数量最多和次多区间任一为K，则初判为车，否则为无车；

(4.5)从P+1帧数据开始，重复计算点云数量最多区间索引K1和点云数量次多区间索引K2,对K更新，重复按照上述步骤判断是否为车。

步骤(5)包括：

(5.1)求取当前帧L和前后R帧的KL距离，并形成KL距离组合{KL

(5.2)对KL距离组合{KL

采用上述技术方案的本发明，在只依赖单线激光雷达的情况下，可简单有效地对ETC车道的通行车辆进行分离，具有低成本、高识别度和稳定性等特点。

附图说明

图1为本发明的坐标系关系图。

具体实施方式

一种基于单线激光雷达的车辆分离方法，包括如下步骤：

(1)对初次安装好的单线激光雷达车辆分离器进行传感器标定：通过地面点云拟合，求得地面平面和检测水平面的夹角α。因传感器标定仅求得一次即可，所以在车辆分离器安装后，需调试阶段进行。主要内容如下：

(1.1)采集无车辆通过ETC时的一段连续点云{N

{N′

(1.2)按照meta距离dis

(1.3)设定高度阈值B(可由实验得到)，求得每帧点云最下方的点云组合{D

(1.4)由点云组合{D

(2)得到夹角α后，即可根据角分辨率，求取每帧数据的点云在水平坐标系下的坐标

(3)求得无车通过ETC时，地面点云的数量N和点云的聚类高度H，并将地面点云的数量N和点云的聚类高度H作为粗滤波参数,判断该帧是否有车辆数据。其中，聚类高度H为水平坐标系下的平均高度。设{M

(4)经过(3)滤波后判断为yes的点云，对该帧点云按照x轴方向进行划分区间，可均等划分为S个区间，求取点云数量最多和次多的区间，此做法是为了求取车辆最外面的点云所处的区间K，根据判断每帧点云数量的最多和次多的区间任一是否为K,如不为K，则判断为无车，如为K，则初判断为有车。其步骤如下：

(4.1)按照等距离划分点云为S个区间，记区间索引为1～S；

(4.2)累计连续P帧点云，连续记录每帧点云数量最多和次多的区间索引，分别记为点云数量最多区间索引K1和点云数量次多区间索引K2；

(4.3)统计P帧的点云数量最多区间索引K1和点云数量次多区间索引K2 的出现的次数，将出现次数最多的值赋为K；

(4.4)对连续P帧的每帧点云进行判断，如果判断点云数量最多和次多区间任一为K，则初判为车，否则为无车；

(4.5)从P+1帧数据开始，重复计算点云数量最多区间索引K1和点云数量次多区间索引K2,对K更新，重复按照上述步骤判断是否为车。

(5)为了判别初判为车的点云进一步确定，区别尾气等噪声，需要对前后帧数据的点云分布特性判别。基于车辆通行时，车辆外侧的点云分布相似性，可判断该帧点云是否为车辆或噪点，具体步骤为：

(5.1)求取当前帧L和前后R帧的KL距离，并形成KL距离组合{KL

(5.2)对KL距离组合{KL

需要说明的是，两个离散分布的KL距离求取过程为：

对于两个离散分布p(x)和q(x)，KL离散度距离定义为:

D