
激光和高清卡口融合在车辆超限检测的研究[1]
朱熙豪,汪内利,郑于海,陶杰,亓凌
浙江省机电设计研究院有限公司,杭州 310000
【摘要】为了提升公路超限车辆的管理水平,本文设计了基于激光和高清卡口融合的车辆超限检测系统。基于激光扫描测距技术对过往车辆轮廓尺寸进行全天候非接触式实时测量,配合高清卡口,实现车辆长、宽、高不停车检测、车辆牌照识别和防逃逸抓拍,替代了原有的人工测量,提升了公路的管理水平,并利用PSO算法对车辆轮廓数据进行择优,避免一些干扰数据,有效提高了车辆轮廓的边缘连续性。最后,通过不同车型、不同速度区间的多次试验比较测量结果,发现误差均小于5%,验证了激光和高清卡口融合的车辆超限检测系统具备较好的可用性、鲁棒性。
【关键词】智能交通;车辆超限;不停车检测;PSO算法
Research on the Fusion of Laser and HD Bayonet in Vehicle Overrun Detection
Zhu Xihao, Wang Neili, Zheng Yuhai, Tao Jie, Qi Ling
Zhejiang Institute of Mechanical & Electrical Engineering,Hangzhou 310000
Abstract: In order to improve the management level of highway overrun vehicles, this paper designs a vehicle overrun detection system based on the fusion of laser and HD bayonet. Based on the laser scanning ranging technology, the non-contact real-time measurement of the outline size of the past vehicles is carried out all day long, wide and high with high-definition bayonet to realize the non-stop detection of vehicle length, width and height, vehicle license plate recognition and anti escape capture, which replaces the original manual measurement and improves the highway manage-ment level. The PSO algorithm is used to optimize the vehicle contour data to avoid some interference data and effectively improve the edge continuity of the vehicle contour. Finally, by comparing the measurement results of different vehicle models and different speed ranges, it is found that the error is less than 5%,which verifies the availability and robustness of the vehicle overrun detection system based on the fusion of laser and HD bayonet.
Key words:intelligent transportation;vehicle overrun;non-stop detection;PSO Algorithm
1 引言
随着公路基础设施和运输装备的发展,车辆超限现象日益严重,成为影响交通安全的主要因素之一。据交通部门统计,70%的道路交通事故是由于车辆超限引发的[1]。货车驾驶员为使运送成本降低,违规超限。然而,车辆超限严重破坏了公路设施,增加了公路维护费用,缩短了公路使用寿命。超限车辆在行驶过程中,由于视线遮挡以及制动性能的下降,诱使交通事故发生[2]。
因此,研究一种经济适用、检测速度快、适合动态扫描、高精度的智能超限检测,对于提高公路的管理水平,保障公众的出行安全,具有重要意义。
2 国内外研究现状及发展趋势
2.1 国外研究现状
在汽车出现的早期,国外就已经开始了对车辆超限的整治。在超限检测发展前期,国外大多使用红外激光传感设备,利用超高车辆对红外接收器的遮挡判断车辆超过限定高度。现在,激光扫描技术成为比较主流的测量方式。目前,有瑞士的Leica公司、美国的3D DIGITAL公司、加拿大的Optech公司、法国的MENSI公司、日本的Minolta公司等正在从事这方面的研究,并已形成了规模较大的产业,其产品在速度、精度、易操作性等方面已经满足实际应用场景的需求。
2.2 国内研究现状
我国关于车辆外廓尺寸测量问题的研究最早开始于20世纪70年代,并逐步从人工测量方法发展到三坐标测量机测量方法。近年来,我国的专家学者也开始基于激光测距的车辆分类、轮廓尺寸测量研究。以长安大学的基于二维激光扫描仪的汽车轮廓三维检测系统为例,可在机动车辆低速行驶条件下完成车辆外廓尺寸的测量和三维轮廓的绘制[3]。对于机器视觉的超限检测目前虽然也是一个重要研究方向,但是由于其精度问题尚未具备实用性。
2.3 本文研究方向
现有的解决方案测量范围有限、安装及维护较为复杂、成本较高,且无法实现动态的高精度超限检测等。如果能够提出一种高精度、不停车实现车辆外廓尺寸的测量的方案,那么将有效解决当前车辆超限检测的根本问题。
因此,本文将采用激光测距原理,对过往车辆轮廓尺寸进行全天候非接触式实时测量,实现车辆轮廓重建及长、宽、高的自动化测量;并融合高清卡口对车牌等信息进行识别,结合公安交通管理综合应用平台的机动车数据判别是否超限,对超限货车行为进行抓拍取证,达到不停车超限检测的目的。
3 系统总体架构
3.1 系统总体架构的设计
本系统基于扫描测距技术对过往车辆轮廓尺寸进行全天候非接触式实时测量。融合车高清卡口,可实现车辆超限不停车检测、车辆信息识别和抓拍。系统总体架构如图1所示。

图1 系统总体架构
将激光测距仪与扫描仪采集到的数据进行预处理,传输到主控制器中进行分析与整合,实现超限车辆的判断。同时可以融合高清卡口的车牌识别系统进行违法判断取证,完成超限违法车辆的识别和取证。判定结果在后面的LED信息显示板上显示,进而引导违规车辆进入特定区域接受处理。
3.2 检测设备布局
根据实际的应用场景,本文利用激光扫描仪不断地对垂直于车辆行驶方向的切面进行扫描;激光测距仪阵列按照一定间距排布;高清卡口正对车道,且三类设备均按车道成对配置。将三类检测设备安装在同一个门架上,以节约成本。检测设备布局如图2所示。

图2 检测设备布局
4 车辆数据生成与整体轮廓提取的研究
4.1 车辆轮廓数据的生成
(1)宽高数据的生成 系统采用多个激光测距扫描仪沿车辆行进的垂直方向进行不断扫描,根据整个道路的宽度配置扫描仪数量保证了横截面不留死角。将扫描仪每次获得的数据进行整合,即可获得一次车道横截面信息。最终根据扫描数据得出车辆的宽度和高度数据,测量方式如图3所示。

图3 车辆宽高数据测量方式
激光扫描仪以极坐标形式输出扫描数据,被检测车辆表面反射回的各扫描点的极径p(m)和极角θ分别为

式中,m为周期传感器扫描点的个数;θstart为传感器输出的起始角度值;θend为传感器输出的终止角度值。
根据极坐标系到直角坐标系的转换公式

可得被测点到传感器的水平和垂直距离为

物体的高度值由以下公式所得

式中,H为传感器扫描原点到地面的垂直距离;h(m)为测得物体某点上的高度值。
同理,车辆宽度信息为

计算传感器一个扫描周期来获得高度和宽度的值,再采用根据优化算法,获取合适的高度和宽度值。
(2)长高数据的生成 激光测距仪沿车辆行进方向排列,一对测距仪之间的距离可以预先设定。车辆长高数据测量方式如图4所示。

图4 车辆长高数据测量方式
这样当车辆在下面通过时,多对激光测距仪沿垂直于车辆行进方向平行排列,相邻测距仪的间距保证车辆通过时,至少有一对激光测距仪可以完整地记录整个车辆行驶过程。
车辆完整经过一对激光测距仪时,两个激光测距仪可以分别获得一组车辆数据,车辆数据信息包括车辆进入时刻、驶离时刻以及车辆关键特征点通过的时刻。由于测距仪的间距可以预先设定,在确定的现场这是一个常量,因此车辆两个特征点间的长度可以通过时间与测距仪的间距进行计算。整个车辆的长度由多个这样的阶段长度组成,因此将每段长度累加就获得了整个车辆的长度数据。
由于测距仪安装的高度可以预先设定,因此测距仪测取的距离信息也直接反映了车辆高度信息,即车辆瞬时高度等于测距仪距地面原点距离减去距离测量值。
4.2 车辆轮廓数据处理
在激光测距扫描仪采集数据的过程中,考虑到环境因素和天气因素,在测量过程中不可避免地会有干扰数据。另一方面,车辆行进过程中,也会发生不受控制的摇摆和抖动,即真实的车辆轮廓数据也在发生变动。虽然利用激光测距扫描仪多次获取了车辆轮廓数据,但不能简单地使用所获得的最大值或者平均值,而是要将获得数据进行择优,从而计算获得最大可能的车辆轮廓信息。
PSO信息优化算法是采用比较新粒子、个体和群体极值的适应度值来更新个体和群体极值位置。其中粒子每更新一次位置,就计算一次适应度值。
在D维的搜索空间中,X=(X1,X2,…,Xn)是n个粒子组成的种群。第i个粒子的D维向量为Xi=(Xi1,Xi2,…,XiD)T,其速度为Vi=(Vi1,Vi2,…,ViD)T,其个体极值为Pi=(Pi1,Pi2,…,PiD)T,其种群的全局极值为Pg=(Pg1,Pg2,…,PgD)T。其中Xi代表第i个粒子在D维搜索空间中的位置和该问题的一个潜在解,根据目标函数即可计算出每个粒子位置。通过每次迭代,通过比较个体和全局极值来使得粒子更新自身的速度和位置。为防止粒子的盲目搜索,本系统将其位置和速度限制在[-Xmax,Xmax]、[-Vmax,Vmax]。相关公式如下

式中,ω为惯性权重;d=1,2,…,D;i=1,2,…,n;k为当前迭代次数;Vid为粒子的速度;c1和c2为非负的常数,称为加速度因子;r1和r2为分布于[0,1]之间的随机数。
为了更好地平衡算法全局与局部搜索能力,本系统通过试验选用惯性权重,采用线性递减惯性权重LDIW,即

式中,ωstart为惯性权重;ωend为迭代至最大次数时的惯性权重;k为当前迭代代数;Tmax为最大迭代代数[4]。
如图5所示,经过优化后的车辆轮廓边缘光滑且准确,对比证明了PSO算法有较好的寻优能力,通过迭代寻优计算,能够迅速找到最优解,从而实现车辆轮廓数据择优,减少误差。

图5 车辆轮廓数据优化对比
4.3 测量得到的基本轮廓
本系统核心由激光扫描仪测距仪、激光测距仪、控制器等部件组成,激光测距仪测量到数据后先进行抗干扰滤波,生成有效的距离发送到测距仪控制器,测距仪控制器接收到数据后判断是否为车辆数据,若是车辆数据即开始建立车辆断面信息,待车辆完全驶出后即获得一个车辆的长高信息,标记时间后送往主控制器。
同理,激光扫描根据车辆的进入和驶离可以获得一个车辆的宽度信息,标记时间后也送往主控制器。主控制器根据搜集到的长高信息以及宽度信息,进行时间和车道匹配,从而获得一个车辆的完整轮廓信息。检测所得到的常见车辆轮廓模型如图6所示。

图6 检测所得到的常见车辆轮廓模型
5 超限判别
5.1 高清卡口数据
利用龙门架上已有高清卡口,对超限检测区域进行全天候实时监控并记录相关图像数据。从中自动获取车辆的通过时间、地点、行驶方向、号牌号码、号牌颜色、车身颜色等数据,并将获取到的信息通过计算机网络传输到卡口系统控制中心的数据库中进行数据存储、查询、比对等处理。
高清卡口数据里的车辆牌照号作为车辆第一标识,将是判别超限车辆信息最有效的证据。对获取的每帧图像,利用图像处理技术对行驶中的车辆的车牌进行定位和跟踪,从中自动提取车牌图像,然后经过车牌精定位、切分和识别模块准确地自动分割和识别字符,得到车牌的全部字符信息以及颜色和类别信息[5]。
高清卡口的数据将与激光测量到的车辆轮廓数据进行融合匹配,依据车牌匹配可准确地实现车辆信息的关联,通过车牌可以知道该车辆的所属地区,也可根据车牌查到该车辆的主人以及该车辆的登记信息[6]。
5.2 货车注册登记数据
当实现车辆信息和车辆轮廓数据的匹配融合后,结合公安交通管理综合应用平台的机动车数据,获取车辆技术参数,如车辆型号、外部和内部尺寸等。车辆核定的装载长、宽、高将作为判别是否超限的重要依据。
5.3 超限判别
根据《中华人民共和国道路交通安全法实施条例》规定,机动车载物不得超过机动车行驶证上核定的载质量,装载长度、宽度不得超出车厢。重型、中型载货汽车以及半挂车载物,高度从地面起不得超过4m;载运集装箱的车辆不得超过4.2m;其他载货的机动车载物,高度从地面起不得超过2.5m[7]。超限判别流程如图7所示。

图7 超限判别流程
根据上述国家法律法规,通过激光扫描到的车辆轮廓信息将与车辆注册登记的核定值进行比较判别,超过核定值即做出联动警告[8]。通过高清卡口的拍照取证及获取的车辆信息结合激光扫描到的车辆轮廓信息进行数据存储,并通过后方情报板进行消息发布告警超限车辆在指定地点接受处罚整治。
6 试验及分析
为了验证PSO信息优化算法对车辆轮廓数据择优的有效性。本文在正常行驶的情况进行测试,挑选车辆尺寸为962cm×234cm×272cm,分在0~30km/h、30~60km/h、60~90km/h三个速度区间,各进行30次试验。A组为利用PSO信息优化算法对车辆轮廓数据择优,B组为未经优化的车辆轮廓数据,统计两组的长、宽、高的平均误差,如图8所示。

图8 平均误差统计
通过对A、B两组测试数据的误差值对比,可以发现经过PSO信息优化算法后测得的车辆轮廓数据误差有一定程度的减少。在0~30km/h、30~60km/h、60~90km/h三个速度下,可以发现随着测试速度的增加,误差也在明显增加。激光扫描仪采集的数据是离散点,不可能完全找到车身最宽和最高处,这是造成测量误差的主要原因,但是经过PSO信息优化算法后,误差基本都在5%以内。
为了更好地贴合实际情况,本文在车辆尺寸为962cm×234cm×272cm的基础上,新增车辆尺寸为625cm×202cm×215cm和车辆尺寸为428cm×194cm×188cm的测试组,分别代表当前主流的小、中、大三类货车,在0~30km/h、30~60km/h、60~90km/h三个速度区间,各进行30次试验。试验数据见表1~表3。
表1 962cm×234cm×272cm车辆试验误差

表2 625cm×202cm×215cm车辆试验误差

表3 428cm×194cm×188cm车辆试验误差

由此可见,车辆尺寸的增加将显著影响测量的精准度,对于车辆长和高的测量误差也明显高于对车宽测量的误差。这主要是由于车辆自身行驶中并非保持完全的直线运动,又加之外界环境的干扰,导致了对于长度和高度的测量精度明显低于宽度的测量精度。
7 结语
为了提升公路超限超载车辆的管理水平,本文基于激光和高清卡口融合对在车辆超限检测进行了深度研究,基于激光扫描测距技术对过往车辆轮廓尺寸进行全天候非接触式实时测量。配合高清卡口,实现车辆长、宽、高不停车检测、车辆牌照识别和防逃逸抓拍。实现24h不间断全天候检测,替代了原有的人工测量,提升了公路的管理水平[9]。此外,利用PSO优化算法对获得的车辆轮廓数据进行择优,剔除在测量过程中出现的干扰数据,有效提高了车辆轮廓的边缘连续性和准确性。通过本文的研究,实现了对道路车辆的超限检测、报警及取证等功能,填补了公路不停车超限车辆检测的空洞,进一步提高了公路运营管理水平,更好地保障了公众出行的安全。
激光和高清卡口融合在车辆超限检测的研究与应用是一个较为复杂的过程,其设计过程涉及了多门学科。本文虽然取得了一定的成果,但仍有许多不足之处需要完善。未来还需要在实际应用场景下进行大量的试验与分析,在路网范围内进行更深入的实际推广试行,进行更广泛的验证,以进一步完善、提高系统的适应性[10]。
参考文献
[1]卫蓬.国内公路安全监管体制中的超限超载监管问题浅析 [J]. 统计与管理,2018,(11):58-61.
[2]KHURANA A, NAGLA K S. Improved auto-extrinsic calibration between stereo vision camera and laser range finder [J]. International Journal of Image and Data Fusion,2021,12(2):122-154.
[3]YUAN X R, LIU G, SUN B Y, et al. A contactless measurement instrument based on fusion of a single-point laser range finder and a VIO system [J]. Journal of Physics: Conference Series,2021,1820(1):012112.
[4]彭丽萍.货运车辆超限超载治理方案设计 [D]. 广州:华南理工大学,2018.
[5]TAN Y, SHANG Y. Smart and HD Bayonet Comprehensively Search System [C]//International Conference on Applications and Techniques in Cyber Security and Intelligence. Berlin: Springer,2019:1584-1588.
[6]QIAN Y, LI Z. A method of multi-license plate location in road bayonet image [J]. International Journal of Advanced Research in Artificial Intelligence (IJARAI),2015,4(4):62-68.
[7]付宇.日本公路治超治限的新手段与启示 [J]. 交通与运输,2019(1):33-36.
[8]杜佳忻.我国公路安全监管体制中超限超载监管问题探析 [J]. 知识经济,2018(17):84-85.
[9]刘芹.公路交通安全设施现状及养护发展方向 [J]. 工程技术研究,2019(16):249-250.
[10]周宇.脉冲式激光测距仪的研究与设计 [D]. 武汉:华中师范大学,2016.
[1]基金项目:浙江省公路管理局科技计划项目(2018H30)。