一种基于激光雷达的挂车外廓参数测量方法与流程

1.本发明属于车辆外廓尺寸自动测量技术领域，具体是一种基于激光雷达的挂车外廓参数测量方法。


背景技术：

2.由工业和信息化部组织全国汽标委修订的强制性国家标准《汽车、挂车及汽车列车外廓尺寸、轴荷及质量限值》(gb1589-2016)于2016年7月26日由质检总局、国家标准委正式批准发布。该标准规定了汽车、挂车及汽车列车的外廓尺寸及质量限值，适用于在道路上使用的所有车辆，是汽车行业最基本的技术标准之一。与旧国标gb1589-2004相比，新国标gb1589-2016增加了中置轴车辆运输挂车及列车、中置轴货运挂车及列车等新车型；增加了牵引车、半挂车匹配运输相关参数的规定，并明确了其外廓尺寸测量要求。
3.国家市场监督管理总局、中国国家标准化管理委员会于2020年5月26日批准并发布了gb38900-2020《机动车安全技术检验项目和方法》强制性国家标准，此标准将代替gb21861-2014《机动车安全技术检验项目和方法》和gb18565-2016《道路运输车辆综合性能要求和检验方法》标准并于2021年1月1日正式实施。gb38900-2020中对于外廓尺寸测量新添加了“在用机动车安全检验时，牵引车、挂车应组合成汽车列车一并检验”这一要求，即牵引车与挂车组合仅通过一次外廓尺寸测量区域就需分别测量出牵引车的外廓尺寸参数和挂车的外廓尺寸参数。
4.目前市场上常见的基于激光雷达的车辆外廓尺寸自动测量系统，对牵引车与挂车连接处干扰区域剔除要求较高，在较庞大的点云数据中搜索速度较慢，且主要适用于牵引车与挂车连接处有较为明显的高度升降特征，对于其他挂车车型查找位置不够准确。
5.如专利申请公布号为cn 110412601 a的中国发明专利公开了一种基于激光雷达的头挂一体式半挂车外廓参数测量方法，包括以下步骤：步骤1：当车辆进入检测区域后，收集激光雷达扫描获得的点云数据，对点云数据进行初步过滤处理；步骤2：计算车辆中轴线位置并设定可能存在干扰物区域，过滤掉此区域中的点云数据；步骤3：计算出测量半挂车车长所需的关键点云数据坐标点的坐标值，并计算出半挂车长度参数；步骤4：找出首次满足条件h-hf＜δx1后首次满足条件h-hf＞δx2的数据帧之后的所有点云数据帧中y轴坐标值最大的坐标点，即为半挂车的高度h的值；计算出首次满足条件h-hf＜δx1后首次满足条件h-hf＞δx2的数据帧之后的所有点云数据帧中每帧ximaxximin的值，其中的最大值即为半挂车宽度w的值。该方法对牵引车与挂车连接处干扰区域剔除要求较高，噪声数据基本需要完全剔除。
6.专利申请公布号为cn 111928795 a的中国发明专利公开了一种牵引车、挂车外廓尺寸参数一并式测量方法，首先获取牵引车、挂车组合整体三维点云数据，并剔除连接处干扰区域；其次计算出挂车车首关键位置和计算出牵引车车尾关键位置；然后从整车点云数据中分割并提取牵引车与挂车的点云数据；最后分别对提取得到的牵引车点云数据及挂车点云数据进行计算即可得到牵引车的外廓尺寸参数及挂车的外廓尺寸参数。该方法对牵引
车与挂车连接处干扰区域剔除要求较高，在较庞大的点云数据中搜索速度较慢，且主要适用于牵引车与挂车连接处有较为明显的高度升降特征，对于其他挂车车型查找位置不够准确。


技术实现要素：

7.本发明旨在提供一种基于激光雷达的挂车外廓参数测量方法，以解决背景技术所提及的问题。
8.本发明解决其技术问题所采用的技术方案是：一种基于激光雷达的挂车外廓参数测量方法，包括以下步骤：步骤1：牵引车、挂车组合整体三维点云数据获取；步骤2：三维点云数据通过宽度维度压缩降为二维侧面点云；具体如下：将三维点云数据通过x轴维度坐标置为0压缩降为二维侧面点云；步骤3：二维侧面点云通过像素点压缩转化为二值灰度图片；具体如下：将二维侧面点云按cm为最小单位对应一个像素点压缩转化，同时将点云坐标数据通过x轴和z轴平移反转至左方车头上方为坐标原点，生成一个长为点云数据z轴最大最小数据的差值，宽为点云数据y轴最大最小数据的差值的二值灰度图片；步骤4：将此时点云坐标的y轴对应二值灰度图片像素的x轴，点云坐标的z轴对应二值灰度图片像素的y轴进行点云的遍历，描绘此二值灰度图片中对应像素点点位置为白色；然后对二值灰度图片整体进行预处理，从坐标原点依次从上到下（即x坐标从0开始增加）、从左到右（即y坐标从0开始增加）两重循环进行遍历图像像素，同一个x坐标中记录最后一个白色像素点y坐标，如当前为白色像素点而且当前y坐标离最后一个白色像素点y坐标小于30，则将此x坐标这一段区间全转为白色像素点；同时将二值灰度图片以四等分进行划分，记录右上角区域中白色像素坐标数；步骤5：搜索位于牵引车与挂车连接处形成的u型区域中的有效搜索点黑色像素点，该黑色像素点需同时满足以下4个距离判断条件：（1）从此黑色像素点开始垂直往上（即x坐标减小），同一个y坐标的其他点全部都不是白色像素点；（2）从此黑色像素点开始垂直往下（即x坐标增大），同一个y坐标的其他点存在白色像素点，而且到此坐标点距离为20~40个像素点（对应点云为20~40cm距离）；（3）从此黑色像素点开水平往左（即y坐标减小），同一个x坐标的其他点存在白色像素点，而且到此坐标点距离为50~200个像素点（对应点云为50~200cm距离）；（4）从此黑色像素点开水平往右（即y坐标增大），同一个x坐标的其他点存在白色像素点，而且到此坐标点距离为40~200个像素点（对应点云为40~200cm距离）；步骤6：确定为牵引车与挂车连接处形成的u型区域中的有效搜索点黑色像素点后，往y坐标增大方向进行水平区域的扫描，判断是否到达挂车车头起始位置；具体如下：步骤6.1：从当前坐标的x坐标至x-150坐标之间，进行y坐标增大的平面扫描；满足以下条件则判断到达挂车车头起始位置：步骤4中记录右上角区域中白色像素坐标数小于1万则使用平面扫描中垂直的150个像素点出现8个白色像素以上作为初次到达挂车起始位置；或者，
步骤4中记录右上角区域中白色像素坐标数大于1万则使用平面扫描中垂直的150个像素点出现20个白色像素以上作为初次到达挂车起始位置；步骤6.2：初次到达挂车起始位置之后再往后至少50个像素继续增大y坐标平面扫描确认起始位置是否带有工具箱；满足以下条件则判断不带有工具箱，则初次到达挂车起始位置即为实际挂车起始位置：初次到达挂车起始位置之后y+100坐标平面内不存在垂直方向超过80个白色像素点；满足以下条件则判断带有工具箱：初次到达挂车起始位置之后y+100坐标平面内存在垂直方向超过80个白色像素点，且垂直方向平均连续白色像素点超过40但未达到60；此时将第一次出现垂直方向超过80个白色像素点的位置作为实际挂车起始位置；步骤7：将此查找到的实际挂车起始位置的y坐标除以100换算成m为单位，记为牵引车车头顶部到挂车车头顶部的距离；进一步将整车长度（牵引车、挂车组合整体三维点云数据可以直接计算出整车长度）减去牵引车车头顶部到挂车车头顶部的距离即可得到挂车长度。
9.作为本发明的进一步说明，所述步骤5中，在进行4个条件的距离判断之前，先对黑色像素点进行区域判定；该黑色像素点需同时满足以下条件：（1）当前黑色像素点坐标从此坐标中的同一个x轴的坐标点往左遍历和往右遍历判定有白色像素点，且距离白色像素点有一定距离；（2）当前黑色像素点坐标从此坐标中的同一个y轴的坐标点往上遍历没有白色像素点；（3）当前黑色像素点坐标从此坐标中的同一个y轴的坐标点往下遍历有白色像素点，且距离白色像素点有一定距离。
10.作为本发明的进一步说明，所述步骤5中，使用优先队列进行优先查找，所述优先队列优先级实现部分为优先取像素点x坐标和y坐标的差值最小的点，如果差值相同则优化取x坐标更大的点。
11.作为本发明的进一步说明，所述步骤5中，使用哈希对已经搜索过的像素点坐标进行去重。
12.本发明的有益效果如下：（1）降低牵引车与挂车连接处干扰区域剔除要求；（2）在较庞大的点云数据中能够拥有快速查找能力；（3）对挂车不同车辆形状查找通用性更强。
附图说明
13.图1为本实施例激光雷达设备安装位置示意图。
14.图2为本实施例获取的三维点云模型图。
15.图3为本实施例图2按1cm对应一个像素转换形成的侧面二维图像。
16.图4为本实施例图3经预处理后的效果图像。
17.图5为本实施例图3经预处理以四等分进行划分后的效果图像。
18.图6为本实施例图4搜索u型区域的搜索路径和搜索终点标明图。.图7为本实施例图4搜索u型区域的搜索终点和向右进行挂车边界搜索表明图。
19.图8为其他挂车车型三维点云模型图按1cm对应一个像素转换到侧面二维图像。
具体实施方式
20.下面结合实施例来详细阐述本发明的一种基于激光雷达的挂车外廓参数测量方法的具体实施方式。
21.参照附图1-8，本实施例提供的一种基于激光雷达的挂车外廓参数测量方法，包括以下步骤：步骤1：牵引车、挂车组合整体三维点云数据获取。
22.三维点云数据可由激光雷达式车辆外廓尺寸自动测量设备、光幕式车辆外廓尺寸自动测量设备或其它任意外廓尺寸自动测量设备所采集。本实施例中，由包括3个二维激光雷达（前激光雷达、左激光雷达、右激光雷达）组成的整体点云数据获取体系，其安装位置及算法框架如图1所示。令前激光雷达获取到的与车头距离作为z轴（实际为前雷达的x轴）数据，和左雷达的x、y轴数据合成一个三维坐标系，如图2所示。使用统计滤波(此滤波功能为移除离群点)对整体点云数据进行处理，一定程度上降低牵引车与挂车连接处干扰点云数据（时间复杂度o（n），n为点云数量）。如图2、图3所示牵引车与挂车连接处有不少干扰区域，而本技术并不需要使用滤波完全剔除，况且在部分车型中也很难完全剔除。如对干扰区域剔除要求较高的情况下，则查找挂车车头位置准确度会有更高程度的影响。
23.步骤2：三维点云数据通过宽度维度压缩降为二维侧面点云；具体如下：将三维点云数据通过x轴维度坐标置为0压缩降为二维侧面点云。
24.步骤3：二维侧面点云通过像素点压缩转化为二值灰度图片；具体如下：将二维侧面点云按cm为最小单位对应一个像素点压缩转化（将所有点云坐标数据乘以100倍，将点云坐标单位由米转换为厘米，一个像素点的距离单位为1厘米），同时将点云坐标数据通过x轴和z轴平移反转至左方车头上方为坐标原点（0，0），生成一个长为点云数据z轴最大最小数据的差值，宽为点云数据y轴最大最小数据的差值的二值灰度图片。图2中点云数据生成的图片分辨率为1293
×
380（三维点云数据中整车长度为1293cm，高度为380cm）。
25.步骤4：将此时点云坐标的y轴对应二值灰度图片像素的x轴，点云坐标的z轴对应二值灰度图片像素的y轴进行点云的遍历，描绘此二值灰度图片中对应像素点点位置为白色（时间复杂度o（n），n为点云数量），结果如图3所示。因原点云数据存储在一维数组，无法直接进行此临近点云数据访问操作，所以需要转换为能进行临近点直接通过坐标+1或-1访问的二维表示以便实施图搜索，进行转化后，此时从空间几何的无序点云数据可以直接通过x轴+1访问到下面的点云数据，通过y轴+1访问到右边的点云数据。然后对二值灰度图片整体进行预处理，从坐标原点依次从上到下（即x坐标从0开始增加）、从左到右（即y坐标从0开始增加）两重循环进行遍历图像像素，同一个x坐标中记录最后一个白色像素点y坐标，如当前为白色像素点而且当前y坐标离最后一个白色像素点y坐标小于30（目前观察到的牵引车与挂车连接处u型区域宽度通常超过30cm，则小于30cm宽度部分不考虑为牵引车与挂车连接处u型区域），则将此x坐标这一段区间全转为白色像素点，进行一定预处理将数据较为密集的的部分尽量连接起来，以减少无效搜索点，结果如图4所示；将此图片用一个十字进行4等分区域划分，记录右上角区域中白色像素坐标数，结果如图5所示。本实施例中，图5记载的x《190,y》646（在图像坐标中，图像最左上角为（0,0）原点，往下为x轴，往右为y轴），时间复杂度o（n），n为图片像素点数量。
26.步骤5：搜索位于牵引车与挂车连接处形成的u型区域中的有效搜索点黑色像素
点，该黑色像素点需同时满足以下4个距离判断条件：（1）从此黑色像素点开始垂直往上（即x坐标减小），同一个y坐标的其他点全部都不是白色像素点；（2）从此黑色像素点开始垂直往下（即x坐标增大），同一个y坐标的其他点存在白色像素点，而且到此坐标点距离为20~40个像素点（对应点云为20~40cm距离）；（3）从此黑色像素点开水平往左（即y坐标减小），同一个x坐标的其他点存在白色像素点，而且到此坐标点距离为50~200个像素点（对应点云为50~200cm距离）；（4）从此黑色像素点开水平往右（即y坐标增大），同一个x坐标的其他点存在白色像素点，而且到此坐标点距离为40~200个像素点（对应点云为40~200cm距离）。
27.步骤5中，黑色像素点为有效搜索点，白色像素点为无效搜索点可以直接跳过，进行到下一个临近点的搜索。从左上角开始进行搜索，牵引车和挂车组成的整体中间部分为搜索终点（目前已知的挂车长度没有比牵引车要短的）。与典型的搜索情况有所不同，在此情况中为搜索一个u型区域，可能存在非常多的像素点符合此要求，也有可能没有像素点符合步骤5中，在进行4个条件的距离判断之前，先对黑色像素点进行区域判定；该黑色像素点需同时满足以下条件：（1）当前黑色像素点坐标从此坐标中的同一个x轴的坐标点往左遍历和往右遍历判定有白色像素点，且距离白色像素点有一定距离；（2）当前黑色像素点坐标从此坐标中的同一个y轴的坐标点往上遍历没有白色像素点；（3）当前黑色像素点坐标从此坐标中的同一个y轴的坐标点往下遍历有白色像素点，且距离白色像素点有一定距离。
28.黑色像素点如满足区域判定条件则进行4个条件的距离判断，如全部符合则为搜索到u型区域的点，停止搜索。如图7所示，搜索到存在u型区域的点，这个像素点在x轴上到左边第一个白色像素点的距离为58，到右边第一个白色像素点的距离为104；在y轴向上没有白色像素点，向下第一个白色像素点的距离为26。
29.如任意一个条件未满足立刻结束当前点判断并置为白色像素点，取优先队列头进行下一个像素点坐标的判断。使用优先队列进行优先查找，所述优先队列优先级实现部分为优先取像素点x坐标和y坐标的差值最小的点，如果差值相同则优化取x坐标更大的点（具体在c++使用的为stl库的priority_queue容器，可参考《挑战程序设计竞赛（第2版）》（2013年人民邮电出版社出版发行的图书，作者是秋叶拓哉、岩田阳一、北川宜稔）中第2章的内容、《挑战程序设计竞赛2：算法和数据结构》（2016年人民邮电出版社出版的图书，作者是渡部有隆）中第10章的内容、《算法问题实战策略》（2015年人民邮电出版社出版的图书，作者是具宗万）中23章的内容或其他基础算法书中关于优先队列在搜索算法中的使用，以实现该算法技术）。并且，从左上角往下三分之一（x轴三分之一以下、y轴为0）的坐标点开始（通常在牵引车高度三分之一往下存在此搜索像素点，可减少搜索量）。本实施例取优先队列头开始进行搜索，图4中为（126，0）（图4中图片分辨率为1293
×
380，380的三分之一即为126），将（126，1）和（127，0）（（126，0）往右移动y+1为（126，1），往下移动x+1为（127，0））两个坐标点放入优先队列。搜索方向为向右和向下，即每一次移动为当前坐标点的x+1或y+1进行到
下一个像素点的搜索，仅对黑色像素点进行判定区域，如果当前像素点不符合，也置为白色像素点，搜索路径和终点可以很直观的显示出来，如图6所示的白色箭头为搜索路径，为经过搜索550个像素点画出的路径。直到找到此像素点或遍历完图片上的y坐标小于图片长度一半的黑色像素点，图5中为y小于646的像素点（图5中图片分辨率为1293
×
380，1293的一半即为646）。最坏情况为搜索完此区域的黑色像素点，时间复杂度为o（nlogn），n为三维点云模型图按1cm对应一个像素转换到侧面二维图像的像素点数，而现有技术（如申请号：202010921233.0）挂车查找实现中搜索时间复杂度为o（n
²
），n为点云帧数，则本技术相较于现有技术在较庞大的点云数据中能够拥有快速查找能力。关于算法时间复杂度的相关概念，可通过《算法问题实战策略》中第4章的内容或其他基础算法书关于时间复杂度好坏的分析来获悉了解，此为算法最基础的概念，用来评估程序运行时间。
30.这里对为什么使用图片像素点数作为时间复杂度评估进一步说明。因对于同一个车辆的点云转化的图片分辨率尺寸不会随着点云数据数量增加，每一个像素点表示1厘米的距离，只跟点云坐标中y轴坐标和z坐标极值差有关。经过点云的离群点滤波处理后，按当前生产车辆尺寸情况，最大图片分辨率预估计为2100
×
450（目前已知最长的挂车为不到18米，加上牵引车部分的长度预计最多21米，根据gb1589-2016规定，车辆限高4米，应该不会出现有超过4.5米高的车辆）所以对于同一车辆来说，点云数据量为1万或者是1亿，转到图片时分辨率是差不多的，不会随点云数量增长。
31.步骤5中，还使用哈希（具体在c++使用的为stl库的map容器，可参考《挑战程序设计竞赛（第2版）》中第2章的内容、《算法问题实战策略》中23章的内容或其他基础算法书中关于哈希在搜索算法中的使用，以实现该搜索技术）对已经搜索过的像素点坐标进行去重，避免内存溢出（内存可以出现超过2g）和重复搜索引起的搜索效率下降。
32.步骤6：确定为牵引车与挂车连接处形成的u型区域中的有效搜索点黑色像素点后，往y坐标增大方向进行水平区域的扫描，判断是否到达挂车车头起始位置；具体如下：步骤6.1：从当前坐标的x坐标至x-150坐标之间，进行y坐标增大的平面扫描；满足以下条件则判断到达挂车车头起始位置：步骤4中记录右上角区域中白色像素坐标数小于1万则使用平面扫描中垂直的150个像素点出现8个白色像素以上作为初次到达挂车起始位置；或者，步骤4中记录右上角区域中白色像素坐标数大于1万则使用平面扫描中垂直的150个像素点出现20个白色像素以上作为初次到达挂车起始位置；步骤6.2：初次到达挂车起始位置之后再往后至少50个像素（根据gb1589-2016中a3.3有关规定，不具备载货功能，且超出车辆前端不大于500mm的部分装置不在长度测量范围，即此算法中二值灰度图的50个像素点宽度）继续增大y坐标平面扫描确认起始位置是否带有工具箱；满足以下条件则判断不带有工具箱，则初次到达挂车起始位置即为实际挂车起始位置：初次到达挂车起始位置之后y+100坐标平面内不存在垂直方向超过80个白色像素点；满足以下条件则判断带有工具箱：初次到达挂车起始位置之后y+100坐标平面内存在垂直方向超过80个白色像素点，且垂直方向平均连续白色像素点超过40但未达到60；此时将第一次出现垂直方向超过80个白色像素点的位置作为实际挂车起始位置。
33.根据目前的观察情况右上角白色像素点越多的车辆牵引车和挂车连接处的干扰物越多。如图图5所示，预处理时候的右上角区域白色像素点数量为86552，搜索终点像素坐标为（234,334），使用平面扫描中垂直的150个像素点出现35个白色像素，确定为初次到达
挂车起始位置，接着又继续进行是否带有工具箱的扫描确认，判断并未带有工具箱，则初次到达挂车起始位置为实际挂车起始位置，y坐标点为449。
34.如图8所示，这些类型的挂车车头位置是带有工具箱的，根据gb1589-2016的规定这些部分不纳入挂车长度的计算。找到往后y+100坐标平面内是否存在垂直方向超过80个白色像素点的位置。目前已知带有工具箱的挂车都带有这个结构（找到往后y+100坐标平面内是否存在垂直方向超过80个白色像素点的位置），如果区域内不存在垂直方向超过80个白色像素点，则最开始确认的区域为挂车起始位置（即挂车车头）；如果存在，进一步判断这个垂直方向超过80个白色像素点到初次达到挂车起始位置之间区域的白色像素点变化结构，如果垂直方向平均连续白色像素超过40，但是未达到60，则认为是工具箱，将第一次出现垂直方向超过80个白色像素点的位置作为挂车起始位置（即挂车车头）。
35.步骤7：将此查找到的实际挂车起始位置的y坐标除以100换算成m为单位，记为牵引车车头顶部到挂车车头顶部的距离；进一步将整车长度（牵引车、挂车组合整体三维点云数据可以直接计算出整车长度）减去牵引车车头顶部到挂车车头顶部的距离即可得到挂车长度。
36.因图片中y轴对应点云坐标中的z轴，图片中一个像素点的距离单位为1cm，则将此查找到的挂车起始位置的y坐标直接除以100换算成米为单位，将整车长度减去牵引车车头顶部到挂车车头顶部的距离即可得到挂车长度。本实施例中，如图7所示，挂车分离区域挂车车头顶部的y坐标为449，即可得到牵引车车头到挂车车头的距离为449cm。如图8所示，挂车分离区域挂车车头顶部的y坐标为389，即可得到牵引车车头到挂车车头的距离为389cm。
37.以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。