基于激光點云3D檢測的車輛外廓尺寸測量研究

摘 要：為了維持良好的車輛生產和交通運輸發展，有必要對車輛的非法改裝以及超載超限行為進行有力的遏制，車輛外廓尺寸測量則是一種重要識別車輛非法改裝的方法。通過提取車輛的激光點云數據，按一定的規則形成對應的點云鳥瞰圖，運用深度學習中的卷積神經網絡對點云鳥瞰圖進行模型訓練，使模型對車輛具有快速、準確的識別效果。識別得到的包圍框通過坐標像素的轉換可求得車輛的長、寬、高，達到車輛外廓尺寸的測量結果，并可轉換為3D檢測效果。通過試驗表明，提出的基于激光點云3D檢測的車輛外廓尺寸測量方法測量精度損失較小，檢測效率高于傳統測量方法。

關鍵詞： 激光點云；車輛尺寸；卷積神經網絡；3D檢測

近年來，車輛尺寸超限現象嚴重，由此帶來的交通問題頻發。車輛外廓尺寸測量技術可以分為人工測量和自動化測量。傳統的三維測量大多是人工檢測，勞動強度大、效率低，已經無法符合現代化需求。自動化測量效率高，操作簡單，大大降低了車輛測量工作的復雜度，目前主要分為三種，分別為三坐標測量機、基于數字圖像處理的測量技術和基于激光測量的測量技術。深度學習在物體檢測領域已經取得了較好的效果，因此本文提出一種基于深度學習的激光點云3D檢測的車輛外廓尺寸測量方法，通過對車輛的檢測得到外廓尺寸，且在此基礎上進行相應的算法設計和優化。

1 相關技術介紹

1.1 卷積神經網絡介紹

卷積神經網絡是一種前饋神經網絡，它是近年發展起來的對大型圖像處理有出色表現的一種高效識別方法。卷積神經網絡的基本結構包括兩層，其一為特征提取層，用來提取局部特征，其二是特征映射層，每個映射層上面的神經元權值相等。由于卷積神經網絡的特征檢測層通過訓練數據進行學習，所以在使用卷積神經網絡時，避免了顯式的特征提取，而隱式地從訓練數據中進行學習。

1.2激光點云算法現狀介紹

基于Frustum的網絡在KITTI 數據集中表現出高性能，它使用Point.Net直接處理點云，但是，它需要預處理，因此也必須使用相機傳感器，僅將這種方法應用于激光雷達數據是不可能的；相反，周等人提出了一個模型，在網格單元上運行端到端的學習，它是KITTI中僅使用激光雷達數據進行3D和鳥瞰檢測的最佳模型，但是速度很低。Chen等人利用手工制作的特征（如點密度，最大高度和代表點強度）將激光雷達點云投影到RGB地圖上。但是這種融合的處理時間很長，并且需要輔助傳感器輸入。

2 基于改進的complex.yolo算法的車輛外廓尺寸測量方法

在本文研究中，采用改進的complex.yolo算法對車輛的激光點云數據進行處理和訓練，在對數據進行訓練時，向網絡中輸入標注的激光點云數據圖，最終得到識別準確度高的模型權重。將此權重用于車輛的激光點云數據，從而識別車輛的輪廓大小，經過坐標像素的比例轉換從而求得車輛的高、寬、長，再通過雷達坐標系和圖像坐標系的空間位置，畫出車輛的3D坐標。

2.1 complex.yolo網絡結構介紹

Complex.yolo使用多視點思想進行激光點云數據的預處理以及特征提取，從而生成一個激光點云鳥瞰圖。此算法提出了一個特定的歐拉區域建議網絡（E.RPN），通過在回歸網絡中添加一個虛數和一個真實的分數來估計物體的姿態，成為YOLOv2的3D版本進行點云數據的識別。首先，由64線激光雷達采集的三維點云數據轉換為鳥瞰視圖的RGB圖，覆蓋面積為80mx40m，其中，R代表點云密度，G代表物體區域的最大高度，B代表點云的強度，并且減小了單元尺寸來縮小量化誤差。然后將此鳥瞰圖作為輸入，利使用簡化的YOLOv2卷積神經網絡體系結構，通過復雜的角度回歸和E.RPN進行擴展，預測每個網格單元的五個框，每個盒子預測回歸參數，實現物體的3D識別。

2.2 數據預處理

本文采用KITTI數據集中的激光點云數據進行算法的訓練和測試。KITTI數據集使用激光雷達的坐標系為攝像機視野內的運動物體提供一個3D邊框標注，每一個物體的標注都由所屬類別和3D尺寸（height，weight和length）組成。為了適應本論文的實現效果，更好的進行角度的回歸，將網絡的輸入鳥瞰圖改為1024x1024像素的正方形，而不是原網絡的512x1024，并且將雷達數據覆蓋范圍改為80mx80m，擴大檢測范圍。且KITTI數據集有8個類別，而本文只需要識別車輛，因此需要篩選出標記為車輛的點云數據進行訓練，經自寫腳本篩選，一共提取6000張圖片，包含車輛類數據標簽33261個，分別以類別class、中心坐標x、y、物體的ground truth寬度、物體的ground truth長度、以及物體的旋轉角度im、ie順序排列組成。

利用腳本，對KITTI中保存雷達坐標的bin文件進行物體點云信息的提取，根據論文所述的數據處理方法，提取局部像素點所對應的點云數據的最高高度值，最大亮度值以及局部密度值，將三個通道值合并成一個通道值，形成RGB圖像。以下為激光點云RGB圖像中6幅例圖：

2.3 網絡訓練

由于本文的輸入大小和分類數目與原complex.yolo算法不同，因此輸入網絡的第一層卷積大小為1024x1024x3，隨后都以相同方式改變，其中E.RPN擴展層的大小為32x32x40（5x（6+1+1）=40）。將經過數據預處理的激光點云RGB圖像輸入修改過的complex.yolo網絡，并在backup文件夾中保存訓練好的模型。

2.4 模型結果測試

將2.2節舉例的6幅圖像輸入模型結果進行測試：

2.5 誤差分析

將檢測到的車輛個數以及車輛的尺寸與原車輛尺寸進行對比，統計以上6幅圖中的測量誤差，如下表所示：

檢測車輛個數和車輛尺寸誤差較小，在車輛尺寸檢測誤差允許范圍之內。

3 結語

本文主要研究了基于激光點云3D檢測的車輛外廓尺寸測量方法，將這種方法用于對公路車輛的識別和測量，結果比較理想。適應于本文結構的complex.yolo算法能在同一時間里識別一定范圍內的所有車輛并時時輸出車輛所對應的長、寬、高度，基于激光點云3D識別的車輛外廓尺寸測量方法在合理的誤差范圍內比傳統的測量方法速度更快、可進行多車輛檢測、效果更好，為檢測車輛尺寸開拓了一個新的方法領域，以后的研究可以向著測量其他物體大小以及改善網絡結構達到更好的檢測效果和更小的誤差兩方面進行。

參考文獻：

[1]陳樹東.基于卷積神經網絡的車輛檢測與車型辨識算法研究[D].電子科技大學，2018.06.

[2]郜雨桐，寧慧，王巍，等.基于卷積神經網絡的車輛型號識別研究[J].應用科技，DOI：10.11991/yykj.201803011.

[3]梁春疆.基于機器視覺原理的車輛外廓尺寸在線測量系統[D].天津大學，2015.12.

[4]Martin Simon，Stefan Milz，Karl Amende，Horst.Michael Gross，Complex.YOLO：Real.time 3D Object Detection on Point Clouds，Computer Vision and Pattern Recognition，arXiv：1803.06199（2018）.

作者簡介：朱菲婷（1993.），女，漢族，浙江紹興人，攻讀吉林大學交通學院載運工具運用工程專業碩士學位，研究方向為汽車安全與車輛智能技術。