摘 要：為了維持良好的車輛生產(chǎn)和交通運輸發(fā)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(shù)據(jù)，按一定的規(guī)則形成對應(yīng)的點云鳥瞰圖，運用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)對點云鳥瞰圖進行模型訓(xùn)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(zhuǎn)換可求得車輛的長、寬、高，達到車輛外廓尺寸的測量結(jié)果，并可轉(zhuǎn)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(tǒng)測量方法。

關(guān)鍵詞： 激光點云；車輛尺寸；卷積神經(jīng)網(wǎng)絡(luò)；3D檢測

近年來，車輛尺寸超限現(xiàn)象嚴重，由此帶來的交通問題頻發(fā)。車輛外廓尺寸測量技術(shù)可以分為人工測量和自動化測量。傳統(tǒng)的三維測量大多是人工檢測，勞動強度大、效率低，已經(jīng)無法符合現(xiàn)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(fù)雜度，目前主要分為三種，分別為三坐標測量機、基于數(shù)字圖像處理的測量技術(shù)和基于激光測量的測量技術(shù)。深度學(xué)習(xí)在物體檢測領(lǐng)域已經(jīng)取得了較好的效果，因此本文提出一種基于深度學(xué)習(xí)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(chǔ)上進行相應(yīng)的算法設(shè)計和優(yōu)化。

1 相關(guān)技術(shù)介紹

1.1 卷積神經(jīng)網(wǎng)絡(luò)介紹

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，它是近年發(fā)展起來的對大型圖像處理有出色表現(xiàn)的一種高效識別方法。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)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(jīng)元權(quán)值相等。由于卷積神經(jīng)網(wǎng)絡(luò)的特征檢測層通過訓(xùn)練數(shù)據(jù)進行學(xué)習(xí)，所以在使用卷積神經(jīng)網(wǎng)絡(luò)時，避免了顯式的特征提取，而隱式地從訓(xùn)練數(shù)據(jù)中進行學(xué)習(xí)。

1.2激光點云算法現(xiàn)狀介紹

基于Frustum的網(wǎng)絡(luò)在KITTI 數(shù)據(jù)集中表現(xiàn)出高性能，它使用Point.Net直接處理點云，但是，它需要預(yù)處理，因此也必須使用相機傳感器，僅將這種方法應(yīng)用于激光雷達數(shù)據(jù)是不可能的；相反，周等人提出了一個模型，在網(wǎng)格單元上運行端到端的學(xué)習(xí)，它是KITTI中僅使用激光雷達數(shù)據(jù)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(shù)據(jù)進行處理和訓(xùn)練，在對數(shù)據(jù)進行訓(xùn)練時，向網(wǎng)絡(luò)中輸入標注的激光點云數(shù)據(jù)圖，最終得到識別準確度高的模型權(quán)重。將此權(quán)重用于車輛的激光點云數(shù)據(jù)，從而識別車輛的輪廓大小，經(jīng)過坐標像素的比例轉(zhuǎn)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(wǎng)絡(luò)結(jié)構(gòu)介紹

Complex.yolo使用多視點思想進行激光點云數(shù)據(jù)的預(yù)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(qū)域建議網(wǎng)絡(luò)（E.RPN），通過在回歸網(wǎng)絡(luò)中添加一個虛數(shù)和一個真實的分數(shù)來估計物體的姿態(tài)，成為YOLOv2的3D版本進行點云數(shù)據(jù)的識別。首先，由64線激光雷達采集的三維點云數(shù)據(jù)轉(zhuǎn)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(qū)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(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，通過復(fù)雜的角度回歸和E.RPN進行擴展，預(yù)測每個網(wǎng)格單元的五個框，每個盒子預(yù)測回歸參數(shù)，實現(xiàn)物體的3D識別。

2.2 數(shù)據(jù)預(yù)處理

本文采用KITTI數(shù)據(jù)集中的激光點云數(shù)據(jù)進行算法的訓(xùn)練和測試。KITTI數(shù)據(jù)集使用激光雷達的坐標系為攝像機視野內(nèi)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(yīng)本論文的實現(xiàn)效果，更好的進行角度的回歸，將網(wǎng)絡(luò)的輸入鳥瞰圖改為1024x1024像素的正方形，而不是原網(wǎng)絡(luò)的512x1024，并且將雷達數(shù)據(jù)覆蓋范圍改為80mx80m，擴大檢測范圍。且KITTI數(shù)據(jù)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(shù)據(jù)進行訓(xùn)練，經(jīng)自寫腳本篩選，一共提取6000張圖片，包含車輛類數(shù)據(jù)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(zhuǎn)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(jù)論文所述的數(shù)據(jù)處理方法，提取局部像素點所對應(yīng)的點云數(shù)據(jù)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(wǎng)絡(luò)訓(xùn)練

由于本文的輸入大小和分類數(shù)目與原complex.yolo算法不同，因此輸入網(wǎng)絡(luò)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(jīng)過數(shù)據(jù)預(yù)處理的激光點云RGB圖像輸入修改過的complex.yolo網(wǎng)絡(luò)，并在backup文件夾中保存訓(xùn)練好的模型。

2.4 模型結(jié)果測試

將2.2節(jié)舉例的6幅圖像輸入模型結(jié)果進行測試：

2.5 誤差分析

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

檢測車輛個數(shù)和車輛尺寸誤差較小，在車輛尺寸檢測誤差允許范圍之內(nèi)。

3 結(jié)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(jié)果比較理想。適應(yīng)于本文結(jié)構(gòu)的complex.yolo算法能在同一時間里識別一定范圍內(nèi)的所有車輛并時時輸出車輛所對應(yīng)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(nèi)比傳統(tǒng)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(lǐng)域，以后的研究可以向著測量其他物體大小以及改善網(wǎng)絡(luò)結(jié)構(gòu)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(jīng)網(wǎng)絡(luò)的車輛檢測與車型辨識算法研究[D].電子科技大學(xué)，2018.06.

[2]郜雨桐，寧慧，王巍，等.基于卷積神經(jīng)網(wǎng)絡(luò)的車輛型號識別研究[J].應(yīng)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(tǒng)[D].天津大學(xué)，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(xué)交通學(xué)院載運工具運用工程專業(yè)碩士學(xué)位，研究方向為汽車安全與車輛智能技術(shù)。