技术领域
[0001] 本发明涉及轨道车辆实时连续测速领域，特别涉及一种2D激光雷达结合图像算法的轨道车辆实时测速方法。
相关背景技术
[0002] 近年来，轨道交通智能化发展越来越快，很多智能检测产品已经成功应用于轨道交通领域。但检测精度取决于线扫相机成像质量，高精度检测的前提是尽可能保证轨道列车匀速通过检测点。一旦列车出现变速或者紧急停车，线扫相机成图就会出现拉伸压缩畸变，这为智能检测带来极大不便。
[0003] 若想解决列车变速或者停车对畸变的影响，就需要实时知道列车经过当前检测点时的瞬时速度，并根据当前瞬时速度实时调整相机行频，降低线扫相机成像畸变。但目前并没有一种很好的测速方案能解决该问题。因此，本文提出的一种2D激光雷达结合图像算法的轨道车辆实时测速方法具有重要意义。
[0004] 现有技术：
[0005] ①线圈测速：
[0006] 线圈测速是以电磁感应原理为基础，将两个多股铜线缠绕制作而成的线圈埋设在路面下。有车辆通过线圈时，将在车辆金属区域产生电涡流。因为电涡流产生的磁场方向与线圈的磁场方向完全相反，所以将削弱线圈产生的磁场，使线圈的电感值减小，进而引起线圈震荡频率的变换。若检测器检测到震荡频率的变换(脉冲信号)，则表示有车辆通过。当前速度能根据车辆经过两个线圈的时间差来计算。
[0007] 缺点：
[0008] 测速频率无法满足连续测速的要求；线圈必须安装在地下，必须在固定地点使用，施工时会破坏路面，不易维护；易被路面修理、重型车辆破坏，影响线圈寿命。
[0009] ②传统激光测速：
[0010] 传统激光测速是基于光波测距原理，激光测距是通过对被测物体发射激光光束，并接收该激光光束的反射波，同时记录该时间差，进而确定被测物体与测试点的距离。激光测速是对被测物体进行两次有特定时间间隔的激光测距，取得在该时段内被测物体的移动距离，从而得到该被测物体的移动速度。
[0011] 缺点：
[0012] 仪器精密，成本较高，工作稳定性稍差，使用场景受限，不适合轨道列车全车瞬时测速。
[0013] ③传统雷达测速：
[0014] 传统雷达测速依据于多谱勒效应，即移动物体对所接收的电磁波有频移的效应。当移动目标靠近雷达天线时，反射信号频率将高于发射信号频率；反之，当目标远离雷达天线时，反射信号频率将低于发射信号频率。雷达发射固定频率的雷达波，根据反射信号和发射信号之间的频率差，就能计算出被测物体的运动速度。
[0015] 缺点：
[0016] 当车速缓慢时多普勒效应很小，不能检测低速行驶的车辆，更不能进行停车检测，测速精度容易受到干扰造成偏差。
[0017] ④计算机视觉测速：
[0018] 计算机视觉测速通常基于帧差法，即获取前后相邻两帧图像，通过计算机视觉匹配到相邻两帧图像的相同区域并计算出移动的像素距离，再结合像素尺寸换算出移动的真实物理距离，最后通过该距离除以帧差时间获取当前运动速度。
[0019] 缺点：
[0020] 测速条件苛刻，雨雪天气、相机过爆、车身倒影一系列因素都有可能影响测速的准确性。
具体实施方式
[0060] 实施例1
[0061] 1.激光雷达安装
[0062] 为保证列车在速度检测点能持续测速，故将激光雷达水平安装于轨道两条枕木中间位置，雷达扫描面水平向上，扫描角度调整为0‑180度，扫描频率设置为100。安装结果如附图2所示。
[0063] 2.列车位置坐标点集获取
[0064] 通过设置好的雷达实时获取待测列车当前距离雷达的实际距离,以雷达位置为原点，x坐标表示左右距离，z坐标表示垂直高度距离。为了进一步过滤无用点信息，能设置x,z取值范围获取自己想要的范围信息。
[0065] 3.通过点集信息获取列车相对雷达的大概位置方向
[0066] 通过全部点集的z坐标信息，初步判断列车是否正在经过雷达上方，当所有点集z坐标均小于雷达到车底高度时，认为列车正在经过雷达上方，否则列车正处于雷达左侧或者右侧；若判断出列车处于雷达左侧或者右侧后，根据所有点集x坐标信息正负值即可判断出列车相对雷达的具体方向，若所有x值均为负，则列车确认在雷达左侧；若所有x值均为正，则列车确认在雷达右侧。
[0067] 4.将图像点集转为图像特征信息
[0068] 将步骤2获取的全部点集画在二维黑色图像上(1毫米代表1个像素)，点集用白色表示，即可明显看到轮廓特征信息，并将当前图片保存到特征图片集中，能通过设置频率间隔数来控制图片保存频率，每间隔5次扫描频率存储一次图片。轮廓特征图如附图3所示。
[0069] 5.特征图像特征点检测与匹配
[0070] 若步骤4中的特征图片集数量为2，需要对两张图像进行特征点匹配。采用图像处理中的加速稳健特征检测两张图像的特征点，然后通过暴力匹配结合最近邻匹配获取匹配到的特征点集。再计算匹配后点集所有x坐标差值，查找差值范围最集中区域并计算该区域平均值作为列车像素移动距离，删除特征集图片中第一张图片，并继续进行步骤6、7、8操作。若步骤4中的特征图片集数量小于2，则返回上述步骤2重新依次按照步骤继续操作，不再进行步骤6、7、8操作。两张轮廓特征图片匹配结果如图附图4所示。
[0071] 6.列车真实速度计算
[0072] 计算出列车像素移动距离以后，将该距离乘以像素尺寸即可得到列车当前时间段真实移动物理距离，像素尺寸由步骤4中图像尺寸确定，每个像素代表1毫米。时间间隔由步骤4中设置的频率间隔数来确定，间隔数为5，真实间隔时间即为50毫秒。当前真实过车速度就能用列车50毫秒内的真实移动距离除以50毫秒过车时间来近似计算。并将当前实时瞬时速度保存到数据库。
[0073] 7.过车方向、停车以及双向车判断
[0074] 通过保存到数据库中的连续速度判断即可实现过车方向、停车以及双向车判断。若速度均为正，则列车向右行驶；若速度为负，则列车向左行驶；若连续多个速度为0，则为停车；若速度由正到零再到负，则为双向车；若速度由负到零再到正，则为双向车。
[0075] 8.测速上传平台
[0076] 将计算得到的当前过车速度实时上传平台，并根据当前速度实时调整线扫相机行频，解决变速过车以及停车造成的图像畸变问题。测速软件结果如图附图5所示。
[0077] 综合以上步骤，能通过软件实现对低速变速行驶车辆以及停车车辆进行连续测速，从而驱动线阵相机实时变行频，解决成像畸变难题，为轨道交通事业智能识别保驾护航。未使用测速方案前线扫相机成图效果如图6所示。使用本发明实时连续测速方案后线扫相机成图效果如图7所示。
[0078] 本发明未尽事宜为公知技术。
[0079] 上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的效变化或修饰，都应涵盖在本发明的保护范围之内。
