一种基于随机森林算法的激光雷达车型识别系统及其识别方法

摘要

本发明公开了一种基于随机森林算法的激光雷达车型识别系统及其识别方法，包括检测区域，所述检测区域的一端设有拦杆，所述检测区域中部设有检测机构，所述检测机构包括龙门架，所述龙门架位于所述检测区域中部，所述检测区域上方位于所述龙门架上安装设有顶部激光雷达，所述龙门架的一侧分别设有侧面激光雷达和工控机，所述顶部激光雷达、侧面激光雷达以及拦杆均与所述工控机相连接。应用场景广泛、实际使用要求低、识别精度高、实时快速、易于安装维护等优势，并且，使用随机森林算法，能够快速准确的得知车辆的信息，避免了相关人员使用套牌、或者摄像头采集不清楚，需要专门的调整位置等麻烦的出现，增加了车辆流动的速度，避免了堵塞。

说明书

技术领域

本实用车辆识别领域，具体来说，涉及一种基于随机森林算法的激光雷达车型识别系统及其识别方法。

背景技术

随着经济发展、汽车持有量逐年递增以及近年来高速公路建设的蓬勃发展，汽车检测和管理在智能化交通控制系统中所占比重越来越大。同时，作为ETC的关键技术，自动车型识别技术领域也得到更多研究资源的投入。

但是现有的车辆识别，需要对应专门的系统，通过识别车牌照，在专门的系统中，通过车牌照显示车辆信息，这样的信息量太唯一，如果车牌出现问题，那么识别就会不准确，因此，需要一种能够自主识别车辆信息的车辆识别系统。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于随机森林算法的激光雷达车型识别系统及其识别方法，以克服现有相关技术所存在的上述技术问题。

本发明的技术方案是这样实现的：

根据本发明的一个方面，提供了一种基于随机森林算法的激光雷达车型识别系统，包括检测区域，所述检测区域的一端设有拦杆，所述检测区域中部设有检测机构，所述检测机构包括龙门架，所述龙门架位于所述检测区域中部，所述检测区域上方位于所述龙门架上安装设有顶部激光雷达，所述龙门架的一侧分别设有侧面激光雷达和工控机，所述顶部激光雷达、侧面激光雷达以及拦杆均与所述工控机相连接。

可选的，所述龙门架包括可升高龙门架。

可选的，所述拦杆为自动拦杆，且，所述自动拦杆与所述工控机相连接。

根据本发明的另一方面，提供了一种基于随机森林算法的激光雷达车型识别方法，包括以下步骤：

S11、获取车辆分类的特征；

S12、通过上述获取的特征，传输到工控机，利用随机森林算法对全车型进行识别分类，得到最终的车辆类型识别结果，结束。

进一步的，上述S12通过上述获取的特征，传输到工控机，利用识别算法对全车型进行识别分类包括以下步骤：

S121、根据车辆分类的特征，生成若干决策树；

S122、若干决策树为基学习器，形成随机森林，采用所述投票法得到最终的车辆类型预测结果。

进一步的，所述步骤S121根据车辆分类的特征，生成若干决策树包括以下步骤：

S1211、基于步骤S11中获取的各分类特征，利用决策树分类器，自上而下先将车型进行车型大类划分，再利用特征数据进行车型细分，最终得到单颗决策树的车型分类结果；

S1212、最后选取最多的分类结果为最终车型分类结果，即预测该车辆参数样本属于此种车型。

进一步的，所述S122若干决策树为基学习器，形成随机森林，采用所述投票法得到最终的车辆类型预测结果包括以下步骤：

S1221、以车辆识别决策树为基学习器构建Bagging集成，形成基于随机属性选择的随机森林；

S1222、采用多数投票法作为多个决策树学习器的结合策略，利用单颗决策树的车型分类结果，得到最终的车辆类型预测结果。

根据本发明的另一方面，提供一种构建车型识别随机森林的方法，包括以下步骤：

S21、对初始训练集采样作为决策树训练集；

S22、从节点中随机选择一个属性子集；

S23、在属性子集中选择一个最优属性用于类别划分；

S24、重复上述步骤直至得到类别划分结果；

S25、构成决策树；

S26、重复以上步骤得到不同的决策树；

S27、构成随机森林；

S28、采用多数投票法综合策略得到最终分类结果。

本发明的有益效果为：本申请涉及一种基于随机森林算法的激光雷达车型识别系统，采用两台激光雷达扫描车道上行驶中的机动车辆，将扫描数据传输到工控机，利用随机森林算法对全车型进行识别分类。相比于使用摄像头的图像特征机器视觉识别车型，本系统具有应用场景广泛、实际使用要求低、识别精度高、实时快速、易于安装维护等优势，并且，使用随机森林算法，能够快速准确的得知车辆的信息，避免了相关人员使用套牌、或者摄像头采集不清楚，需要专门的调整位置等麻烦的出现，增加了车辆流动的速度，避免了堵塞。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的一种基于随机森林算法的激光雷达车型识别系统的结构示意图；

图2是根据本发明实施例的一种基于随机森林算法的激光雷达车型识别方法的流程图；

图3是根据本发明实施例的中车辆参数标注图。

图4是根据本发明实施例的一种构建车型识别随机森林的方法的流程图；

附图标记；

1、检测区域；2、拦杆；3、龙门架；4、顶部激光雷达；5、侧面激光雷达；6、工控机。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，根据本发明的实施例，提供了一种基于随机森林算法的激光雷达车型识别系统，包括检测区域1，所述检测区域1的一端设有拦杆2，所述检测区域1中部设有检测机构，所述检测机构包括龙门架3，所述龙门架3位于所述检测区域1中部，所述检测区域1上方位于所述龙门架3上安装设有顶部激光雷达4，所述龙门架3的一侧分别设有侧面激光雷达5和工控机6，所述顶部激光雷达4、侧面激光雷达5以及拦杆2均与所述工控机6相连接。

另外，所述龙门架3包括可升高龙门架。所述拦杆2为自动拦杆，且，所述自动拦杆与所述工控机6相连接。

通过上述技术方案，车辆沿箭头方向行驶进收费岛通道，顶部激光雷达4的扫描面平行于车辆行驶方向，侧面激光雷达5的扫描面垂直于车辆行驶方向，扫描数据通过数据传输线传输至工控机6，由工控机6根据车辆扫描数据进行车型识别，在车辆到达收费亭(或自动发卡机)拦杆2处前，系统完成车辆类型识别，输出车型结果。相比于使用摄像头的图像特征机器视觉识别车型，本系统具有应用场景广泛、实际使用要求低、识别精度高、实时快速、易于安装维护等优势。

请参阅图2-3所示，根据本发明的一个方面，提供了一种基于随机森林算法的激光雷达车型识别方法，该方法包括以下步骤：

S11、获取车辆分类的特征；

S12、通过上述获取的特征，传输到工控机，利用随机森林算法对全车型进行识别分类，得到最终的车辆类型识别结果，结束。

另外，通过顶部激光雷达4和侧面激光雷达5扫描车身，可得到车长、车顶长、车高、车前长、车后长等车型参数，由这些扫描参数可以计算出顶长比、顶高比、前后比、顶部高度方差等衍生参数，可作为车辆分类特征。

其中，车长L：车辆前后最突出位置的水平距离。

车顶长TL：车辆车身内部高度突变部分的水平长度。小轿车和大货车的车顶长即驾驶室部分的水平长度，大客车的车顶长与车长相同。

车高H2：车辆最高位置与地面之间的垂直距离。

车前长FL：以车辆的车篷的中垂线为分界，车辆前部分的长度。

车后长BL：以车辆的车篷的中垂线为分界，车辆后部分的长度。

顶长比：车顶长与车长的比值，客车的车顶长度接近于车长，也即是顶长比接近于1，轿车和货车的顶长一般不会超过0.7。

顶高比：车顶长与车高的比值。一般情况下，轿车的车顶长与高度之比大约在1∶1左右，而客车的顶长比一般在1.5以上，而货车的顶高比在0.5-1左右。

前后比：以车辆的车篷的中垂线为分界，车辆前后两部分长度的比值。前后比描述了车篷位于车身中的位置，货车前后比约为1∶3，而客车和轿车约为1∶1。

顶部高度方差；车辆顶部高度数据序列的方差，此参数多用来区分满载货车与客车。客车的顶部轮廓非常平坦，近似一条直线，而对比之下货车的顶部由于前部的车室与后部的载货处之间的连接处存在着空隙，同时由于货车顶部的高度与车篷的高度的差异以及一般装载货物的外形不规则性的原因，必然导致装载货物的货车顶部高度序列起伏较大。

并且，上述S12通过上述获取的特征，传输到工控机，利用识别算法对全车型进行识别分类包括以下步骤：

S121、根据车辆分类的特征，生成若干决策树，决策树学习的关键是从属性集中选择最优划分属性，即从衍生参数中选择针对样本的最优划分参数，选择的依据是使决策树的分支节点所包含的样本尽可能属于同一类别，使节点的属性归属程度越来越高；

S1211、基于步骤S11中获取的各分类特征，利用决策树分类器，自上而下先将车型进行车型大类划分，再利用特征数据进行车型细分，最终得到单颗决策树的车型分类结果；

决策树每次选取不同的特征，将车辆划分为不同类别，分类特征可重复使用。每次决策使用的分类依据包含特征量、决策规则或特征阈值。

S1212、由于对初始训练集采样不同，尤其是随机属性选择，每棵决策树得到的分类结果会有不同。最后选取最多的分类结果为最终车型分类结果，即预测该车辆参数样本属于此种车型；

本专利采用C4.5决策树算法，即在属性子集中不直接使用信息增益，而使用最大增益率来选择最优划分属性。

S122、若干决策树为基学习器，形成随机森林，采用所述投票法得到最终的车辆类型预测结果。

S1221、以车辆识别决策树为基学习器构建Bagging集成，形成基于随机属性选择的随机森林，随机森林中包含多个车辆识别决策树；

S1222、采用多数投票法作为多个决策树学习器的结合策略，利用单颗决策树的车型分类结果，得到最终的车辆类型预测结果。

请参阅图4所示，根据本发明的一个方面，提供了一种构建车型识别随机森林的方法，该方法包括以下步骤：

S21、对初始训练集采样作为决策树训练集，初始训练集使用自助采样，产生数据子集，作为决策树学习器的训练集样本；

S22、从节点中随机选择一个属性子集，从节点的属性集合中随机选择一个包含K个属性的属性子集(1≤k≤K，假设属性集合的属性个数为K)，若k＝K则退化为传统决策树，若k＝1表示随机选择一个属性用于类别划分；

S23、在属性子集中选择一个最优属性用于类别划分，按照决策树中信息增益率最大的原则，使用C4.5决策树算法，在属性子集中选择一个最优属性用于类别划分；

S24、重复上述步骤直至得到类别划分结果，重复以上步骤，当发生以下情况之一时结束计算，决策树构建完毕：

①当节点样本全部属于同一类别C，返回类别C；

②当节点属性集为空，或节点样本在节点属性集上取值相同，返回节点样本中类别最多的类；

③循环节点最优属性中的每个属性值，若某属性值上的节点样本子集为空，返回父节点样本中类别最多的类；

S25、构成决策树，按以上步骤构建决策树，决策树最终划分类别结果即步骤S24中返回的类别；

S26、重复以上步骤得到不同的决策树，重复步骤S21，对初始训练集自助采样，产生数据子集，形成数据样本扰动，用以训练不同的决策树学习器；

S27、构成随机森林，利用验证集验证多颗决策树构成的随机森林的泛化性，综合考虑随机森林泛化性能和系统效率，确定决策树学习器的层数和个数，构成随机森林；

S28、采用多数投票法综合策略得到最终分类结果，采用多数投票法作为多个决策树学习器的结合策略，得到最终的分类预测结果。

按照以上步骤构建车型识别随机森林，将随机森林算法固化于工控机6内，用于实际场景中的车型识别。

综上所述，借助于本发明的上述技术方案，本申请涉及一种基于随机森林算法的激光雷达车型识别系统，采用两台激光雷达扫描车道上行驶中的机动车辆，将扫描数据传输到工控机，利用随机森林算法对全车型进行识别分类。相比于使用摄像头的图像特征机器视觉识别车型，本系统具有应用场景广泛、实际使用要求低、识别精度高、实时快速、易于安装维护等优势，并且，使用随机森林算法，能够快速准确的得知车辆的信息，避免了相关人员使用套牌、或者摄像头采集不清楚，需要专门的调整位置等麻烦的出现，增加了车辆流动的速度，避免了堵塞。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。