(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210515606.3 (22)申请日 2022.05.12 (71)申请人 苏州大学 地址 215000 江苏省苏州市吴中区石湖西 路188号 (72)发明人 王翔　王祎　郑建颖　张哲源　 (74)专利代理 机构 苏州市中南伟业知识产权代 理事务所(普通 合伙) 32257 专利代理师 朱振德 (51)Int.Cl. G06V 10/80(2022.01) G06V 20/70(2022.01) G06V 10/762(2022.01) G06V 10/50(2022.01) G06V 10/82(2022.01)G06V 10/46(2022.01) G06V 20/50(2022.01) G06T 7/246(2017.01) G06T 7/73(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种车辆 轨迹优化方法及智能交通系统 (57)摘要 本发明公开了一种车辆轨迹优化方法及智 能交通系统。 本发明通过融合激光雷达和相机两 种传感器获取的车辆信息， 采用激光雷达下的目 标车辆轨迹点优化相机下的目标车辆轨迹点， 以 得到精确的具有车辆语义信息的优化轨迹， 利用 从激光雷达点云数据中得到车辆轨迹点空间坐 标， 弥补相机不能得到目标深度信息的劣势， 同 时利用相机获取车辆的语义信息， 进一步避免了 点云数据中非车辆目标的干扰， 并采用激光雷达 下的目标车辆轨迹点优化相机下的目标车辆轨 迹点， 解决拍摄距离和天气 对相机下的目标轨迹 点准确性的影 响， 实现在复杂环 境下采集到完整 精确的车辆 轨迹。 权利要求书2页 说明书8页 附图2页 CN 114913399 A 2022.08.16 CN 114913399 A 1.一种车辆 轨迹优化方法， 其特 征在于， 包括以下步骤： 目标识别： 利用激光雷达获取的点云数据提取目标车辆的空间坐标， 利用相机获取的 图像数据提取目标 车辆的像素坐标和语义信息； 时空融合： 对目标识别后的点云数据和图像数据进行时间对齐和 空间对齐， 得到同一 时空下同一 目标车辆信息， 所述 目标车辆信息包括 目标车辆的空间坐标、 像素坐标和语义 信息； 目标跟踪： 对同一目标车辆， 在同一时空下的点云数据和图片数据中进行目标跟踪， 得 到同一目标 车辆在激光雷达坐标系下的车辆 轨迹点和相机坐标系下的车辆 轨迹点； 车辆轨迹优化： 将所述相机坐标系下的车辆轨迹点转换至激光雷达坐标系下， 得到激 光雷达坐标系下的相机车辆轨迹点和激光雷达车辆轨迹点； 在每个目标车辆的各个激光雷 达车辆轨迹点的预设范围内， 根据相 机车辆轨迹点至激光雷达车辆轨迹点的距离， 计算所 述预设范围内每个相机车辆轨迹点的回归权重值， 利用所述回归权重值及相机车辆轨迹点 坐标计算每个激光雷达车辆轨迹点处的优化轨迹点的坐标， 得到每个目标车辆在各个激光 雷达轨迹点处的优化轨迹点的坐标； 根据每个目标车辆的所有优化轨迹点的坐标生成每个 带有语义信息的目标 车辆的优化轨 迹。 2.根据权利要求1所述的车辆 轨迹优化方法， 其特 征在于， 所述车辆 轨迹优化包括： 将相机坐标系C下的每一个车辆轨迹点像素坐标(XC， YC)转换至激光雷达坐标系L下， 得 到激光雷达坐标系L下相机车辆 轨迹点的空间坐标(XC‑L， YC‑L)； 以激光雷达坐标系下的每一个激光雷达 车辆轨迹点(XL， YL)为中心， 计算在 距离(XL， YL) 半径为1范围内的所有相机车辆 轨迹点(XC‑L， YC‑L)的回归权 重值 根据所述相机车辆轨迹点(XC‑L， YC‑L)的回归权重值 对相机车辆轨迹点坐 标进行加权线性回归拟合， 确定每个激光雷达车辆轨迹点处的拟合坐标值， 作为每个目标 车辆在各个激光雷达轨迹点处的优化轨迹点的坐标， 利用每个目标车辆的所有优化轨迹点 的坐标生成每 个目标车辆的LOWES S曲线， 即为每 个目标车辆的优化轨 迹。 3.根据权利要求2所述的车辆轨迹优化方法， 其特征在于， 所述根据所述相机车辆轨迹 点(XC‑L， YC‑L)的回归权重值 对相机车辆轨迹点坐标进行加权线性回归拟合 包括： 确定加权线性回归拟合常数(a， b)： 根据加权线性回归拟合公式J(a， b)分别对a、 b求偏 微分， 将使得J(a， b)对a、 b偏微分结果同时为0的(a， b)确定为加权线性回归拟合常数： 式中， N代表在每个激光雷达车辆轨迹点的预设范围内的相机车辆轨迹点总数， 所述预 设范围为距激光雷达车辆轨迹点半径为1的范围， ωi为每个激光雷达车辆轨迹点的预设范 围内的第 i个相机车辆轨迹点的回归权重值； (xi， yi)为每个激光雷达车辆轨迹点的预设范权　利　要　求　书 1/2 页 2 CN 114913399 A 2围内的第i个相机车辆 轨迹点在激光雷达坐标系下的空间坐标； 确定拟合坐标值： 根据所述加权线性回归拟合常数(a， b)确定每个激光雷达车辆轨迹 点处的拟合 坐标值， 即为目标 车辆的优化轨 迹点的坐标。 4.根据权利要求1所述的车辆 轨迹优化方法， 其特 征在于， 所述目标跟踪的步骤 包括： 将预备的车辆 外观特征添加至预设的目标跟踪算法的样本训练集中进行训练； 对激光雷达点云数据和相机图像数据进行特征提取， 将提取出的特征输入训练后的目 标跟踪算法中， 得到每 个目标车辆在激光雷达坐标系下和相机坐标系下的车辆 轨迹点。 5.根据权利要求1所述的车辆 轨迹优化方法， 其特 征在于， 所述目标识别前包括： 获取激光雷达点云数据并对激光雷达点云数据进行预处理， 所述激光雷达点云数据的 预处理包括点云下采样、 点云滤波、 点云聚类； 利用体素下采样方法对激光雷达点云数据进行下采样， 对下采样后的激光雷达点云数 据通过栅格滤波法或极坐标滤波法滤除地面点云， 对滤除地面点云后的激光雷达点云数据 利用半径随点云距离自适应 变化的DBSCAN 算法进行点云聚类， 输出不同聚类的点云数据。 6.根据权利要求1所述的车辆 轨迹优化方法， 其特 征在于， 所述目标识别前包括： 获取相机图像数据并对所述相机图像数据进行预处理， 所述相机图像数据的预处理包 括图像重采样和图像特征提取； 利用重采样方法对图像进行降采样， 对降采样后的图像进 行特征提取。 7.根据权利要求1所述的车辆轨迹优化方法， 其特征在于， 所述目标识别包括： 将提取 的图像特征输入预先完成训练的机器学习模型实现目标车辆识别， 所述机器学习模型为深 度学习模型、 随机森林模型、 神经网络模型、 决策树模型、 回归 模型中的任一种或多种组合。 8.根据权利要求1所述的车辆轨迹优化方法， 其特征在于， 所述空间对齐是利用激光雷 达和相机的相对安装位置， 通过标定物实现激光雷达坐标系和相 机坐标系的转换； 所述时 间对齐是利用激光雷达和相机的时间戳信息实现激光雷达和相机获取 数据的时间同步。 9.一种智能交通系统， 其特 征在于， 包括： 路侧感知装置， 所述路侧感知装置包括： 相机： 用于获取道路上的车辆图像数据， 所述相机安置在道路任一侧； 激光雷达： 用于获取道路上的车辆点云数据， 所述激光雷达安置在相机设定范围内的 任意位置处； 所述激光雷达和所述相机连接有传输模块， 所述传输模块用于上传激光雷达和相机获 取的数据； 主机： 用于接收所述传输模块上传的数据， 并根据接收的数据 执行如上述权利要求1 ‑8 任一项所述的车辆 轨迹优化方法的步骤； 所述主机布设在所述路侧感知装置边 缘端或布设在远程端。 10.根据权利要求9所述的智能交通系统， 其特征在于， 所述主机连接显示装置， 所述显 示装置用于实现所述主机执行 的数据预处理、 目标识别、 数据融合、 目标跟踪、 车辆轨迹优 化的结果展示。权　利　要　求　书 2/2 页 3 CN 114913399 A 3