Эффективное отслеживание транспортных средств является критически важным компонентом многих интеллектуальных транспортных систем (ИТС) и имеет большое значение для улучшения условий дорожного движения и окружающей среды. Возможность отслеживать транспортные средства через контролируемую зону может помочь в наблюдении и, следовательно, предотвращении нарушений правил дорожного движения, таких как превышение скорости, частая смена полосы движения и вождение в нетрезвом виде. Кроме того, отслеживание транспортных средств обеспечивает эффективное средство для изучения взаимосвязи между динамикой транспортных средств и выбросами.
В последнее время интерес к лидарным технологиям в области отслеживания транспортных средств возрос в связи со снижением стоимости и высокой точностью измерений облаков точек. Кроме того, мобильные или стационарные лидарные системы обычно состоят из определенного количества лазерных лучей, вращающихся вокруг вертикальной оси так, что окружающая среда непрерывно сканируется, значительно улучшая полноту получаемых данных. Еще одним важным фактом является то, что лидарные данные содержат 3D информацию о транспортных средствах, что необходимо для моделирования движения.
Были исследованы теоретические основы для систем воздушного лазерного сканирования (ALS), которые использовались для мониторинга движения с бортовых платформ. Несмотря на то, что полученные результаты продемонстрировали потенциал для поддержки приложений мониторинга дорожного движения, они не сопоставимы с возможностями оптических или наземных датчиков. Также был опубликован новый алгоритм обнаружения и отслеживания нескольких транспортных средств в режиме реального времени, основанный исключительно на датчике Velodyne HDL-32E, который можно разложить на три этапа: сегментацию, кластеризацию и отслеживание.
На втором этапе используется быстрый и эффективный алгоритм кластеризации в реальном времени, называемый радиально ограниченным ближайшим соседом (RBNNN). Венгерская алгоритмная процедура и адаптивная фильтрация Калмана используются для объединения данных и отслеживания. Также был настроен алгоритм динамического обнаружения и отслеживания транспортных средств для решения проблемы, при которой динамические транспортные средства, захваченные другими объектами, не могут быть обнаружены и отслежены другими методами.
Для отслеживания динамических транспортных средств алгоритм серии Scaling в сочетании с фильтром Bayesian Filter (SSBF) улучшен за счет добавления компенсации эго-движения, чтобы он мог обновлять положение и скорость для каждого транспортного средства в динамических фоновых сценах.
В отличие от применения лидаров на автономных транспортных средствах, как описано выше, лидаровые датчики для наблюдения за дорожным движением обычно устанавливаются в фиксированном месте, а не на движущемся транспортном средстве. Система слежения за транспортным средством должна быть масштабируемой и надежной для отслеживания транспортных средств с меньшим количеством лидарных точек. Также разработали структуру специально для извлечения траекторий транспортного средства с высоким разрешением из придорожных лидарных датчиков. Эта процедура включала три основных этапа: кластеризацию данных в облаке транспортных средств; оценку местоположения транспортных средств с помощью метода привязки, ориентированного на основные компоненты; и отслеживание с помощью геометрической привязки.
Была представлена автоматическая процедура отслеживания транспортного средства с датчиком придорожных лидаров, включающая фоновую фильтрацию, идентификацию полосы движения и отслеживание скорости транспортного средства. Примечательно, что при отслеживании транспортных средств по придорожным лидарным данным в ряде предыдущих исследований в качестве точки слежения использовалось среднее значение всех точек кластера, что может привести к большим ошибкам, поскольку местоположение и количество точек в одном кластере может отличаться в зависимости от расстояния до лидарного датчика. Для более точного непрерывного отслеживания местоположения и скорости транспортного средства в качестве точки слежения выбирается ближайшая к лидарному датчику на транспортном средстве точка. Если говорить более конкретно, то при приближении автомобиля-мишени к крышке ближайшей точкой является передняя угловая точка. Когда он покидает крышку, ближайшей точкой является задний угол автомобиля.
Несмотря на то, что принятая стратегия обеспечивает улучшения по сравнению с предыдущей работой, она все еще не настолько точна и удобна, как выбор фиксированной точки на протяжении всего процесса отслеживания. Чтобы определить местоположение выбранной точки слежения в каждом кадре, необходимо определить связь между каждыми двумя последовательными группами транспортных средств посредством регистрации. Во многих исследованиях использовались варианты алгоритма Iterative Closest Point (ICP) для локальной регистрации перекрывающихся 3D сканирований.
Алгоритм итеративно устанавливает соответствия между точками двух наборов облачных данных точек, рассчитывает пространственные расстояния между ними и завершается, когда сумма пространственных расстояний между ними минимальна. Однако такой подход является дорогостоящим с точки зрения вычислений, поскольку требует обширного поиска точечных соответствий между облаками точек. Более того, этот метод сталкивается с локальными минимальными проблемами и часто требует более грубого начального выравнивания для достижения оптимального решения. Чтобы избежать таких проблем при регистрации 3D облаков точек, в некоторых исследованиях были предложены подходы, основанные на регистрации 2D изображений облаков точек.
Для того, чтобы осуществлять непрерывное и точное слежение за транспортным средством с помощью придорожных лидарных данных, данное исследование фокусируется на системе слежения на основе изображений через фиксированную точку. Преобразовывая каждую группу точек 3D лидара транспортного средства в 2D изображение как в плане, так и сбоку вдоль траектории движения транспортного средства, проблема 3D отслеживания транспортного средства на основе облака точек разлагается на две процедуры отслеживания транспортного средства на основе изображений. Чтобы определить местоположение выбранной точки слежения в каждом кадре, регистрация изображения выполняется с использованием шаблона для определения параметров преобразования для каждых двух последовательных изображений. Предлагаемый метод направлен на улучшение отслеживания транспортных средств через пункты, а не через кластеры. Кроме того, отслеживание в разложенном виде дает возможность перекрестной проверки результатов на основе различных мнений.