一种机动车超重检测方法、装置、设备、系统及存储介质与流程

1.本发明属于车辆检测技术领域，具体涉及一种机动车超重检测方法、装置、设备、系统及存储介质。


背景技术：

2.随着经济社会的快速发展，交通运输的种类方式也越来越多样化，现代化的交通运输方式主要有铁路运输、公路运输、水路运输和航空运输，其中，公路运输由于其适应强的优点始终是交通运输中重要的组成部分。
3.在实际的公路运输中，由于每日在公路上行驶的汽车数量较多，会使得公路持续性较差，需要经常进行维护保养，特别是一些超重车辆在公路上行驶时，会对路面造成巨大的损伤，尤其是当超重车辆在经过一些桥梁路面时，轻者会造成桥体的内部损伤，重者甚至会导致桥梁垮塌，进而导致重大的经济损失和人员伤亡事件，因此有必要对公路上的行驶车辆进行定点称重检测，以便及时发现超重车辆。
4.目前的机动车超重检测方案只是通过定点布置的地面称重设备来采集机动车重量，使得有些机动车会通过走s型路线来达成该地面称重设备测量失误的目的，从而规避超重处罚，因此如何提供一种机动车超重检测新方案来防止机动车通过走s型路线达成称重作弊目的，是本领域技术人员亟需研究的课题。


技术实现要素：

5.本发明的目的是提供一种机动车超重检测方法、装置、系统、计算机设备及计算机可读存储介质，用以解决现有机动车超重检测方案无法防止机动车通过走s型路线达成称重作弊目的的问题。
6.为了实现上述目的，本发明采用以下技术方案：
7.第一方面，提供了一种机动车超重检测方法，包括：
8.获取由雷达对称重路段区域实时采集的雷达数据、由摄像头对所述称重路段区域实时采集的视频数据以及由地面称重设备实时采集的称重数据，其中，所述地面称重设备布置在所述称重路段区域；
9.根据所述雷达数据和所述视频数据，采用雷视融合跟踪方式跟踪出现在所述称重路段区域中的各个机动车，得到车辆跟踪结果，其中，所述车辆跟踪结果包含有所述各个机动车的车体标记框和路段通过车速，所述机动车包括有实验用机动车和非实验用机动车，所述实验用机动车是指以不同的已知实际车重、轨迹类型和/或车速多次先于所述非实验用机动车通过所述称重路段区域的机动车辆；
10.针对所述各个机动车，根据在所述车辆跟踪结果中的且对应的车体标记框，确定对应的路段通过轨迹类型；
11.从所述称重数据中提取出所述各个机动车在通过所述称重路段区域时采集的测量车重；
12.根据所述实验用机动车的且在多次通过所述称重路段区域时记录的多个已知实际车重、多个测量车重、多个路段通过轨迹类型和多个路段通过车速，拟合得到实际车重与测量车重、路段通过轨迹类型和路段通过车速的映射函数，其中，所述多个已知实际车重、所述多个测量车重、所述多个路段通过轨迹类型和所述多个路段通过车速分别与所述多次一一对应；
13.将所述非实验用机动车的测量车重、路段通过轨迹类型和路段通过车速导入所述映射函数，得到所述非实验用机动车的实际车重；
14.判断所述非实验用机动车的实际车重是否超过预设车重阈值；
15.若是，则判定所述非实验用机动车超重，并触发报警动作。
16.基于上述发明内容，提供了一种结合雷视融合技术来辅助称重的机动车超重检测新方案，即先根据雷达数据和视频数据，采用雷视融合跟踪方式跟踪出现在称重路段区域中的各个机动车，得到各个机动车的路段通过轨迹类型和路段通过车速，以及从称重数据中提取出各个机动车的测量车重，然后根据实验用机动车的且在多次通过称重路段区域时记录的多个已知实际车重、多个测量车重、多个路段通过轨迹类型和多个路段通过车速，拟合得到实际车重与测量车重、路段通过轨迹类型和路段通过车速的映射函数，最后将非实验用机动车的测量车重、路段通过轨迹类型和路段通过车速导入映射函数，得到非实验用机动车的实际车重，并通过阈值比较方式判断是否超重，如此通过结合雷视融合技术，可以有效防止机动车通过走s型路线达成称重作弊目的，便于实际应用和推广。
17.在一个可能的设计中，根据所述雷达数据和所述视频数据，采用雷视融合跟踪方式跟踪出现在所述称重路段区域中的各个机动车，得到车辆跟踪结果，包括有：雷达目标检测环节、雷达目标跟踪环节、图像目标检测环节、图像目标跟踪环节和目标识别跟踪结果融合环节；
18.所述雷达目标检测环节，用于根据所述雷达数据检测得到出现在所述称重路段区域中的各个障碍物体的位置、速度和方位角；
19.所述雷达目标跟踪环节，用于根据所述雷达数据，采用hm对象跟踪器跟踪所述各个障碍物体，得到所述各个障碍物体的雷达目标跟踪结果；
20.所述图像目标检测环节，用于根据所述视频数据，采用yolo v4目标检测模型识别得到出现在所述称重路段区域中的各个目标物体，得到所述各个目标物体的物体标记框，其中，所述目标物体包含有机动车；
21.所述图像目标跟踪环节，用于根据所述视频数据，采用deepsort多目标跟踪算法跟踪所述各个目标物体，得到所述各个目标物体的视频目标跟踪结果；
22.所述目标识别跟踪结果融合环节，用于根据所述各个障碍物体的位置和方位角以及基于相机标定法确定的所述各个目标物体相对所述摄像头的位置方位，确定为同一物体的至少一对障碍物体与目标物体，并针对所述至少一对障碍物体与目标物体中的各对障碍物体与目标物体，融合对应障碍物体的速度和雷达目标跟踪结果以及对应目标物体的物体标记框和视频目标跟踪结果，得到车辆跟踪结果，其中，所述车辆跟踪结果包含有出现在所述称重路段区域中的各个机动车的车体标记框和路段通过车速，所述机动车包括有实验用机动车和非实验用机动车，所述实验用机动车是指以不同的已知实际车重、轨迹类型和/或车速多次先于所述非实验用机动车通过所述称重路段区域的机动车辆。
23.在一个可能的设计中，针对所述各个机动车，根据在所述车辆跟踪结果中的且对应的车体标记框，确定对应的路段通过轨迹类型，包括：
24.针对所述各个机动车，将在所述车辆跟踪结果中的且对应的车体标记框的框体中心点作为对应的车体中心点，并基于该车体中心点在时序上的三维坐标形成对应的运动轨迹；
25.针对所述各个机动车，将对应的运动轨迹导入基于神经网络的且已预先完成训练的轨迹类型识别模型，输出得到对应的路段通过轨迹类型。
26.在一个可能的设计中，所述路段通过轨迹类型包括直线轨迹类型和s线轨迹类型。
27.在一个可能的设计中，所述映射函数采用如下公式表示：
[0028][0029]
式中，w表示实际车重，f()表示所述映射函数，表示测量车重，t表示路段通过轨迹类型，v表示路段通过车速，a1表示经拟合求得的且在路段通过轨迹类型为直线轨迹类型时测量车重对实际车重的影响系数，b1表示经拟合求得的且在路段通过轨迹类型为直线轨迹类型时路段通过车速对实际车重的影响系数，c1表示经拟合求得的且在路段通过轨迹类型为直线轨迹类型时会对实际车重产生影响的偏置系数，a2表示经拟合求得的且在路段通过轨迹类型为s线轨迹类型时测量车重对实际车重的影响系数，b2表示经拟合求得的且在路段通过轨迹类型为s线轨迹类型时路段通过车速对实际车重的影响系数，c2表示经拟合求得的且在路段通过轨迹类型为s线轨迹类型时会对实际车重产生影响的偏置系数。
[0030]
在一个可能的设计中，触发报警动作，包括：
[0031]
从所述车辆跟踪结果中抽取包含有所述非实验用机动车的车辆图像和车体标记框的视频画面；
[0032]
从所述视频画面中截取所述非实验用机动车的车辆图像，并对所述车辆图像进行车牌矩形轮廓检测处理，得到车牌标记框；
[0033]
根据所述车牌标记框，从所述车辆图像中截取出车牌图像；
[0034]
采用字符识别包pytesseract对所述车牌图像进行字符识别处理，得到字符串，并将所述字符串作为所述非实验用机动车的车牌号码；
[0035]
根据所述非实验用机动车的车牌号码和实际车重生成超重报警消息，并将所述超重报警消息上传至机动车超重监管平台。
[0036]
第二方面，提供了一种机动车超重检测装置，包括有数据获取模块、车辆跟踪模块、轨迹类型确定模块、测量车重提取模块、映射函数拟合模块、实际车重计算模块、超重判断模块和超重报警模块；
[0037]
所述数据获取模块，用于获取由雷达对称重路段区域实时采集的雷达数据、由摄像头对所述称重路段区域实时采集的视频数据以及由地面称重设备实时采集的称重数据，其中，所述地面称重设备布置在所述称重路段区域；
[0038]
所述车辆跟踪模块，通信连接所述数据获取模块，用于根据所述雷达数据和所述视频数据，采用雷视融合跟踪方式跟踪出现在所述称重路段区域中的各个机动车，得到车辆跟踪结果，其中，所述车辆跟踪结果包含有所述各个机动车的车体标记框和路段通过车速，所述机动车包括有实验用机动车和非实验用机动车，所述实验用机动车是指以不同的
已知实际车重、轨迹类型和/或车速多次先于所述非实验用机动车通过所述称重路段区域的机动车辆；
[0039]
所述轨迹类型确定模块，通信连接所述车辆跟踪模块，用于针对所述各个机动车，根据在所述车辆跟踪结果中的且对应的车体标记框，确定对应的路段通过轨迹类型；
[0040]
所述测量车重提取模块，通信连接所述数据获取模块，用于从所述称重数据中提取出所述各个机动车在通过所述称重路段区域时采集的测量车重；
[0041]
所述映射函数拟合模块，分别通信连接所述车辆跟踪模块、所述轨迹类型确定模块和所述测量车重提取模块，用于根据所述实验用机动车的且在多次通过所述称重路段区域时记录的多个已知实际车重、多个测量车重、多个路段通过轨迹类型和多个路段通过车速，拟合得到实际车重与测量车重、路段通过轨迹类型和路段通过车速的映射函数，其中，所述多个已知实际车重、所述多个测量车重、所述多个路段通过轨迹类型和所述多个路段通过车速分别与所述多次一一对应；
[0042]
所述实际车重计算模块，分别通信连接所述车辆跟踪模块、所述轨迹类型确定模块、所述测量车重提取模块和所述映射函数拟合模块，用于将所述非实验用机动车的测量车重、路段通过轨迹类型和路段通过车速导入所述映射函数，得到所述非实验用机动车的实际车重；
[0043]
所述超重判断模块，通信连接所述实际车重计算模块，用于判断所述非实验用机动车的实际车重是否超过预设车重阈值；
[0044]
所述超重报警模块，通信连接所述超重判断模块，用于在判定所述非实验用机动车的实际车重超过所述预设车重阈值时，判定所述非实验用机动车超重，并触发报警动作。
[0045]
在一个可能的设计中，所述车辆跟踪模块包括有雷达目标检测单元、雷达目标跟踪单元、图像目标检测单元、图像目标跟踪单元和目标识别跟踪结果融合单元；
[0046]
所述雷达目标检测单元，用于根据所述雷达数据检测得到出现在所述称重路段区域中的各个障碍物体的位置、速度和方位角；
[0047]
所述雷达目标跟踪单元，用于根据所述雷达数据，采用hm对象跟踪器跟踪所述各个障碍物体，得到所述各个障碍物体的雷达目标跟踪结果；
[0048]
所述图像目标检测单元，用于根据所述视频数据，采用yolo v4目标检测模型识别得到出现在所述称重路段区域中的各个目标物体，得到所述各个目标物体的物体标记框，其中，所述目标物体包含有机动车；
[0049]
所述图像目标跟踪单元，用于根据所述视频数据，采用deepsort多目标跟踪算法跟踪所述各个目标物体，得到所述各个目标物体的视频目标跟踪结果；
[0050]
所述目标识别跟踪结果融合单元，分别通信连接所述雷达目标检测单元、所述雷达目标跟踪单元、所述图像目标检测单元和所述图像目标跟踪单元，用于根据所述各个障碍物体的位置和方位角以及基于相机标定法确定的所述各个目标物体相对所述摄像头的位置方位，确定为同一物体的至少一对障碍物体与目标物体，并针对所述至少一对障碍物体与目标物体中的各对障碍物体与目标物体，融合对应障碍物体的速度和雷达目标跟踪结果以及对应目标物体的物体标记框和视频目标跟踪结果，得到车辆跟踪结果，其中，所述车辆跟踪结果包含有出现在所述称重路段区域中的各个机动车的车体标记框和路段通过车速，所述机动车包括有实验用机动车和非实验用机动车，所述实验用机动车是指以不同的
已知实际车重、轨迹类型和/或车速多次先于所述非实验用机动车通过所述称重路段区域的机动车辆。
[0051]
第三方面，本发明提供了一种机动车超重检测系统，包括有雷达、摄像头、地面称重设备和智能路侧设备，其中，所述智能路侧设备分别通信连接所述雷达、所述摄像头和所述地面称重设备；
[0052]
所述雷达，用于实时采集获取称重路段区域的雷达数据，并将所述雷达数据实时传输至所述智能路侧设备；
[0053]
所述摄像头，用于实时采集获取所述称重路段区域的视频数据，并将所述视频数据实时传输至所述智能路侧设备；
[0054]
所述地面称重设备，布置在所述称重路段区域，用于实时采集称重数据，并将所述称重数据实时传输至所述智能路侧设备；
[0055]
所述智能路侧设备，用于执行如第一方面或第一方面中任意可能设计所述的机动车超重检测方法。
[0056]
第四方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的机动车超重检测方法。
[0057]
第五方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的机动车超重检测方法。
[0058]
第六方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的机动车超重检测方法。
[0059]
上述方案的有益效果：
[0060]
(1)本发明创造性提供了一种结合雷视融合技术来辅助称重的机动车超重检测新方案，即先根据雷达数据和视频数据，采用雷视融合跟踪方式跟踪出现在称重路段区域中的各个机动车，得到各个机动车的路段通过轨迹类型和路段通过车速，以及从称重数据中提取出各个机动车的测量车重，然后根据实验用机动车的且在多次通过称重路段区域时记录的多个已知实际车重、多个测量车重、多个路段通过轨迹类型和多个路段通过车速，拟合得到实际车重与测量车重、路段通过轨迹类型和路段通过车速的映射函数，最后将非实验用机动车的测量车重、路段通过轨迹类型和路段通过车速导入映射函数，得到非实验用机动车的实际车重，并通过阈值比较方式判断是否超重，如此通过结合雷视融合技术，可以有效防止机动车通过走s型路线达成称重作弊目的，便于实际应用和推广。
附图说明
[0061]
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，下面将对实施例或现有技术描述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。
[0062]
图1为本技术实施例提供的机动车超重检测方法的流程示意图。
[0063]
图2为本技术实施例提供的基于雷达数据进行障碍物体方位角检测的原理图。
[0064]
图3为本技术实施例提供的基于雷视融合跟踪方式所得车辆跟踪结果的示例图。
[0065]
图4为本技术实施例提供的机动车超重检测装置的结构示意图。
[0066]
图5为本技术实施例提供的机动车超重检测系统的结构示意图。
[0067]
图6为本技术实施例提供的计算机设备的结构示意图。
具体实施方式
[0068]
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，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述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。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
[0069]
应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。
[0070]
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a、单独存在b或者同时存在a和b等三种情况；又例如，a、b和/或c，可以表示存在a、b和c中的任意一种或他们的任意组合；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，a/和b，可以表示：单独存在a或者同时存在a和b等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
[0071]
实施例：
[0072]
如图1所示，本实施例第一方面提供的所述机动车超重检测方法，可以但不限于由具有一定计算资源的且分别通信连接雷达、摄像头和地面称重设备的计算机设备执行，例如由智能路侧设备(road side unit,rsu，是一种作为车路协同系统中道路基础设施网络化及智能化的关键基础设备)、平台服务器、个人计算机(personal computer，pc，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(personal digital assistant，pda)或可穿戴设备等电子设备执行。如图1所示，所述机动车超重检测方法，可以但不限于包括有如下步骤s1～s8。
[0073]
s1.获取由雷达对称重路段区域实时采集的雷达数据、由摄像头对所述称重路段区域实时采集的视频数据以及由地面称重设备实时采集的称重数据，其中，所述地面称重设备布置在所述称重路段区域。
[0074]
在所述步骤s1中，所述称重路段区域即为现有机动车超重检测方案中的定点称重区域。所述雷达的探测范围涵盖所述称重路段区域，用于通过电磁波的发射及接收方式实时采集得到作为交通现场监控数据的雷达数据；所述雷达可以但不限于具体采用毫米波雷达。所述摄像头的镜头视野也涵盖所述称重路段区域，用于实时采集所述称重路段区域的
视频帧图像，得到包含有若干连续视频帧图像的且作为另一交通现场监控数据的的视频数据；所述摄像头可以但不限于具体采用双目相机。所述地面称重设备即为现有机动车超重检测方案中的必备设备。此外，所述雷达、所述摄像头和所述地面称重设备可以通过常规方式进行布置，并将采集得到的数据传输至本地设备。
[0075]
s2.根据所述雷达数据和所述视频数据，采用雷视融合跟踪方式跟踪出现在所述称重路段区域中的各个机动车，得到车辆跟踪结果，其中，所述车辆跟踪结果包含有所述各个机动车的车体标记框和路段通过车速，所述机动车包括有实验用机动车和非实验用机动车，所述实验用机动车是指以不同的已知实际车重、轨迹类型和/或车速多次先于所述非实验用机动车通过所述称重路段区域的机动车辆。
[0076]
在所述步骤s2中，雷视融合是将视频数据与毫米波雷达数据进行多维融合，并结合相关算法能力，以多频段感知实现对路面信息的数据采集和特征分析，并作出决策。具体的，根据所述雷达数据和所述视频数据，采用雷视融合跟踪方式跟踪出现在所述称重路段区域中的各个机动车，得到车辆跟踪结果，包括但不限于有：雷达目标检测环节、雷达目标跟踪环节、图像目标检测环节、图像目标跟踪环节和目标识别跟踪结果融合环节。
[0077]
所述雷达目标检测环节，用于根据所述雷达数据检测得到出现在所述称重路段区域中的各个障碍物体的位置、速度和方位角。所述障碍物体可以但不限于为机动车等物体，其位置、速度和方位角的具体获取方式，可以但不限于包括如下：(1)针对位置，由于毫米波雷达是通过发射天线发出相应波段的且有指向性的毫米波，当毫米波遇到障碍物体后会反射回来，再通过接收天线接收反射回来的毫米波，如此可根据毫米波的波段，通过公式计算毫米波在途中飞行的时间
×
光速
÷
2，再结合雷达的静止特点和车辆的行驶速度等因素，就可以知道毫米波雷达与障碍物体之间的相对距离了，同时也就知道该障碍物体的位置。(2)针对速度，由于根据多普勒效应，毫米波反射回波的频率变化与车辆相对雷达的速度是紧密相关的，因此根据毫米波反射回波的频率变化，可以得知在雷达前方实时跟踪的障碍物体与静止雷达相比的相对运动速度，即表现出来就是，障碍物体减速，毫米波反射回波的频率将会越来越高，反之则频率越来越低。(3)针对方位角，由于毫米雷达的探测原理是：通过毫米波雷达的发射天线发射出毫米波后，若毫米波遇到障碍物体会反射回来，通过毫米波雷达并列的接收天线，可收到同一障碍物体反射回来的毫米波的相位差，就可以计算出被障碍物体的所处方位角了；举例的，如图2所示，通过毫米波雷达接收天线rx1和接收天线rx2之间的几何距离d，以及这两根毫米波雷达天线所收到反射回波的相位差b，即可利用三角函数计算得到方位角α
az
的值，这样就可以知道障碍物体target的所处方位角了。
[0078]
所述雷达目标跟踪环节，用于根据所述雷达数据，采用hm对象跟踪器跟踪所述各个障碍物体，得到所述各个障碍物体的雷达目标跟踪结果。所述hm对象跟踪器(hm object tracker)是一种跟踪分段检测到的障碍物的现有感知分析工具；通常它是通过将当前检测与现有跟踪列表相关联，来形成和更新跟踪列表，如不再存在，则删除旧的跟踪列表，并在识别出新的检测时生成新的跟踪列表；更新后的跟踪列表的运动状态将在关联后进行估计。在所述hm对象跟踪器中，匈牙利算法用于检测到跟踪关联，并采用鲁棒卡尔曼滤波器进行运动估计。所述hm对象跟踪器的主要跟踪流程如下：(1)预处理，包括物体对象坐标系转换；对每个物体创建跟踪对象，加入跟踪列表；记录现在被跟踪的对象；(2)卡尔曼滤波器滤波，预测物体当前位置与速度(卡尔曼滤波阶段1：预测阶段)；(3)匈牙利算法匹配，关联检
测物体和跟踪物体；(4)卡尔曼滤波，更新跟踪物体位置与速度信息(卡尔曼滤波阶段2：更新阶段)。
[0079]
所述图像目标检测环节，用于根据所述视频数据，采用yolo v4目标检测模型识别得到出现在所述称重路段区域中的各个目标物体，得到所述各个目标物体的物体标记框，其中，所述目标物体包含有机动车。所述yolo v4目标检测模型由三部分组成，分别是骨干网络backbone、颈部网络neck和头部网络head。所述骨干网络backbone可采用cspdarknet53(csp表示cross stage partial)网络，用于提取特征。所述颈部网络neck由spp(spatial pyramid pooling block)块和panet(path aggregation network)网络组成，前者用于增加感受野以及分离出最重要的特征，后者用于保证同时从高级别层接受语义特征和从横向骨干网络的低级别层接收细粒度的特征。所述头部网络head是基于锚框进行检测，并对三种不同尺寸的特征图：尺寸为13
×
13的特征图、尺寸为26
×
26的特征图和尺寸为52
×
52的特征图进行检测，分别用于检测从大到小的目标(在这里，尺寸大的特征图包含到信息更加丰富，因此，尺寸为52
×
52的特征图用于检测小目标，反之亦然)。此外，利用所述yolo v4目标检测模型进行目标物体检测的具体用法为现有技术，于此不再赘述。
[0080]
所述图像目标跟踪环节，用于根据所述视频数据，采用deepsort多目标跟踪算法跟踪所述各个目标物体，得到所述各个目标物体的视频目标跟踪结果。所述deepsort多目标跟踪算法的具体流程如下：(1)在第一帧视频图像进来时，以检测到的目标初始化并创建新的跟踪器，标注id；(2)在后面视频图像帧进来时，先到卡尔曼滤波器中得到由前面帧box产生的状态预测和协方差预测，求跟踪器所有目标状态预测与本帧检测的box的iou(intersection over union)，通过匈牙利指派算法得到iou最大的唯一匹配(数据关联部分)，再去掉匹配值小于iou_threshold的匹配对；(3)用本帧中匹配到的目标检测box去更新卡尔曼跟踪器，计算卡尔曼增益、状态更新和协方差更新，并将状态更新值输出，作为本帧的跟踪box，同时对于本帧中没有匹配到的目标重新初始化跟踪器。考虑在未匹配的跟踪目标中可能就包含了被遮挡的目标，只是在当前帧图像中没有被检测到，因此在所述deepsort多目标跟踪算法中，优选包括有：针对未匹配的跟踪目标，根据对应的当前预测位置判断是否离开所述称重路段区域(即根据当前预测位置与帧图像边界的位置关系，判断是否仍出现在帧图像中，若在，则判定未离开所述称重路段区域，否则判定离开所述称重路段区域)，若是，则在下一次位置预测时舍弃该跟踪目标，否则在下一次位置预测时依然使用卡尔曼滤波法预测对应的位置。如此在发现跟踪目标被遮挡时(即在跟踪目标未匹配有检测目标且当前预测位置仍出现在当前帧图像中)，可将该跟踪目标标记为被遮挡masked，然后依旧使用卡尔曼滤波法预测在下一帧图像中的位置，直到匹配有检测目标或发现该跟踪目标超出图像的范围为止，进而相对于一般的丢弃处理方法，可以避免因遮挡而提前终止视频跟踪，确保跟踪的长期持续性。
[0081]
所述目标识别跟踪结果融合环节，用于根据所述各个障碍物体的位置和方位角以及基于相机标定法确定的所述各个目标物体相对所述摄像头的位置方位，确定为同一物体的至少一对障碍物体与目标物体，并针对所述至少一对障碍物体与目标物体中的各对障碍物体与目标物体，融合对应障碍物体的速度和雷达目标跟踪结果以及对应目标物体的物体标记框和视频目标跟踪结果，得到车辆跟踪结果，其中，所述车辆跟踪结果包含有出现在所述称重路段区域中的各个机动车的车体标记框和路段通过车速，所述机动车包括有实验用
机动车和非实验用机动车，所述实验用机动车是指以不同的已知实际车重、轨迹类型和/或车速多次先于所述非实验用机动车通过所述称重路段区域的机动车辆。前述的相机标定就是通过输入带有标定pattern的标定板来计算相机参数，以便用简单的数学模型(求解这个数学模型，也就是求解相机的参数，包括相机的内参、外参以及畸变参数等)来表达复杂的成像过程。本实施例采用传统相机标定法，该方法需要使用尺寸已知的标定物，通过建立标定物上坐标已知的点与其图像点之间的对应，利用一定的算法获得相机模型的内外参数；根据标定物的不同可分为三维标定物和平面型标定物，其中，所述三维标定物可由单幅图像进行标定，标定精度较高，但高精密三维标定物的加工和维护较困难，所述平面型标定物比三维标定物制作简单，精度易保证，但标定时必须采用两幅或两幅以上的图像。所述传统相机标定法在标定过程中始终需要标定物，且标定物的制作精度会影响标定结果。前述融合的具体细节为现有技术细节，最终可得到如图3所示的雷视融合效果，举例的，在显示标签“car(79:45)”中，car表示目标检测的类别——机动车，79表示车辆id，45则表示车辆速度(单位为千米每小时)。所述轨迹类型可以举例但不限于有直线轨迹类型和s线轨迹类型等；所述车速可以举例但不限于有1千米每小时、2千米每小时、5千米每小时、10千米每小时和20千米每小时等。所述实验用机动车每次通过所述称重路段区域的状态为多个已知实际车重、至少两个轨迹类型和多个车速中的任意组合。此外，所述非实验用机动车即为待超重检测的目标车辆。
[0082]
s3.针对所述各个机动车，根据在所述车辆跟踪结果中的且对应的车体标记框，确定对应的路段通过轨迹类型。
[0083]
在所述步骤s3中，所述路段通过轨迹类型包括但不限于有直线轨迹类型和s线轨迹类型等，因此针对某个机动车，对应的路段通过轨迹类型会具体为直线轨迹类型或s线轨迹类型。具体的，针对所述各个机动车，根据在所述车辆跟踪结果中的且对应的车体标记框，确定对应的路段通过轨迹类型，包括但不限于有：先针对所述各个机动车，将在所述车辆跟踪结果中的且对应的车体标记框的框体中心点作为对应的车体中心点，并基于该车体中心点在时序上的三维坐标形成对应的运动轨迹；然后针对所述各个机动车，将对应的运动轨迹导入基于神经网络的且已预先完成训练的轨迹类型识别模型，输出得到对应的路段通过轨迹类型。前述的三维坐标可以基于传统相机标定法确定得到。此外，所述轨迹类型识别模型可以基于大量标注有类型信息(即直线轨迹类型和s线轨迹类型)的轨迹样本常规训练得到。
[0084]
s4.从所述称重数据中提取出所述各个机动车在通过所述称重路段区域时采集的测量车重。
[0085]
在所述步骤s4中，由于所述称重数据也是实时采集的，因此可以基于时间关系将测量车重与机动车绑定起来，例如针对在11：00点通过所述称重路段区域的某个机动车，可以将在11：00采集的称重数据作为对应的测量车重。
[0086]
s5.根据所述实验用机动车的且在多次通过所述称重路段区域时记录的多个已知实际车重、多个测量车重、多个路段通过轨迹类型和多个路段通过车速，拟合得到实际车重与测量车重、路段通过轨迹类型和路段通过车速的映射函数，其中，所述多个已知实际车重、所述多个测量车重、所述多个路段通过轨迹类型和所述多个路段通过车速分别与所述多次一一对应。
[0087]
在所述步骤s5中，所述多个已知实际车重主要由实验人员在实验过程中输入记录得到，而其它内容可以基于前述步骤s2～s4自动记录得到。前述拟合的具体手段为现有技术，例如基于最小二乘法进行拟合，最终拟合得到的所述映射函数可以但不限于采用如下公式表示：
[0088][0089]
式中，w表示实际车重，f()表示所述映射函数，表示测量车重，t表示路段通过轨迹类型，v表示路段通过车速，a1表示经拟合求得的且在路段通过轨迹类型为直线轨迹类型时测量车重对实际车重的影响系数，b1表示经拟合求得的且在路段通过轨迹类型为直线轨迹类型时路段通过车速对实际车重的影响系数，c1表示经拟合求得的且在路段通过轨迹类型为直线轨迹类型时会对实际车重产生影响的偏置系数，a2表示经拟合求得的且在路段通过轨迹类型为s线轨迹类型时测量车重对实际车重的影响系数，b2表示经拟合求得的且在路段通过轨迹类型为s线轨迹类型时路段通过车速对实际车重的影响系数，c2表示经拟合求得的且在路段通过轨迹类型为s线轨迹类型时会对实际车重产生影响的偏置系数。此外，若在将所述各个实验用机动车的运动轨迹导入所述轨迹类型识别模型后输出得到为s线轨迹类型的概率η，则还可以最终拟合得到如下的另一映射函数：
[0090][0091]
式中，w表示实际车重，f
′
()表示所述另一映射函数，表示测量车重，t表示路段通过轨迹类型，v表示路段通过车速，a3表示经拟合求得的且测量车重对实际车重的影响系数，d3表示经拟合求得的且概率η对实际车重的影响系数，b3表示经拟合求得的且路段通过车速对实际车重的影响系数，c3表示经拟合求得的且会对实际车重产生影响的偏置系数，
[0092]
s6.将所述非实验用机动车的测量车重、路段通过轨迹类型和路段通过车速导入所述映射函数，得到所述非实验用机动车的实际车重。
[0093]
在所述步骤s6中，若在将所述非实验用机动车的运动轨迹导入所述轨迹类型识别模型后输出得到为直线轨迹类型的概率η1和为s线轨迹类型的概率η2，则还可以根据所述非实验用机动车的测量车重、路段通过轨迹类型、路段通过车速和所述映射函数，按照如下公式计算得到所述非实验用机动车的实际车重：其中，η1+η2＝1；或者根据所述非实验用机动车的测量车重、路段通过轨迹类型、路段通过车速和所述另一映射函数，按照如下公式计算得到所述非实验用机动车的实际车重：
[0094]
s7.判断所述非实验用机动车的实际车重是否超过预设车重阈值。
[0095]
在所述步骤s7中，所述预设车重阈值可以但不限于根据前方路面的承重设计来具体设定，例如为30吨。
[0096]
s8.若是，则判定所述非实验用机动车超重，并触发报警动作。
[0097]
在所述步骤s8中，具体的，触发报警动作，包括但不限于有如下步骤s71～s75：s71.从所述车辆跟踪结果中抽取包含有所述非实验用机动车的车辆图像和车体标记框的视频画面；s72.从所述视频画面中截取所述非实验用机动车的车辆图像，并对所述车辆图
像进行车牌矩形轮廓检测处理，得到车牌标记框；s73.根据所述车牌标记框，从所述车辆图像中截取出车牌图像；s74.采用字符识别包pytesseract对所述车牌图像进行字符识别处理，得到字符串，并将所述字符串作为所述非实验用机动车的车牌号码；s75.根据所述非实验用机动车的车牌号码和实际车重生成超重报警消息，并将所述超重报警消息上传至机动车超重监管平台。在前述步骤s72中，具体可以但不限于使用跨平台计算机视觉库opencv中的矩形轮廓检测函数来寻找所述车牌标记框，并可以结合已知的车牌确切尺寸、颜色和大致位置等信息，来提高检测准确性。所述字符识别包pytesseract是一种现有的ocr(optical character recognition，光学字符识别)工具。由于是将所述超重报警消息携带有超重车辆的车牌号码和实际车重，因此可以利于所述机动车超重监管平台派出人力物力去进行查证和处罚，有效防止机动车通过走s型路线达成称重作弊目的。此外，在获取所述非实验用机动车的车牌号码之后，还可以根据该车牌号码联网查询所述非实验用机动车的年检车重及额定载重，然后结合所述实际车重判断所述非实验用机动车的当前载重(即实际车重减去年检车重)是否超过该额定载重，若是，则还可判定所述非实验用机动车存在超载问题，并根据所述非实验用机动车的车牌号码、实际车重和当前载重生成超载报警消息，并将所述超载报警消息上传至机动车超载监管平台(其与所述机动车超重监管平台可以为同一平台)。
[0098]
由此基于前述步骤s1～s8所描述的机动车超重检测方法，提供了一种结合雷视融合技术来辅助称重的机动车超重检测新方案，即先根据雷达数据和视频数据，采用雷视融合跟踪方式跟踪出现在称重路段区域中的各个机动车，得到各个机动车的路段通过轨迹类型和路段通过车速，以及从称重数据中提取出各个机动车的测量车重，然后根据实验用机动车的且在多次通过称重路段区域时记录的多个已知实际车重、多个测量车重、多个路段通过轨迹类型和多个路段通过车速，拟合得到实际车重与测量车重、路段通过轨迹类型和路段通过车速的映射函数，最后将非实验用机动车的测量车重、路段通过轨迹类型和路段通过车速导入映射函数，得到非实验用机动车的实际车重，并通过阈值比较方式判断是否超重，如此通过结合雷视融合技术，可以有效防止机动车通过走s型路线达成称重作弊目的，便于实际应用和推广。
[0099]
如图4所示，本实施例第二方面提供了一种实现第一方面所述的机动车超重检测方法的虚拟装置，包括有数据获取模块、车辆跟踪模块、轨迹类型确定模块、测量车重提取模块、映射函数拟合模块、实际车重计算模块、超重判断模块和超重报警模块；
[0100]
所述数据获取模块，用于获取由雷达对称重路段区域实时采集的雷达数据、由摄像头对所述称重路段区域实时采集的视频数据以及由地面称重设备实时采集的称重数据，其中，所述地面称重设备布置在所述称重路段区域；
[0101]
所述车辆跟踪模块，通信连接所述数据获取模块，用于根据所述雷达数据和所述视频数据，采用雷视融合跟踪方式跟踪出现在所述称重路段区域中的各个机动车，得到车辆跟踪结果，其中，所述车辆跟踪结果包含有所述各个机动车的车体标记框和路段通过车速，所述机动车包括有实验用机动车和非实验用机动车，所述实验用机动车是指以不同的已知实际车重、轨迹类型和/或车速多次先于所述非实验用机动车通过所述称重路段区域的机动车辆；
[0102]
所述轨迹类型确定模块，通信连接所述车辆跟踪模块，用于针对所述各个机动车，
根据在所述车辆跟踪结果中的且对应的车体标记框，确定对应的路段通过轨迹类型；
[0103]
所述测量车重提取模块，通信连接所述数据获取模块，用于从所述称重数据中提取出所述各个机动车在通过所述称重路段区域时采集的测量车重；
[0104]
所述映射函数拟合模块，分别通信连接所述车辆跟踪模块、所述轨迹类型确定模块和所述测量车重提取模块，用于根据所述实验用机动车的且在多次通过所述称重路段区域时记录的多个已知实际车重、多个测量车重、多个路段通过轨迹类型和多个路段通过车速，拟合得到实际车重与测量车重、路段通过轨迹类型和路段通过车速的映射函数，其中，所述多个已知实际车重、所述多个测量车重、所述多个路段通过轨迹类型和所述多个路段通过车速分别与所述多次一一对应；
[0105]
所述实际车重计算模块，分别通信连接所述车辆跟踪模块、所述轨迹类型确定模块、所述测量车重提取模块和所述映射函数拟合模块，用于将所述非实验用机动车的测量车重、路段通过轨迹类型和路段通过车速导入所述映射函数，得到所述非实验用机动车的实际车重；
[0106]
所述超重判断模块，通信连接所述实际车重计算模块，用于判断所述非实验用机动车的实际车重是否超过预设车重阈值；
[0107]
所述超重报警模块，通信连接所述超重判断模块，用于在判定所述非实验用机动车的实际车重超过所述预设车重阈值时，判定所述非实验用机动车超重，并触发报警动作。
[0108]
在一个可能的设计中，所述车辆跟踪模块包括有雷达目标检测单元、雷达目标跟踪单元、图像目标检测单元、图像目标跟踪单元和目标识别跟踪结果融合单元；
[0109]
所述雷达目标检测单元，用于根据所述雷达数据检测得到出现在所述称重路段区域中的各个障碍物体的位置、速度和方位角；
[0110]
所述雷达目标跟踪单元，用于根据所述雷达数据，采用hm对象跟踪器跟踪所述各个障碍物体，得到所述各个障碍物体的雷达目标跟踪结果；
[0111]
所述图像目标检测单元，用于根据所述视频数据，采用yolo v4目标检测模型识别得到出现在所述称重路段区域中的各个目标物体，得到所述各个目标物体的物体标记框，其中，所述目标物体包含有机动车；
[0112]
所述图像目标跟踪单元，用于根据所述视频数据，采用deepsort多目标跟踪算法跟踪所述各个目标物体，得到所述各个目标物体的视频目标跟踪结果；
[0113]
所述目标识别跟踪结果融合单元，分别通信连接所述雷达目标检测单元、所述雷达目标跟踪单元、所述图像目标检测单元和所述图像目标跟踪单元，用于根据所述各个障碍物体的位置和方位角以及基于相机标定法确定的所述各个目标物体相对所述摄像头的位置方位，确定为同一物体的至少一对障碍物体与目标物体，并针对所述至少一对障碍物体与目标物体中的各对障碍物体与目标物体，融合对应障碍物体的速度和雷达目标跟踪结果以及对应目标物体的物体标记框和视频目标跟踪结果，得到车辆跟踪结果，其中，所述车辆跟踪结果包含有出现在所述称重路段区域中的各个机动车的车体标记框和路段通过车速，所述机动车包括有实验用机动车和非实验用机动车，所述实验用机动车是指以不同的已知实际车重、轨迹类型和/或车速多次先于所述非实验用机动车通过所述称重路段区域的机动车辆。
[0114]
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见
第一方面所述的机动车超重检测方法，于此不再赘述。
[0115]
如图5所示，本实施例第三方面提供了一种应用如第一方面所述的机动车超重检测方法的实体系统，包括有雷达、摄像头、地面称重设备和智能路侧设备，其中，所述智能路侧设备分别通信连接所述雷达、所述摄像头和所述地面称重设备；所述雷达，用于实时采集获取称重路段区域的雷达数据，并将所述雷达数据实时传输至所述智能路侧设备；所述摄像头，用于实时采集获取所述称重路段区域的视频数据，并将所述视频数据实时传输至所述智能路侧设备；所述地面称重设备，布置在所述称重路段区域，用于实时采集称重数据，并将所述称重数据实时传输至所述智能路侧设备；所述智能路侧设备，用于执行如第一方面所述的机动车超重检测方法。
[0116]
本实施例第三方面提供的前述系统的工作过程、工作细节和技术效果，可以参见第一方面所述的机动车超重检测方法，于此不再赘述。
[0117]
如图6所示，本实施例第四方面提供了一种执行如第一方面所述的机动车超重检测方法的计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面所述的机动车超重检测方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(random-access memory，ram)、只读存储器(read-only memory，rom)、闪存(flash memory)、先进先出存储器(first input first output，fifo)和/或先进后出存储器(first input last output，filo)等等；所述处理器可以但不限于采用型号为stm32f105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
[0118]
本实施例第四方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面所述的机动车超重检测方法，于此不再赘述。
[0119]
本实施例第五方面提供了一种存储包含如第一方面所述的机动车超重检测方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的机动车超重检测方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(memory stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
[0120]
本实施例第五方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如第一方面所述的机动车超重检测方法，于此不再赘述。
[0121]
本实施例第六方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面所述的机动车超重检测方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
[0122]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。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。

技术特征：
1.一种机动车超重检测方法，其特征在于，包括：获取由雷达对称重路段区域实时采集的雷达数据、由摄像头对所述称重路段区域实时采集的视频数据以及由地面称重设备实时采集的称重数据，其中，所述地面称重设备布置在所述称重路段区域；根据所述雷达数据和所述视频数据，采用雷视融合跟踪方式跟踪出现在所述称重路段区域中的各个机动车，得到车辆跟踪结果，其中，所述车辆跟踪结果包含有所述各个机动车的车体标记框和路段通过车速，所述机动车包括有实验用机动车和非实验用机动车，所述实验用机动车是指以不同的已知实际车重、轨迹类型和/或车速多次先于所述非实验用机动车通过所述称重路段区域的机动车辆；针对所述各个机动车，根据在所述车辆跟踪结果中的且对应的车体标记框，确定对应的路段通过轨迹类型；从所述称重数据中提取出所述各个机动车在通过所述称重路段区域时采集的测量车重；根据所述实验用机动车的且在多次通过所述称重路段区域时记录的多个已知实际车重、多个测量车重、多个路段通过轨迹类型和多个路段通过车速，拟合得到实际车重与测量车重、路段通过轨迹类型和路段通过车速的映射函数，其中，所述多个已知实际车重、所述多个测量车重、所述多个路段通过轨迹类型和所述多个路段通过车速分别与所述多次一一对应；将所述非实验用机动车的测量车重、路段通过轨迹类型和路段通过车速导入所述映射函数，得到所述非实验用机动车的实际车重；判断所述非实验用机动车的实际车重是否超过预设车重阈值；若是，则判定所述非实验用机动车超重，并触发报警动作。2.根据权利要求1所述的机动车超重检测方法，其特征在于，根据所述雷达数据和所述视频数据，采用雷视融合跟踪方式跟踪出现在所述称重路段区域中的各个机动车，得到车辆跟踪结果，包括有：雷达目标检测环节、雷达目标跟踪环节、图像目标检测环节、图像目标跟踪环节和目标识别跟踪结果融合环节；所述雷达目标检测环节，用于根据所述雷达数据检测得到出现在所述称重路段区域中的各个障碍物体的位置、速度和方位角；所述雷达目标跟踪环节，用于根据所述雷达数据，采用hm对象跟踪器跟踪所述各个障碍物体，得到所述各个障碍物体的雷达目标跟踪结果；所述图像目标检测环节，用于根据所述视频数据，采用yolo v4目标检测模型识别得到出现在所述称重路段区域中的各个目标物体，得到所述各个目标物体的物体标记框，其中，所述目标物体包含有机动车；所述图像目标跟踪环节，用于根据所述视频数据，采用deepsort多目标跟踪算法跟踪所述各个目标物体，得到所述各个目标物体的视频目标跟踪结果；所述目标识别跟踪结果融合环节，用于根据所述各个障碍物体的位置和方位角以及基于相机标定法确定的所述各个目标物体相对所述摄像头的位置方位，确定为同一物体的至少一对障碍物体与目标物体，并针对所述至少一对障碍物体与目标物体中的各对障碍物体与目标物体，融合对应障碍物体的速度和雷达目标跟踪结果以及对应目标物体的物体标记
框和视频目标跟踪结果，得到车辆跟踪结果，其中，所述车辆跟踪结果包含有出现在所述称重路段区域中的各个机动车的车体标记框和路段通过车速，所述机动车包括有实验用机动车和非实验用机动车，所述实验用机动车是指以不同的已知实际车重、轨迹类型和/或车速多次先于所述非实验用机动车通过所述称重路段区域的机动车辆。3.根据权利要求1所述的机动车超重检测方法，其特征在于，针对所述各个机动车，根据在所述车辆跟踪结果中的且对应的车体标记框，确定对应的路段通过轨迹类型，包括：针对所述各个机动车，将在所述车辆跟踪结果中的且对应的车体标记框的框体中心点作为对应的车体中心点，并基于该车体中心点在时序上的三维坐标形成对应的运动轨迹；针对所述各个机动车，将对应的运动轨迹导入基于神经网络的且已预先完成训练的轨迹类型识别模型，输出得到对应的路段通过轨迹类型。4.根据权利要求1所述的机动车超重检测方法，其特征在于，所述路段通过轨迹类型包括直线轨迹类型和s线轨迹类型。5.根据权利要求4所述的机动车超重检测方法，其特征在于，所述映射函数采用如下公式表示：式中，w表示实际车重，f()表示所述映射函数，表示测量车重，t表示路段通过轨迹类型，v表示路段通过车速，a1表示经拟合求得的且在路段通过轨迹类型为直线轨迹类型时测量车重对实际车重的影响系数，b1表示经拟合求得的且在路段通过轨迹类型为直线轨迹类型时路段通过车速对实际车重的影响系数，c1表示经拟合求得的且在路段通过轨迹类型为直线轨迹类型时会对实际车重产生影响的偏置系数，a2表示经拟合求得的且在路段通过轨迹类型为s线轨迹类型时测量车重对实际车重的影响系数，b2表示经拟合求得的且在路段通过轨迹类型为s线轨迹类型时路段通过车速对实际车重的影响系数，c2表示经拟合求得的且在路段通过轨迹类型为s线轨迹类型时会对实际车重产生影响的偏置系数。6.根据权利要求1所述的机动车超重检测方法，其特征在于，触发报警动作，包括：从所述车辆跟踪结果中抽取包含有所述非实验用机动车的车辆图像和车体标记框的视频画面；从所述视频画面中截取所述非实验用机动车的车辆图像，并对所述车辆图像进行车牌矩形轮廓检测处理，得到车牌标记框；根据所述车牌标记框，从所述车辆图像中截取出车牌图像；采用字符识别包pytesseract对所述车牌图像进行字符识别处理，得到字符串，并将所述字符串作为所述非实验用机动车的车牌号码；根据所述非实验用机动车的车牌号码和实际车重生成超重报警消息，并将所述超重报警消息上传至机动车超重监管平台。7.一种机动车超重检测装置，其特征在于，包括有数据获取模块、车辆跟踪模块、轨迹类型确定模块、测量车重提取模块、映射函数拟合模块、实际车重计算模块、超重判断模块和超重报警模块；所述数据获取模块，用于获取由雷达对称重路段区域实时采集的雷达数据、由摄像头对所述称重路段区域实时采集的视频数据以及由地面称重设备实时采集的称重数据，其
中，所述地面称重设备布置在所述称重路段区域；所述车辆跟踪模块，通信连接所述数据获取模块，用于根据所述雷达数据和所述视频数据，采用雷视融合跟踪方式跟踪出现在所述称重路段区域中的各个机动车，得到车辆跟踪结果，其中，所述车辆跟踪结果包含有所述各个机动车的车体标记框和路段通过车速，所述机动车包括有实验用机动车和非实验用机动车，所述实验用机动车是指以不同的已知实际车重、轨迹类型和/或车速多次先于所述非实验用机动车通过所述称重路段区域的机动车辆；所述轨迹类型确定模块，通信连接所述车辆跟踪模块，用于针对所述各个机动车，根据在所述车辆跟踪结果中的且对应的车体标记框，确定对应的路段通过轨迹类型；所述测量车重提取模块，通信连接所述数据获取模块，用于从所述称重数据中提取出所述各个机动车在通过所述称重路段区域时采集的测量车重；所述映射函数拟合模块，分别通信连接所述车辆跟踪模块、所述轨迹类型确定模块和所述测量车重提取模块，用于根据所述实验用机动车的且在多次通过所述称重路段区域时记录的多个已知实际车重、多个测量车重、多个路段通过轨迹类型和多个路段通过车速，拟合得到实际车重与测量车重、路段通过轨迹类型和路段通过车速的映射函数，其中，所述多个已知实际车重、所述多个测量车重、所述多个路段通过轨迹类型和所述多个路段通过车速分别与所述多次一一对应；所述实际车重计算模块，分别通信连接所述车辆跟踪模块、所述轨迹类型确定模块、所述测量车重提取模块和所述映射函数拟合模块，用于将所述非实验用机动车的测量车重、路段通过轨迹类型和路段通过车速导入所述映射函数，得到所述非实验用机动车的实际车重；所述超重判断模块，通信连接所述实际车重计算模块，用于判断所述非实验用机动车的实际车重是否超过预设车重阈值；所述超重报警模块，通信连接所述超重判断模块，用于在判定所述非实验用机动车的实际车重超过所述预设车重阈值时，判定所述非实验用机动车超重，并触发报警动作。8.一种机动车超重检测系统，其特征在于，包括有雷达、摄像头、地面称重设备和智能路侧设备，其中，所述智能路侧设备分别通信连接所述雷达、所述摄像头和所述地面称重设备；所述雷达，用于实时采集获取称重路段区域的雷达数据，并将所述雷达数据实时传输至所述智能路侧设备；所述摄像头，用于实时采集获取所述称重路段区域的视频数据，并将所述视频数据实时传输至所述智能路侧设备；所述地面称重设备，布置在所述称重路段区域，用于实时采集称重数据，并将所述称重数据实时传输至所述智能路侧设备；所述智能路侧设备，用于执行如权利要求1～6中任意一项所述的机动车超重检测方法。9.一种计算机设备，其特征在于，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～6中任意一项所述的机动车超重检测方法。
10.一种计算机可读存储介质，其特征在于,所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～6中任意一项所述的机动车超重检测方法。

技术总结
本发明公开了一种机动车超重检测方法、装置、设备、系统及存储介质，涉及车辆检测技术领域。所述方法是先根据雷达数据和视频数据，采用雷视融合跟踪方式跟踪出现在称重路段区域中的各个机动车，得到各个机动车的路段通过轨迹类型和路段通过车速，以及从称重数据中提取出各个机动车的测量车重，然后根据实验用机动车的且在多次通过称重路段区域时记录的多个已知实际车重、多个测量车重、多个路段通过轨迹类型和多个路段通过车速，拟合得到实际车重与测量车重、路段通过轨迹类型和路段通过车速的映射函数，最后将非实验用机动车的测量车重、路段通过轨迹类型和路段通过车速导入映射函数，得到非实验用机动车的实际车重，并比较判断是否超重。判断是否超重。判断是否超重。


技术研发人员：黄金叶 陈磊
受保护的技术使用者：深圳市旗扬特种装备技术工程有限公司
技术研发日：2023.06.07
技术公布日：2023/10/11