[发明专利]基于路侧激光雷达的车辆排队长度实时估计方法及系统

权利要求书

1.基于路侧激光雷达的车辆排队长度实时估计方法，其特征是，包括：

获取由路侧激光雷达对道路上车辆扫描的所有位置点，得到待处理的三维点云数据；

对待处理的三维点云数据依次进行背景滤除；对背景滤除后的三维点云数据进行聚类处理，将属于同一个物体的所有点划分为一类；

获取设定时间段内，道路上无车辆时的三维点云数据；

将无车辆三维点云数据，利用同等大小的正方体进行分割，即进行栅格化处理，设定点云密度阈值，将点云密度大于点云密度阈值的正方体挑选出来，作为背景点正方体；将挑选出来的所有背景点正方体中所包含的点存储到一个矩阵中，所述矩阵被视为背景矩阵；

将待处理的三维点云数据减去背景矩阵，得到背景滤除后的三维点云数据；

对聚类处理后的三维点云数据进行目标识别，识别出道路上的车辆；

基于目标识别后的结果进行车道识别；

基于激光雷达相邻帧的三维点云数据，估计道路上每一辆车的速度；

基于道路上每一辆车的速度，确定每个车道上的末尾车辆，进而估计每个车道上的排队长度。

2.如权利要求1所述的方法，其特征是，所述对背景滤除后的三维点云数据进行聚类处理，将属于同一个物体的所有点划分为一类，具体步骤包括：

基于DBSCAN算法，对背景滤除后的三维点云数据进行聚类处理，将属于同一个物体的所有点都聚类到一起。

3.如权利要求1所述的方法，其特征是，所述对聚类处理后的三维点云数据进行目标识别，识别出道路上的车辆；具体步骤包括：

将聚类处理后的三维点云数据，提取每种聚类物体的特征；

将每种聚类物体的特征输入到预训练的随机森林分类器中，输出当前物体的类别；根据当前物体的类别和聚类的结果，得到道路上每一辆车的车身长度。

4.如权利要求3所述的方法，其特征是，所述提取每种聚类物体的特征，包括：

提取每种聚类物体的长度、高度、长度与高度的比值、当前聚类物体与激光雷达之间的距离、当前聚类物体所包括的点的数量以及当前聚类物体的轮廓。

5.如权利要求3所述的方法，其特征是，所述预训练的随机森林模型的训练过程包括：

提取已知物体类别标签的特征，将已知物体类别标签的特征输入到随机森林模型中进行训练，得到训练好的随机森林模型。

6.如权利要求1所述的方法，其特征是，所述基于目标识别后的结果进行车道识别，具体步骤包括：

设定点云密度阈值，将三维点云数据中点云密度大于点云密度阈值的区域视为车道。

7.如权利要求1所述的方法，其特征是，所述基于激光雷达相邻帧的三维点云数据，估计道路上每一辆车的速度，具体步骤包括：

激光雷达扫描的若干帧数据中，追踪同一辆车，在选取所追踪的车辆点云中距离激光雷达最近的一个点，利用相邻帧同一点坐标的变化即可求出该辆车的速度。

8.如权利要求1所述的方法，其特征是，所述基于道路上每一辆车的速度，确定每个车道上的末尾车辆，进而估计每个车道上的排队长度，具体步骤包括：

确定每个车道上的末尾车辆；

确定每个车道上的末尾车辆车身长度；

根据每个车道上的末尾车辆、末尾车辆的车身长度和当前车道上其他车辆的车身长度，计算出每个车道上的排队长度。