CN111540201A - 基于路侧激光雷达的车辆排队长度实时估计方法及系统 - Google Patents

Abstract

本发明公开了基于路侧激光雷达的车辆排队长度实时估计方法及系统，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；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。实时估计出车辆排队长度，针对车辆排队长度实时执行新的交通管控措施，优化整体的车辆通行效率，解决高峰时期车辆拥堵、排队蔓延等问题。

Description

基于路侧激光雷达的车辆排队长度实时估计方法及系统

技术领域

本公开涉及交通工程技术领域，特别是涉及基于路侧激光雷达的车辆排队长度实时估计方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

车辆排队长度这一信息在交通领域中的许多方面都有应用，如将其用于对信号交叉口、自适应信号控制、行程路线选择等的性能评估。其中有些应用，比如最优信号控制和行程路线选择更是需要实时获取车辆排队长度这一信息。现有的研究表明车辆排队长度既可以通过估计的方式得出，也可以通过直接检测的方法得出。然而，传统估计方法存在着无法实时反映车辆排队长度等问题。故近几年来，随着“智慧交通”相关技术发展，在车辆、道路智能化的背景下，众多学者开始利用车联网这一技术来进行车辆排队长度的相关研究，但是相关的各种研究都是基于所有车辆均处于“车联网”中这一假设，而现如今的事实是，车辆网技术在当下的车辆中应用率很低，并且在将来一定时间内还将处在处于较低应用率的情况下。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

虽然车联网技术的确可以为估计车辆排队长度提供准确以及有价值的信息，但是由于车辆网低应用率等原因导致相关方法受限。为了解决以上所提出的问题，就必须找到一种不依赖于“车联网”，同时也能实时、高精度进行估计车辆排队长度的方法。

发明内容

为了解决现有技术的不足，本公开提供了基于路侧激光雷达的车辆排队长度实时估计方法及系统；可以通过估计车辆排队长度，实时采取新的交通管控措施，优化交通网整体的车辆通行效率，解决高峰时期车辆拥堵、排队蔓延等问题。

第一方面，本公开提供了基于路侧激光雷达的车辆排队长度实时估计方法；

基于路侧激光雷达的车辆排队长度实时估计方法，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；

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。

第二方面，本公开提供了基于路侧激光雷达的车辆排队长度实时估计装置；

基于路侧激光雷达的车辆排队长度实时估计装置，包括：

获取模块，其被配置为：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；

背景滤除模块，其被配置为：对待处理的三维点云数据依次进行背景滤除；

聚类模块，其被配置为：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；

目标识别模块，其被配置为：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；

车道识别模块，其被配置为：基于目标识别后的结果进行车道识别；

车速估计模块，其被配置为：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；

排队长度估计模块，其被配置为：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。

第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。

第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。

第五方面，本公开提供了基于路侧激光雷达的车辆排队长度实时估计系统；

基于路侧激光雷达的车辆排队长度实时估计系统；

基于路侧激光雷达的车辆排队长度实时估计系统，包括：

激光雷达模块、通讯模块和如实施例二所述的基于路侧激光雷达的车辆排队长度实时估计装置；

所述激光雷达模块，用于对扫描范围内的车辆进行扫描，获取三维点云数据，将点云数据上传给基于路侧激光雷达的车辆排队长度实时估计装置；基于路侧激光雷达的车辆排队长度实时估计装置，用于接收激光雷达采集的三维点云数据进行处理；将处理结果通过通讯模块传输给交通控制终端；

交通控制终端，基于路侧激光雷达的车辆排队长度实时估计装置的处理结果执行新的交通管控措施。

与现有技术相比，本公开的有益效果是：

基于对激光雷达所收集到的点云数据进行处理分析，在此基础上完成对车辆排队长度的估计，解决了当下无法实时估计车辆排队长度的问题，基于此估计的排队长度，可采取一定的交通管控措施，实时减小排队长度，缓解交通拥堵，提高道路通行效率。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本公开实施例一的一种利用路侧激光雷达实时估计车辆排队长度方法示意图；

图2是本公开实施例一的一种利用路侧激光雷达实时估计车辆排队长度系统示意图；

图3是本公开实施例一的点云数据缺失示意图；

图4是本公开实施例一的由于遮挡导致点云数据缺失示意图；

图5是本公开实施例一的由于丢包导致点云数据缺失示意图；

图6是本公开实施例一的确认车队末尾车辆，情况1；

图7是本公开实施例一的确认车队末尾车辆，情况2；

图8是本公开实施例一的路侧激光雷达安装布置示意图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一，本实施例提供了基于路侧激光雷达的车辆排队长度实时估计方法；

如图1所示，基于路侧激光雷达的车辆排队长度实时估计方法，包括：

S1：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；

S2：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；

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；

S3：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。

进一步地，所述激光雷达安装在道路旁边的电线杆上且距离地面3-5米。

进一步地，每个位置点的三维坐标，是以激光雷达所在位置为笛卡尔坐标系原点的三维坐标x、y、z。

进一步地，对激光雷达扫描物体后得到的数据文件做进一步说明：该文件为csv格式，其中包含的是无数的点及该点对应的坐标(x、y、z)，并且激光雷达运行时间内的每一帧都会有这样的一个数据文件，即所有被扫描到的物体都将以点云的形式再呈现。

作为一个或多个实施例，所述对待处理的三维点云数据依次进行背景滤除的具体步骤包括：

S201：获取设定时间段内，道路上无车辆时的三维点云数据；

S202：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；

S203：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。

应理解的，所述背景滤除的有益效果是：将除了道路使用者以外的其它物体点云(背景点)数据均滤除。

作为一个或多个实施例，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。

应理解的，激光雷达数据中的点云属于无序点云，也就是说属于同一物体的点并没有聚类在一起。将同属于一个物体的点聚类在一起，并将这些点命名为统一ID，有助于之后的数据处理。

作为一个或多个实施例，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。

进一步地，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。

进一步地，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。

应理解的，点云聚类之后，得到道路上有各种各样的道路使用者(汽车、自行车、电动车、行人等等)，为了更好地估计车辆排队长度，则需将这些目标进行分类。通过选取6个物体的特征(目标长度、目标高度、目标高度和目标长度之间的不同之处、相距激光雷达的距离、点的数量、以及目标轮廓)，建立一个目标分类器(本公开采用RF(随机森林)分类器，通过机器学习训练而成)，继而进行目标分类。

作为一个或多个实施例，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。

目标分类步骤完成之后，道路上现只有车辆这一道路使用者，需要明确的是，估计车辆排队长度是针对某一个车道来说的，故需对激光雷达扫描范围内的车道进行区分识别。在车道识别步骤时，先假设车辆在接近交叉口时，不会进行变道，即车辆都是直线行驶，故在每条车道上的点云密度要高于车道和车道之间分界线的点云密度。基于此，类似找寻背景点的方法一样，通过比较点云密度的大小，进而识别出车道。

作为一个或多个实施例，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。

应理解的，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，具体公式如下所示：

其中，V代表车辆的速度，F代表激光雷达旋转频率，单位：HZ，X_i代表第i帧中车辆点云中距离激光雷达最近的一个点的横坐标，Y_i代表第i帧中车辆点云中距离激光雷达最近的一个点的纵坐标，Z_i代表第i帧中车辆点云中距离激光雷达最近的一个点的竖坐标，X_i-1代表第i-1帧中车辆点云中距离激光雷达最近的一个点的横坐标，Y_i-1代表第i-1帧中车辆点云中距离激光雷达最近的一个点的纵坐标，Z_i-1代表第i-1帧中车辆点云中距离激光雷达最近的一个点的竖坐标。

进一步地，激光雷达扫描的若干帧数据中，追踪同一辆车，采用全局最近邻算法GNN。

应理解的，车速这一信息对于寻找车队末尾车辆极为关键，因为在车队末尾的车辆速度很低，甚至静止，故可根据车速这一信息确定车队队尾车辆。因此需要在不同帧之间连续追踪同一个车辆(本公开在车辆追踪上采用全局最近邻算法GNN)，在实现对一辆车的连续追踪之后，就可以根据车辆在一定时间内(相邻帧)行驶的距离来对其速度做大致估计。

作为一个或多个实施例，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。

进一步地，所述确定每个车道上末尾车辆，具体步骤包括：

当第_n辆车在第i帧激光雷达扫描图像中出现，在第i+1帧激光雷达扫描图像中也出现时，计算第n辆车在在第i帧的速度V和第i+1帧的速度和V′，若V′＜V且V′＜5km/h则认为该辆车在车队末尾，反之认为第n-1辆车在车队末尾。

当第n辆车在第i帧激光雷达扫描图像中出现，在第i+1帧激光雷达扫描图像中消失时，则获取第n-1辆车和第n-2辆车之间的间距，间接估计出第n辆车和第n-1辆车之间的距离；假设第n辆车和第n-1辆车之间的距离等于第n-1辆车和第n-2辆车之间的间距；

计算第n辆车在第i帧的速度V和第n辆车在第i+1帧的速度V′，当V′＜V且V′＜5km/h则认为第n辆车在在车队末尾，反之认为第n-1辆车在车队末尾。

当第n辆车在第i帧激光雷达扫描图像中出现，在第i+1帧激光雷达扫描图像中消失时，是考虑到第n辆车被遮挡，或者数据丢包造成数据缺失。

通过之前的背景滤除、聚类等操作后，车道上的每一车辆相关点云归为一类，故均可以知道各自车身长度和车辆之间的间距，车辆之间的间距是指前一辆车的车尾与后一辆车的车头之间的距离。

之所以要确定哪个车是末尾车辆，是因为随着距离激光雷达越远，点云越少，对车辆探测不完全，继而导致车身长度无法准确定。假设各各自车身长度(除最后一辆)为x1，x2…xn-1，再加上确定的末尾车辆车身长度xn，则车队长度即可计算出来。

如图5所示，假设该条车道上共有n辆车，当第n辆车在第i帧出现，第i+1帧消失时，可以先认为该辆车在车队末尾，此时关于第n辆车和第n-1辆车之间的距离，可以利用倒推法得出，即用第n-1辆车和第n-2辆车之间的间距间接估计出第n辆车和第n-1辆车之间的距离，这样就可以计算在第i帧和第i+1帧的速度(分别记为V和V′)，当V′＜V且V′＜5km/h则认为该辆车在车队末尾，如图6所示，反之认为第n-1辆车在车队末尾。

应理解的，确定车队末尾车辆是估计车辆排队长度的关键因素，因为当车队最后一辆车确定下来时，车辆排队长度也可确定。

应理解的，确定每个车道上末尾车辆的位置，考虑到以下两种情况：

(1)如图3所示，大卡车会对其相邻车道的小型车辆进行遮挡；

(2)如图4所示，激光雷达和进行数据处理的计算机连接不够稳定出现数据丢包。所述的两种情况都会导致点云出现扇形缺损，继而使得无法看到车队中某些车辆。

进一步地，确定车队末尾车辆车身长度，具体步骤包括：

当所测得的车队末尾车辆车身长度大于6m，则测得的长度作为车队末尾车辆车身长度。若测得的车队末尾车辆长度不足6m，那么默认车队末尾车辆车身长度为6m。

之所以要确定车队末尾车辆车身长度，是因为如图7所示，当道路阻塞，车辆排队过长时，车队最后一辆车可能无法完全探测到(随着距离激光雷达越远，点云密度越低，即是说点云无法呈现出车的全貌)。

故可对测得的车队末尾车辆数据作如下抉择：

(1)该车车速在5km/h以下时，才可认为该车处在车队末尾；

(2)易知小型汽车的长度为6m以下，当所测得的车身长度大于6m，则测得的长度作为车身长度。若测得的长度不足6m，那么默认其车身长度为6m，总结起来如下所示：

本实施例所提出的一种利用路侧激光雷达实时估计车辆排队长度的方法及系统，通过实时获取道路上的车辆信息，生成精度高的点云数据，并对这些点云数据进行一系列处理，估计出车辆排队长度，交通控制终端据此动态执行新的交通管控措施，继而缓解道路交通拥堵，提高道路通行效率。目前还未有有效实时获取车辆排队长度的方法和手段，本发明实施例能够弥补此应用空白。

实施例二，本实施例提供了基于路侧激光雷达的车辆排队长度实时估计装置；

基于路侧激光雷达的车辆排队长度实时估计装置，包括：

获取模块，其被配置为：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；

背景滤除模块，其被配置为：对待处理的三维点云数据依次进行背景滤除；

聚类模块，其被配置为：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；

目标识别模块，其被配置为：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；

车道识别模块，其被配置为：基于目标识别后的结果进行车道识别；

车速估计模块，其被配置为：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；

排队长度估计模块，其被配置为：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。

实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一所述的方法。

实施例四，本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。

实施例五，本实施例提供了基于路侧激光雷达的车辆排队长度实时估计系统；如图2所示，基于路侧激光雷达的车辆排队长度实时估计系统；

基于路侧激光雷达的车辆排队长度实时估计系统，包括：

激光雷达模块、通讯模块和如实施例二所述的基于路侧激光雷达的车辆排队长度实时估计装置；

所述激光雷达模块，用于对扫描范围内的车辆进行扫描，获取三维点云数据，将点云数据上传给基于路侧激光雷达的车辆排队长度实时估计装置；基于路侧激光雷达的车辆排队长度实时估计装置，用于接收激光雷达采集的三维点云数据进行处理；将处理结果通过通讯模块传输给交通控制终端；

交通控制终端，基于路侧激光雷达的车辆排队长度实时估计装置的处理结果执行新的交通管控措施。

所述激光雷达模块，包括：依次连接的激光雷达、处理器和数据传输线。

进一步地，如图8所示，激光雷达(旋转激光雷达、固态激光雷达等均可以)安装在路侧电线杆或信号杆上，距离地面3～5米，可用升降车，梯子等方式进行安装，具体方式根据实际情况选择。杆靠下位置，大概距离地面1m处，安装一个具有数据处理算法的处理器，两者之间用数据传输线连接，并用一个铁箱子罩在外面，以免受到周围环境影响。激光雷达和处理器都需供电，故可通过杆内部走线的方式满足供电需求。为了将处理器处理之后的结果传输出去，还需连接光纤到处理器上。

交通控制终端，接收路测激光雷达模块收集处理点云数据后的结果，并对此结果进行分析(数据分析单元工作)，实时执行新的交通管控措施。本实施例以信号灯为例，可实时重新配置该路口红绿灯时长(控制单元工作)，进而减小车辆排队长度，达到缓解交通拥堵，减少停车时间的目的。

信息通讯模块，用于传输激光雷达模块和交通控制终端的信息。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

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；

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，所述对待处理的三维点云数据依次进行背景滤除的具体步骤包括：

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。

3.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。

4.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；

或者，

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；

或者，

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。

5.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；

或者，

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。

6.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；

或者，

所述确定每个车道上末尾车辆，具体步骤包括：

当第n辆车在第i帧激光雷达扫描图像中出现，在第i+1帧激光雷达扫描图像中也出现时，计算第n辆车在在第i帧的速度V和第i+1帧的速度和V^′，若V^′<且V^′<5km/h则认为该辆车在车队末尾，反之认为第n-1辆车在车队末尾；

当第n辆车在第i帧激光雷达扫描图像中出现，在第i+1帧激光雷达扫描图像中消失时，则获取第n-1辆车和第n-2辆车之间的间距，间接估计出第n辆车和第n-1辆车之间的距离；假设第n辆车和第n-1辆车之间的距离等于第n-1辆车和第n-2辆车之间的间距；计算第n辆车在第i帧的速度V和第n辆车在第i+1帧的速度V^′，当V^′<且V^′<5km/h则认为第n辆车在在车队末尾，反之认为第n-1辆车在车队末尾；

或者，

确定车队末尾车辆车身长度，具体步骤包括：

当所测得的车队末尾车辆车身长度大于6m，则测得的长度作为车队末尾车辆车身长度；若测得的车队末尾车辆长度不足6m，那么默认车队末尾车辆车身长度为6m。

7.基于路侧激光雷达的车辆排队长度实时估计装置，其特征是，包括：

获取模块，其被配置为：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；

背景滤除模块，其被配置为：对待处理的三维点云数据依次进行背景滤除；

聚类模块，其被配置为：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；

目标识别模块，其被配置为：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；

车道识别模块，其被配置为：基于目标识别后的结果进行车道识别；

车速估计模块，其被配置为：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；

排队长度估计模块，其被配置为：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。

8.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-6任一项所述的方法。

9.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项所述的方法。

10.基于路侧激光雷达的车辆排队长度实时估计系统，其特征是，包括：

激光雷达模块、通讯模块和如权利要求7所述的基于路侧激光雷达的车辆排队长度实时估计装置；

所述激光雷达模块，用于对扫描范围内的车辆进行扫描，获取三维点云数据，将点云数据上传给基于路侧激光雷达的车辆排队长度实时估计装置；基于路侧激光雷达的车辆排队长度实时估计装置，用于接收激光雷达采集的三维点云数据进行处理；将处理结果通过通讯模块传输给交通控制终端；

交通控制终端，基于路侧激光雷达的车辆排队长度实时估计装置的处理结果执行新的交通管控措施。

Images