CN116913081A

CN116913081A - 一种基于路侧激光雷达的车辆排队长度检测方法

Info

Publication number: CN116913081A
Application number: CN202310729964.9A
Authority: CN
Inventors: 杜恩年; 姜皓; 朱天杭; 郑建颖
Original assignee: Suzhou University
Current assignee: Suzhou University
Priority date: 2023-06-20
Filing date: 2023-06-20
Publication date: 2023-10-20

Abstract

本发明公开了一种基于路侧激光雷达的车辆排队长度检测方法，该方法包括以下步骤：1)利用路侧激光雷达获取道路空间中车辆扫描点，采集到待处理的三维点云数据；2)对点云数据依次进行数据预处理，通过空间坐标截取对兴趣区域选择；3)对兴趣区域内的点云数据进行地面点滤除；4)车辆目标检测；5)对聚类后的车辆目标进行连续追踪；6)对检测的车辆目标进行车道识别；7)基于相邻帧的激光雷达点云数据，计算每一辆车辆的速度信息；8)通过道路空间中每一辆车辆的速度和坐标信息，确定每个车道的队尾车辆信息，从而计算出每条车道的实时排队长度信息。本发明可以准确把握信号交叉口的拥堵程度，有利于进行路径决策，有效提高整体的车辆通行效率，减少拥堵。

Description

一种基于路侧激光雷达的车辆排队长度检测方法

技术领域

本发明涉及激光雷达技术和智能交通领域，尤其涉及基于路侧激光雷达的车辆排队长度检测方法。

背景技术

排队长度信息的检测是交通领域研究方法中很重要的研究方面，它应用在一些如最优信号控制、最优路径规划和自适应匝道计量等方面。同时通过实时监测各车道排队长度信息，可以准确把握各车道交通拥堵情况，系统可根据道路实时情况进行调整，对可变车道的应用具有重大意义，可有效减少拥堵，缓解交通压力。现有排队长度研究方法可归纳为两类：一类是基于固定传感器的排队长度估计方法，另一类是基于路侧激光雷达和视频图像的排队长度检测方法。基于固定传感器的排队长度估计方法是使用输入输出模型和冲击波理论模型等交通流理论知识来估计排队长度，但这些方法只能适用于一定场景下或指定位置，且检测精度不高。尽管基于视频图像的排队长度检测方法能准确的测量排队长度，但因其在夜间受光照条件影响很大，成为此种方法的最大缺点。

针对以上现有技术缺点，基于路侧激光雷达的排队长度检测方法以精准度高、环境适应性强等优点成为排队长度检测的新的解决方案。

发明内容

为了解决现有技术缺点，本发明的目的在于提供了一种基于路侧激光雷达的车辆排队长度检测方法。通过对交叉路口实时排队长度的检测，可精准评估当前道路的交通状况，为系统调整信号配时和出行规划提供实时状况信息，提高交通网整体通行效率，有效减少拥堵问题。

针对以上目的，本发明提出了一种基于路侧激光雷达的车辆排队长度检测方法，具体包括以下步骤：

S1：基于路侧激光雷达的车辆点云数据采集。将激光雷达部署于道路一侧，并且与停车线同一水平线，采集道路空间中每条车道上的车辆目标点云数据。

S2：基于采集的车辆目标点云数据，通过空间坐标截取方法进行兴趣区域选择。根据激光雷达的部署位置和道路空间中车道线的位置，根据距离计算，确定当前道路场景下道路空间在激光雷达三维点云数据的坐标系下的坐标，通过空间坐标截取的方法实现噪声点滤除，保留了道路空间中车辆目标点云数据。

S3：采用背景差分法对地面点滤除。针对兴趣区域选择后，保留了车辆目标点云数据的同时也会留有一部分地面点的噪声点云问题，考虑激光雷达固定部署于路边，地面点相对于激光雷达是几乎不会发生变化，而车辆目标处于运动过程中，激光雷达扫描到的车辆目标点云是发生变化的，因此选择背景差分法对地面点滤除。

S4：基于DBSCAN算法的车辆目标检测。由于激光雷达扫描点都是无序的，且激光雷达每一帧数据检测到的车辆数是完全随机的，对于一辆车而言，它们的点云数据在密度上是紧密相关的，因此采用不需要规定聚类数的DBSCAN聚类算法，将道路空间中离散无序的点云聚类为不同的车辆目标，实现车辆目标检测。

S5：基于激光雷达点云数据的车辆目标追踪。通过计算当前帧所有车辆与前一帧所有车辆的距离作为关联矩阵，用于判断相邻帧车辆是否关联成功。

S6：基于空间坐标比较的车道识别。通过比较道路空间中每一辆车的特征点的空间坐标与以先验知识获取的车道坐标，将检测到的每一辆车辆所处车道进行识别，从而获取每一条车道内车辆的排队信息。

S7：基于相邻帧特征点坐标距离的车速检测。采用相邻帧的激光雷达点云数据，检测出每一辆车的点云数据，并计算前一帧每一辆车与后一帧每一辆车的关联矩阵，实现相邻帧的车辆关联，最后通过计算相邻帧关联车辆特征点坐标的移动距离，并且相邻帧时间间隔为0.1s，从而检测出每一辆车的速度信息。

S8：根据速度和特征点坐标信息，确定队尾车辆信息，从而计算出每条车道的实时排队长度。步骤S7检测出每一辆车的速度和特征点坐标，根据特征点坐标的大小确定处于队尾的车辆，再判断当前车辆的速度是否满足排队状态条件，若满足条件，则确定其为队尾车辆，否则继续判断前一辆车是否满足条件，直到确定一辆队尾车辆，最后根据队尾车辆的特征点坐标到停车线之间的距离，计算出每条车道的实时排队长度信息。

进一步地，所述S1中基于路侧激光雷达的车辆点云数据采集包含激光雷达传感器、笔记本电脑和移动电源三个模块。激光雷达置于三脚架上固定部署于道路一侧用于采集实时车辆排队长度信息，笔记本电脑用于实时存储激光雷达传感器采集的数据，移动电源用于为激光雷达提供电量。

进一步地，所述S2中兴趣区域选择是选择当前采集实时车辆排队长度所在的道路空间。在当前场景下，除道路空间中的车辆目标点云外，还有一些其他区域的车辆目标点云和道路空间以外的噪声点云(包含建筑物、植被、非机动车、交通标志等)，兴趣区域选择后可滤除大部分噪声点云，保留道路空间中的车辆目标点云。空间坐标截取的依据是根据排队长度的最大值和停车线处的坐标作为X坐标的最大值和最小值，当前车辆行驶车道的最远处和最近处车道线的坐标作为Y坐标的最大值和最小值，车辆的最高值和地面点作为Z坐标的最大值和最小值。

进一步地，所述S3中地面点滤除方法是基于运动车辆点到激光雷达原点的距离波动大，地面点到激光雷达原点的距离波动小的特性，实现地面点滤除的效果，保留完整的车辆目标点云。

进一步地，所述S3包括三个步骤：(1)采用扇形分割方法，以θ角度将一帧数据分成n个扇区，以grid长度划分栅格形成m个栅格区域，形成n×m个栅格区域。(2)选择N帧无车数据帧作为背景帧，然后计算每个栅格中所有点云与原点的平均距离D_ij，同时统计任意一数据帧每个栅格中点云到原点的平均距离B_ij。(3)通过比较B_ij与D_ij的波动性与阈值T的大小，确定当前栅格内是否为车辆点，如果是车辆点，则应该保留，否则滤除掉。

进一步地，所述S5中关联矩阵的计算。首先经步骤S4将道路空间中离散无序的点云聚类为不同的车辆目标，实现车辆目标检测，接着根据聚类的标签属性将同一车辆的点云以车辆盒子模型代替，然后因为激光雷达部署于路侧排队长度队首处，激光雷达的激光线束直线传播，导致部分车辆车身点云被遮挡，而车辆的车头信息是准确的，所以选择车头处的坐标点作为计算关联矩阵的特征点。通过计算当前帧所有车辆与前一帧所有车辆的距离得到关联矩阵。

进一步地，所述S8中队尾车辆的确定。根据步骤S5和S7获取当前道路空间中每一辆车的特征点坐标和速度信息，关于排队车辆，德国VISSIM手册规定队尾车辆速度低于10km/h即为排队车辆，通过统计当前车道车辆的速度小于10km/h的车辆数与当前车道所有车辆的比例与预设阈值vsp进行比较，进行判断当前车道是否是排队状态。然后队尾排队车辆，如果速度大于10km/h则确定其不是排队队尾车辆，则判断前一辆车的速度信息，直到确定当前车道排队状态时的队尾车辆。

相比现有技术，本发明提供的检测方法具有以下优点：

1、采用先进的激光雷达传感器进行环境感知，采集到高分辨率微观交通数据，并与智能交通领域紧密结合，采取高精度的点云数据处理技术，实现了实时排队长度信息智能化采集功能，减少了人工成本，提高了检测精度，为评价交叉口交通性能提供了精准的评价指标。

2、本发明提供了精准的排队长度信息，适用于很多场景，特别是作为信号灯自适应控制参数时，可以实时有效的提供精准输入参数，为信号灯自适应控制实时调整信号配时发挥了重要作用。

附图说明

本发明的一部分以下附图为了进一步理解本发明具体实施例，下面将对本发明提供的附图进行简要说明。在附图中，除非另有说明，具有相同符号或标记或相似表示元素的多个附图即表示相同意义，本发明提供的附图仅仅是对本公开的实施例的描绘，对于本领域的相关技术人员，可以在具有创造性的前提下根据这些附图绘制具有新颖性的附图。

图1为基于路侧激光雷达的车辆排队长度检测的流程图；

图2为路侧激光雷达数据采集部署示意图；

图3为路侧激光雷达采集的原始点云数据示意图；

图4为兴趣区域选择后的车辆点云数据效果图；

图5为地面点滤除后的车辆点云数据效果图；

图6为基于DBSCAN算法的车辆目标检测结果图；

图7为基于车辆盒子模型示意图；

图8为队尾车辆被完全遮挡情况示意图；

图9为队尾车辆被部分遮挡情况示意图；

图10为估计被遮挡距离的长度方法示意图；

图11为基于路侧激光雷达实时排队长度检测结果图。

具体实施方式

下面结合附图和实施例是对本发明的示例性说明，可以帮助本领域的技术人员进一步理解。另外还需要说明的是，本发明提供的具体实施例仅用于解释相关发明，所描述的具体实施例仅为本发明的一部分，本领域的技术人员无创造性的使用本发明的实施例或近似雷同的实施例，都属于本发明的保护范围。

本发明实施例提供的一种基于路侧激光雷达的车辆排队长度检测方法，如图1所示，包括以下步骤：

步骤S1：基于路侧激光雷达的车辆点云数据采集。如下S101～S102是对步骤S1的具体实施步骤说明：

S101：路侧激光雷达数据采集部署方式。参考图2，激光雷达所需设备包括激光雷达、笔记本电脑、移动电源和三角架。考虑到移动车辆的高度和雷达自身有限的垂直视角，建议将激光雷达部署在2-3米位置，这样不仅可以有效减少多车道车辆与车辆之间的遮挡问题，还可以最大化利用垂直线束。激光雷达用于采集道路空间中车辆目标三维点云信息，笔记本电脑用于实时存储激光雷达传感器采集的数据，移动电源用于为激光雷达提供电量。

S102：车辆目标点云数据采集及预处理。本发明将激光雷达部署于道路一侧并与停车线同一水平线，通过移动电源供电使激光雷达工作，并用电脑上点云可视化软件进行实时数据存储。由于激光雷达部署时，技术人员会造成雷达部署时一定的角度误差，为后续点云滤除、车辆实时排队长度检测增加了复杂性，为了简化后续工作难度，通过坐标旋转方法，将采集的每一帧点云数据绕Z轴旋转一定角度，使旋转后的车辆行驶方向与Y轴平行。旋转矩阵公式如下：

其中(X,Y,Z)是原始坐标，(X',Y',Z')是旋转后的坐标，θ是旋转角度。如图3所示，为路侧激光雷达采集的点云数据并经旋转矩阵处理后的点云数据。

步骤S2：基于空间坐标截取的方法进行兴趣区域选择。步骤S2包含S201～S202具体实施步骤：

S201：空间坐标截取。通过计算当前路侧激光雷达部署位置与道路空间中最近车道线与最远车道线的距离，确定当前激光雷达坐标系中Y坐标范围，再根据排队长度的最大值和停车线处的坐标作为X坐标的最大值和最小值，车辆的最高值和地面点作为Z坐标的最大值和最小值。通过测算，当前场景下X方向、Y方向和Z方向取值范围分别为[-35,5],[5,17]和[-2.5,4]。

S202：兴趣区域选择。获取当前车道空间范围坐标后，通过坐标范围限定，可以滤除大部分车到空间范围以外的噪声点云，在Z轴方向上的坐标限定，可以滤除车道空间范围内的交通指示牌等交通标志的噪声点云。最后经兴趣区域选择后的点云数据如图4所示。

步骤S3：采用背景差分法对地面点滤除。背景差分法的具体步骤描述如S301～S303：

S301：采用扇形分割方法，以θ角度将一帧数据分成n＝360/θ个扇区，再以grid长度划分栅格，分成m＝l_max/grid个栅格，形成n×m个栅格区域，此处l_max表示兴趣区域最大半径。

S302：选择N帧无车的数据帧作为背景帧，通过公式(2)计算每个栅格中所有点云与原点的平均距离，用D_ij表示。

其中n_k表示统计落在每个栅格中点的个数，D_k表示该点到原点的距离。同时任意一数据帧，同样使用扇形分割方法，通过公式(2)计算每个栅格中所有点云与原点的平均距离，用B_ij表示。

S303：根据公式(3)判断当前帧该点是否为背景点，如果为背景点，则滤除，否则留下。

其中，I_k为1表示该点是车辆有效点，反映该点到原点的距离发生较大波动，应该保留；为0，表示该点为背景点，反映该点到原点的距离几乎没有发生改变，应该滤除。这里T表示一个比例关系，用来克服阈值选择随距离发生变化的问题。图5显示了背景滤除的效果，可以有效的将车辆点云提取出来，其中θ取4°，grid取4m，T选择0.18。

步骤S4：基于DBSCAN算法的车辆目标检测。DBSCAN聚类算法的具体步骤如下S401～S402：

S401：DBSCAN从一个随机的未访问点A开始，并将距离点A<＝eps的点标记为点A的领域，如果点A的领域点云数量大于等于Minpts，则点A及其领域的点被标记为已访问。然后DBSCAN使用相同方法继续处理同一聚类中其他未访问的点，以扩展聚类的范围。

S402：如果点A的领域内点云数量小于Minpts，则点A被标记为噪声点和已访问点。结合S401，DBSCAN可以处理所有未访问的点。

S403：其中，领域半径eps设置为1.33，领域内最小包含点数Minpts设置为10，最后车辆目标聚类效果如图6所示，可以精准有效的将车辆目标检测出来。

步骤S5：基于激光雷达点云数据的车辆目标追踪。车辆目标追踪的实现方法是计算相邻帧中车辆的关联矩阵，具体步骤如S501～S502：

S501：车辆边界盒子模型构建。车辆盒子模型就是用点云聚类方法将属于同一车辆的点云数据聚为一个簇后，给这个簇的每个点云定义一个标签，然后根据标签属性用方框的形式将这些属于一个簇的点云数据标记为一个整体，如图7所示。

S502：因为激光雷达部署在路侧排队长度队首处，由于激光的直线传播，导致部分车辆车身点云被遮挡，而大部分车辆的车头信息是准确的，所以本发明选择车头处的坐标点作为计算车速和关联矩阵的特征点。设第i帧检测到的车辆数为k，i-1帧检测到的车辆数为j，以N表示相邻两帧车辆的关联距离矩阵，N计算公式如下：

其中，x_i(k)表示在第i帧第k辆车车头的横坐标，y_i(k)表示在第i-1帧第j辆车车头纵坐标。通过计算当前帧所有车辆与前一帧所有车辆的车头坐标的距离，来判断相邻帧车辆是否关联成功。

步骤S6：基于空间坐标比较的车道识别。具体步骤如S601～S603：

S601：以步骤S5所选取的车辆边界盒子模型可获取每一辆车的特征点坐标，然后再根据先验知识了解每一个车道宽度按根据国家标准设定为3.5m，并且经过测量得到每一条车道线的坐标。

S602：基于步骤S601所获取的坐标，通过以下公式计算得到每一辆车所在的车道信息，达到车道识别的效果：

其中ceil()为向上取整函数，y_min为目标车辆车头坐标的纵坐标，y_lane为行驶方向最右侧车道线的纵坐标，Δy为车道宽度。

步骤S7：基于相邻帧特征点坐标距离的车速检测。利用步骤S5获取的每一辆车的特征点，进一步计算每一辆车的车速信息，具体方法如步骤S701：

因为车速是排队长度检测中重要的判断参数，用于判断车辆是排队还是移动状态，因此需要在不同帧连续跟踪同一车辆，采用相邻帧计算车辆速度，以V表示车辆速度，计算公式如下：

其中，x(i)和y(i)表示第i帧车头处x坐标和y坐标，t_i表示第i帧的时间。

步骤S8：实时排队长度检测。可以理解的是队尾车辆信息是检测排队长度的关键因素，而在每个车道上的队尾车辆可能会出现三种情况：一种是队尾车辆的信息真实准确的被激光雷达检测到，第二种是由于相邻车道之间车辆的遮挡，导致队尾车辆被完全遮挡，导致激光雷达检测到的队尾车辆信息是当前车道前一辆车，如图8所示，最后一种情况是由于相邻车道之间车辆的遮挡，导致队尾车辆车头部分被遮挡，导致激光雷达检测到的队尾车辆的车头特征坐标与真实的车头特征坐标产生一定偏差，如图9所示。具体步骤如S801～S803：

S801：确定队尾车辆信息。队长度的定义是从路口信号灯转为绿灯时刻，该路口进口道各转向车流排队最后一辆车距离停车线的距离。关于排队车辆，德国VISSIM手册规定队尾车辆速度低于10km/h即为排队车辆，本发明设定以下阈值以判断排队的形成与消散：通过统计当前车道车辆的速度小于10km/h的车辆数与当前车道所有车辆数的比例与预设阈值进行比较，进行判断当前车道是否是排队状态。然后对于队尾车辆，如果速度大于10km/h则认为不是排队队尾车辆，接着再判断前一辆车的速度信息，否则认为是排队队尾车辆。所以排队长度计算即用队尾车辆车头位置x_max与停车线位置x_stop的距离再加上轿车车长VL，排队长度QL计算公式如下：

QL＝|x_max-x_stop|+VL (7)

S802：队尾车辆被完全遮挡时，如图8所示，这种情况下，当前帧没有队尾车辆点云信息，而在遮挡前的帧数中有队尾车辆点云信息，所以本发明采用基于相邻两帧特征变化的车辆排队长度检测方法，根据遮挡前后车辆数和队尾车辆的车头坐标变化来判断队尾车辆是否被完全遮挡。进一步地，对排队长度检测结果进行修正，如图10所示，估计出遮挡距离EVL，通过计算第1帧到第i帧所有车头距的平均值AHS作为EVL，排队长度QL计算公式如下：

QL＝|x_max-x_stop|+VL+EVL (8)

S803：队尾车辆被部分遮挡时，特指队尾车辆车头部分被遮挡的问题，如图9所示，在这种情况下部分遮挡问题导致检测值与真实值之间有偏差OS，所以本发明采用基于连续帧特征变化的车辆排队长度检测方法，根据遮挡前后连续多帧特征点数变化、面积变化和横轴宽度变化来判断当前帧队尾车辆是否为被部分遮挡。进一步地，对排队长度检测结果进行修正，排队长度QL计算公式如下：

QL＝|x_max-x_stop|+VL-OS (9)

S804：排队长度检测结果可视化。如图11所示，为当前两直行车道的车辆实时排队长度变化曲线，体现了在十字路口处红绿灯周期性的变化使排队长度也呈周期性变化，并且实时排队长度检测结果具有较高的精确度。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims

1.基于路侧激光雷达的车辆排队长度检测方法，其特征在于，所述方法包括步骤：

S1：利用路侧激光雷达采集道路空间中车辆点云数据；

S2：基于采集的车辆点云数据，通过空间坐标截取方法进行兴趣区域选择，保留道路空间范围中的车辆点云数据；

S3：采用背景差分法对兴趣区域内的地面点进行滤除；

S4：利用DBSCAN算法对地面点滤除后的点云数据进行聚类处理，将属于同一车辆的点云聚为一类；

S5：根据聚类后的车辆点云数据计算相邻帧中每一辆车的车头之间的距离矩阵，对聚类后的车辆目标进行连续追踪；

S6：通过比较检测到的车辆的空间坐标和以先验知识得到的车道坐标，对检测的车辆目标所处车道进行车道识别；

S7：基于相邻帧的激光雷达点云数据，计算每一辆车辆的速度信息；

S8：检测道路空间中每一辆车的速度和坐标信息，进而确定每个车道的队尾车辆信息，并计算出每条车道的实时排队长度信息。

2.根据权利要求1所述的一种基于路侧激光雷达的车辆排队长度检测方法，其特征在于，步骤S2中，进一步包括：道路空间坐标获取，所述道路空间坐标的范围是通过计算激光雷达部署位置与车道线位置的距离得到的。

3.根据权利要求1所述的一种基于路侧激光雷达的车辆排队长度检测方法，其特征在于，步骤S3中，兴趣区域选择后的点云包括车辆目标点云和地面点噪声点云。

4.根据权利要求1所述的一种基于路侧激光雷达的车辆排队长度检测方法，其特征在于，步骤S5所述车辆目标的连续追踪之前，进一步包括：车辆车头坐标获取，包括：首先将车辆目标点云投影至XOY平面，接着将步骤S4聚类得到的每一类点云簇的x最大值和最小值、y最大值和最小值作为盒子模型的边界，进一步以最小面积法构建车辆盒子模型，最后每一个车辆盒子模型的x最大值和y最小值即为车辆车头坐标。

5.根据权利要求1所述的一种基于路侧激光雷达的车辆排队长度检测方法，其特征在于，步骤S5中，通过相邻帧车辆之间最小距离的判断，对聚类后的车辆目标进行连续追踪。

6.根据权利要求4所述的一种基于路侧激光雷达的车辆排队长度检测方法，其特征在于，步骤S6中，所述车道识别包括：先利用车辆盒子模型代表聚类后的车辆目标，以车辆的车头坐标作为车辆的特征点y_min，再以先验知识得到的车辆行驶方向最右侧车道线坐标y_lane和车道宽度Δy进行比较，如果则当前检测车辆属于车道1，其中ceil()是向上取整函数，通过计算每一辆车的车头坐标与先验知识得到车道线坐标和宽度，进而实现车道识别。

7.根据权利要求1所述的一种基于路侧激光雷达的车辆排队长度检测方法，其特征在于，步骤S7中，计算车辆的速度信息方法包括：基于相邻帧的激光雷达点云数据，计算关联后车辆之间的车头坐标之间的距离，并且根据激光雷达每一帧点云数据的时间间隔，进一步得到每一辆车的速度信息。

8.根据权利要求1所述的一种基于路侧激光雷达的车辆排队长度检测方法，其特征在于，步骤S8中，计算每条车道的实时排队长度之前，进一步包括：计算每条车道的排队状态，所述排队状态的计算是通过计算每条车道中速度小于10km/h的车辆数与当前车道总车辆数的比值是否小于阈值，即确定当前车道是否处于排队状态。

9.根据权利要求1所述的一种基于路侧激光雷达的车辆排队长度检测方法，其特征在于，步骤S8中，每条车道的实时排队长度的计算方法包括：经步骤S1到步骤S7中提取出每条车道中每一辆车的速度信息和车头的坐标信息，确定每条车道的队尾处于排队状态的车辆信息，排队长度等于队尾排队状态的车辆到停车线的距离，进而检测出每条车道上的排队长度。

10.根据权利要求9所述的一种基于路侧激光雷达的车辆排队长度检测方法，其特征在于，所述确定每条车道的队尾处于排队状态的车辆信息，具体步骤包括：

首先确定每条车道的排队状态，再通过步骤S7计算的每一辆车的速度信息进行判断，如果队尾车辆的速度V>10km/h，则当前车辆不处于排队状态即当前车辆不是队尾车辆，再计算当前车道前一辆车的速度，直到寻找到当前车道速度V<10km/h且处于队尾的车辆，确定为当前车道的队尾车辆。