基于车载激光点云的道路几何信息自动化提取

为了高效地进行道路设施信息采集与数字化建模，利用车载激光点云数据构建了一种自动化提取道路几何信息的方法框架。针对激光数据的无序性和冗余性，通过网格降采样和半径滤波精简点云规模、去除噪音点；通过栅格单元划分进行点云组织和索引，合理利用点云的空间局部性、缩减运算规模；利用道路要素在高程上的层次性与路面结构的连续性、光滑性，设计了高程滤波、基于主成分分析框架的局部法向量滤波、DBSCAN聚类等方法，实现从原始点云到路面点云的精确分割；利用采集车辆的行驶轨迹信息获取道路走向，利用其方向向量与法向量进行道路横截面的划分；切取横截面后投影至二维平面，并通过滑动窗口、最小二乘等算法提取道路宽度与平纵横参数。通过提取算法与人工测量的结果对比，在复杂街区和郊区公路两个实验数据集，点云分割准确性均超过87%，完整性均超过97%，提取质量均超过86%，几何信息的平均相对误差较小，说明算法具有良好的提取质量。有限算力条件下，两个数据集中点云处理时间分别是6.864与10.078 s/km，几何信息提取时间分别是1.732和0.843 s/km。提出的方法能够很好的兼顾提取效率与精度，在复杂街区和郊区公路环境下...     

基于改进FPFH-ICP的车载激光雷达点云配准方法

为了改善传统车载激光雷达点云配准方法准确度低、计算速度慢的问题，提出了一种基于快速点特征直方图（fast point feature histograms, FPFH）初始匹配与改进迭代最近点（iterative closestpoint,ICP）精确配准相结合的改进FPFH-ICP配准算法。配准前使用体素滤波器和statistical-outlier-removal滤波器进行预处理；采用FPFH提取点云特征，基于采样一致性（sample consensus initial alignment, SAC-IA）进行初始配准，为精确配准提供良好的位姿信息；建立K-D树并在传统ICP配准算法的基础上添加法向量阈值，对车载激光雷达点云数据进行精确配准；在4种不同场景的实验中，改进FPFH-ICP配准比ICP配准的均方根误差和配准用时分别平均减少了7.56%和41.22%，比点特征直方图（point feature histograms, PFH）配准的均方根误差和配准用时分别平均减少了30.28%和18.95%，表明改进的FPFH-ICP能够对车载激光雷达点云数据实现精确且高效的配准。