基于激光雷达点云和视觉特征的汽车自动驾驶环境感知与目标检测

本文讨论了激光雷达点云与视觉特征在汽车自动驾驶中的应用以及融合优势。本文首先介绍了激光雷达点云和视觉特征的特点、优势和应用,探讨了激光雷达点云与视觉特征的融合优势;其次介绍了激光雷达点云与视觉特征的融合目标检测与跟踪方法,在实验方法综述中讨论了实验设置、数据收集、标注与验证、数据处理与分析等内容;最后说明了实验结果与性能评估的方法和指标。

基于多分支特征融合的车载激光雷达3D目标检测算法

该文基于多分支特征融合的3D目标检测算法将无序的点云划分为规则的体素,利用体素特征编码模块和卷积神经网络学习体素特征,再将稀疏的3D数据压缩为稠密的二维鸟瞰图,最后通过2D骨干网络的粗糙分支和精细分支对多尺度鸟瞰图特征进行深度融合。该文实现了对多尺度特征的语义信息、纹理信息和上下文信息的聚合,得到了更加精确的原始空间位置信息、物体分类、位置回归和朝向预测,在KITTI数据集上取得优异的平均精度,并在保持一定帧率的同时具有较强的稳健性。

基于二维正态分布的无人机激光雷达点云匹配研究

无人机激光雷达点云特征多,一次匹配花时间长,难以进行二次匹配,因此研究基于二维正态分布的无人机激光雷达点云匹配方法。采集无人机激光雷达点云图像,通过旋转平移方法、双边滤波方法对图像预处理,利用二维正态分布算法和动态时间规整算法完成点云特征提取,使用初始变换矩阵估计算法对点云进行粗匹配,再使用近点迭代算法进行点云快速精匹配,通过两次匹配实现无人机激光雷达点云快速匹配。实验结果表明,所提方法的无人机激光雷达点云图像去噪效果好,点云匹配时间短,匹配偏差仅在0.04 m-0.15 m之间,匹配精度达到了相关预期。

弱偏差特征过滤的建筑物焊接连接构造点激光雷达特征提取

在扫描建筑物焊接连接构造的过程中,由于构造点区域缺少明显的特征,易形成弱偏差干扰,提出一种在弱偏差特征过滤下,应用激光雷达扫描的特征提取方法。利用激光雷达扫描中的阵列分析法,采集建筑物焊接连接构造的点云数据,利用KD-Tree模型剔除点云集合中的弱偏差特征噪声数据;采用邻域方向分布法,在被跟踪的构造点集合中标记出倒数的2个点,并搜索初始集合中相连的有向线段,将最小扫描角度的线段端点加到特征集合中。结果表明:该方法提取的位置精度高,区域匹配度最高值可达到95%。

偏度特征约束下的机载激光雷达点云数据分类

机载激光雷达获得的点云具有密度低、分布不均匀、分支结构不清晰等特点,其动态扫描过程的数据特征动态偏差很小,无法提取有效的数据去噪特征;为此提出偏度特征约束下的机载激光雷达点云数据实时分类方法;该方法将扫描获取的点云大容量实时数据引入在正态分布中,利用衡量对称性正态分布的关键度量偏度特征作为动态特征分界约束,完成数据滤波;提取机载激光雷达点云特征,从中选取优质特征,以此构建SVM分类器;点云大容量数据训练结果即为最终的分类结果;实验结果表明,所提方法对不同类别的机载激光雷达点云数据分类的准确性与效率较高。

无人机激光雷达杉木人工林碳储量估测

森林碳储量是衡量森林生态系统基本特征的重要指标,传统碳储量估测方式需要耗费大量的时间、人力、物力等,因此利用无人机搭载激光雷达获取机载激光数据并建立森林碳储量估测模型,为获取区域内森林碳储量提供参考,从而更好地对森林资源进行监测。以杉木人工林为研究对象,利用机载激光雷达点云数据获取点云特征变量,以此作为建模变量进行模型研建。通过不同筛选变量方式选择建模变量,分别建立非线性回归模型、线性回归模型和随机森林模型并进行模型评价,通过对比模型的决定系数(R^(2))、均方根误差(RMSE)和平均绝对误差(MAE)选出最优模型,用于后续研究。结果表明,1)3种模型拟合效果最佳的为随机森林模型,其R^(2)为0.94,RMSE为0.53 t/hm^(2),MAE为0.44 t/hm^(2)。非线性回归模型R^(2)为0.71,RMSE为0.66 t/hm^(2),MAE为0.56 t/hm^(2);线性回归模型R^(2)为0.67,RMSE为0.88 t/hm^(2),MAE为0.80 t/hm^(2)。2)共计提取101个点云特征变量,通过变量筛选发现高度变量、密度变量无论是相关性还是重要性,均大于强度变量。3)对比是否加入优选变量对随机森林模型预测精度的影响,加入优选变量后模型R^(2)没有变化,但RMSE与MAE小于未加入优选变量,精度有所提高。利用机载激光雷达点云数据获取的点云特征变量建立模型,对比非线性回归和线性回归模型,随机森林模型精度最高,用其估算得到研究区内碳储量为480.65 t/hm^(2),与实测值最相近。因此随机森林模型更适合于区域森林碳储量的估测。

基于激光点云的树木特征信息提取研究进展

树木的特征信息是进行农林业生产研究的重要参数,快速化提取信息对于农林业研究具有重要意义。因此,基于激光点云技术,综述国内外在树木信息提取的研究进展,重点从二维激光雷达、车载激光雷达、地基激光雷达三个方面总结研究现状。指出二维激光雷达通用性较差,户外采集困难;车载激光雷达数据精度较低,算法依赖严重;地基激光雷达数据运算量大等问题。提出快速处理算法的研究、数据集中复杂特征的剔除与修复、精准探测集成系统的研发与产品化等展望。为后续的基于点云技术的树木特征信息提取研究提供参考。

基于车载激光雷达数据的多种道路要素自动提取分类

基于车载点云数据开展道路要素的自动提取与分类是三维激光扫描技术服务于城市运维活动的一项重要应用。基于现阶段的行业研究情况,本文首先开展了针对不同类型道路要素对象进行方法及算法汇总,然后基于应用实例开展了车载激光雷达(LiDAR)点云用于道路结构、路面标识以及道路区域杆状地物等主要道路要素的自动提取与分类的应用,对其实用性和准确性进行了评价。

基于机载激光雷达和机器学习的林分平均胸径遥感估测

为探究不同模型对林分平均胸径的预测精度,使用贵州省桂花国有林场马厂工区同步获取的机载激光雷达点云数据和地面实测样地数据,通过提取样地水平的点云特征变量,采用方差膨胀因子分析和皮尔逊相关性检验进行自变量选择,建立机器学习模型估测样地平均胸径。结果表明:1)点云特征变量,如平均冠层高度和高度偏态与林分平均胸径有很强的相关性。2)机器学习模型(随机森林、支持向量机、最近邻算法)优于多元线性回归模型,其中,随机森林的拟合效果最好。随机森林的决定系数(R^(2))为0.71,均方根误差(RMSE)为2.50。3)通过柳杉纯林、针叶混交林、针阔混交林、马尾松纯林4种森林类型的林分平均胸径预测值与实际值差值,进一步证实随机森林模型精度最高,拟合效果最好。利用机载激光雷达点云数据提取点云特征变量,并构建基于机器学习算法的林分平均胸径估测模型是可行的,该方法的精度能满足森林资源调查的应用需求,可作为辅助林业调查工作的技术手段。

基于激光雷达点云多特征提取的车辆目标识别算法

目标识别是智能车感知周围环境实现智能行驶的重要技术,高精度的目标识别算法可为智能车的安全行驶提供保障,因此提出一种基于三维激光雷达点云多特征提取的车辆识别算法。将提取的激光雷达数据的12维特征与分类器相结合识别城市道路中的车辆目标。算法首先对非地面激光雷达点云进行聚类,对聚类后的每簇点云数据提取12维特征;然后根据这12维特征训练四种分类器;最后使用KITTI数据集进行仿真,比较四种分类器的性能和三种不同维度特征(12维、26维、8维特征)识别车辆目标的准确率。仿真结果表明:提取的12维特征相比较于其它两种维度的激光雷达特征,可以提高车辆目标分类的准确性,与随机森林结合的识别精度优于其他分类器方法。另外,在百度Apollo数据集的道路场景中也验证了该算法的性能,结果表明其可满足车辆识别的精度。

指纹自动识别中的中心点搜索和特征分块抽取方法

提出了以指纹的中心点和次中心点定位的方法，对指纹图象分块进行特征抽取，最大限度地利用原指纹中所包含的信息，因而可以有效地对残缺指纹进行处理，至少也可大为缩小检索范围。这种方法对完整的指纹图象也同样有良好的处理效果。同时提出了一种快速算法，有效地降低了搜索过程的错误率。本文所提分块所形成的编码，既可作为独立的编码进行指纹检索，又可用作Ｈｅｎｒｙ分类的补充。

基于震后机载激光雷达点云的建筑物破坏特征分析

本文利用2010年海地MW7.0地震震后获取的机载激光雷达(LiDAR)三维点云数据,通过人机交互的方式选取受损程度不同的典型建筑物点云数据,比较分析倒塌建筑物与完好建筑物点云数据的高度、坡度和法向量等分布特征,提出了用建筑物点云高度均值偏离度、屋顶面坡度值以及法向量与天顶方向夹角等因子判定建筑物破坏程度.试验分析结果表明,高度均值偏离度因子对单个建筑物的破坏部分识别效果较好,屋顶面坡度值因子可以识别建筑物破坏部分的边缘,点云法向量与天顶方向夹角因子能够较好地识别大范围区域内的建筑物破坏情况,因此上述判定因子均能在一定情况下表征建筑物的破坏情况.

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。

基于激光雷达和Kinect相机点云融合的单木三维重建

为了更好地建立单木三维彩色模型,获得准确表型参数,提出了一种基于Kinect v2相机和激光雷达的单木点云信息融合检测方法。首先由激光雷达采集樱树单木所在区域的完整环境点云,生成点云地图;由Kinect相机采集樱树单木多视角点云得到完整的三维彩色点云;然后以激光雷达点云位置为基准,通过选取对应同名点的方式对2种点云进行初始配准,使点云之间具有良好的初始位置关系,再使用最近点迭代(iterative closest point, ICP)算法对点云进行精配准;最后使用彩色点云对雷达点云进行点云着色融合处理,实现樱树单木的三维重建。结果显示:与只使用Kinect v2相机生成的樱树单木表型参数对比,融合后的樱树单木的株高、冠幅和胸径的平均相对误差分别降低了1.52、6.46和18.17个百分点。研究结果表明,Kinect v2深度彩色相机和激光雷达在单木三维重建上能实现优势互补,提升点云配准精度,同时,既能降低光照气候条件的影响,又能增加测量距离,单木表型参数更准确。

基于地面激光雷达点云数据的树种识别方法

为了能够更有效地利用地面激光雷达的点云数据识别树种,以北京林业大学为研究区域,利用FARO Photon120型地面激光雷达在研究区内获取4个树种、共92棵树木的点云数据。依据点云的三维坐标值提取研究区内立木的胸径、枝下高、树高、冠高、最长冠幅、垂直最长方向冠幅6个测树因子,同时提取由测树因子组合而成具有鲁棒性的6个树形特征参数,包括冠长树高比、胸径树高比、冠高树高比、分枝角、冠长最大冠幅之比、最长冠幅与垂直方向冠幅之比。分别使用测树因子和组合特征参数,采用支持向量机、分类回归决策树和随机森林的方法,对树种进行冠幅自动识别。研究结果表明:使用测树因子树木识别方法,识别平均准确率为0. 765,平均召回率为0. 778,3种识别方法中,分类效果较好的依次为分类回归决策树、随机森林、支持向量机;使用组合特征参数树木识别方法,识别平均准确率为0. 891,平均召回率为0. 896,分类效果较好的方法是随机森林和支持向量机,其次是分类回归决策树;总体上来看,不论是对于单个树种还是总体的准确率和召回率,组合特征参数法均高于测树因子法,而对于3种不同的分类方法,随机森林相对最好。研究结果表明,结合地面激光雷达获取的点云和不同机器学习分类方法进行树种识别分类可以达到满意的效果,且能节省大量时间和人力。

基于多结构估计的建筑物激光雷达点云特征线提取算法

建筑物激光雷达(light detection and ranging,LiDAR)点云特征线对于多视角点云配准、建筑物对称性检测、建筑物三维重建等应用具有十分重要的意义.由于LiDAR点云具有数据量庞大的特点,传统的算法难以实现建筑物特征线的快速提取.针对这个问题,提出一种基于多结构鲁棒估计的建筑物特征线提取算法,该算法利用历史模型信息进行条件采样,并通过迭代搜索符合所有特征线性质的模型.根据建筑物LiDAR数据的实验结果表明,该方法与传统的RANSAC(random sample consensus)、MLESAC(maximum likelihood estimation sample consensus)等算法相比,避免了无效、重复的特征线采样过程,在相同时间内可获取更多的直线内点,从而有效提高了建筑物特征线的提取效率.

激光雷达点云特征表达研究进展

激光雷达点云的特征表达是激光雷达点云分类识别的基础和关键,也是当前研究的重点和热点问题。该文对激光雷达点云特征表达的研究进展进行了探索和总结。首先,分别从基于点特征和基于对象特征的对比、稀疏编码特征、多层次特征及深度学习特征四方面进行论述,阐明了各种特征的特点,并验证了基于对象特征的优势;其次,对稀疏编码特征、多层次特征和深度学习特征进行了实验分析,得到稀疏编码特征及多层次特征在点云分类识别方面的特性及优势;最后,指出了激光雷达点云特征表达研究的未来发展趋势。该文可为激光雷达点云等空间数据的识别与结构化表达提供一定的借鉴和参考,也可为环境感知、自动驾驶等应用提供一定帮助。

脉搏波特征点的自动识别方法

随着无创血液循环动力学监测技术和微机技术的发展,研究脉博波特征点的自动识别方法是很有意义的.波形识别方法目前主要有阈值法、轮廓限制法、面积法、数字滤波法、句法方法和斜率法等,这些方法已应用于心电图的自动识别.

机载激光点云中高压电塔自动识别方法

提出了一种基于格网特征的机载激光点云高压电塔自动识别方法。首先对机载激光点云数据进行滤波去噪处理;然后对点云数据进行规则格网化特征分析获得高压电塔粗识别区域;最后对粗识别区域进行外接邻域网格线性特征悬空点集检测以确定电塔识别结果,并以分层切片法分析获取电塔平面中心坐标。采用大型无人机实际线路巡检获取的机载点云数据对本文算法进行验证,试验结果表明本算法可实现高压电塔的快速自动识别,对无人机电力巡检智能诊断具有一定的促进作用。

基于半球形邻域的激光雷达点云局部特征提取

为提升激光雷达点云目标识别的效率和减少计算开销,本文通过采用改进的邻域确定方法和LRF估计方法,提出了一种新的特征描述子:半球单值形状上下文特征描述子(Hemispheric Unique Shape Context,HUSC)。首先计算关键点处的互相关矩阵,并根据邻域点附近的点密度进行加权,以此估计关键点的法向量和切平面,并建立局部参考坐标系;然后以该切平面为底面构建半球形邻域,并将其按照方位角、极角和径向划分为多个栅格;最后统计各栅格中的点数,得到关键点的局部特征描述子。HUSC特征描述子在保证描述子准确率的同时,通过减少冗余栅格数量提高目标识别的效率。在Bologna、3DMatch数据集上进行的实验表明,基于半球形邻域的HUSC特征描述子与基于球形邻域的USC描述子对噪声鲁棒、对分辨率变化稳健性相当,但HUSC特征描述子占用内存更小,运算速度更快。