融合轮廓特征的线激光点云的快速配准算法

点云配准是计算机三维视觉的研究热点。传统点云配准算法存在着配准时间长和配准成功率低的问题,针对上述问题,设计了融合轮廓特征的线激光点云配准算法。该算法通过搜索轮廓特征关键点,并将这些关键点用于配准迭代并计算配准结果,减少了迭代次数且对源点云和目标点云初始位置要求较低。实验对比了迭代最近点(ICP)算法、Fast ICP算法和改进的点云配准算法,实验结果表明改进的点云配准算法的配准效果明显改善,与ICP和Fast ICP算法相比,改进的点云配准算法在速度上分别提高了14倍和2倍,并且未出现配准失败的情况。

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。