基于car(p,q)模型和数学形态学理论的LiDAR点云数据滤波

在分析现有的LiDAR点云数据后处理方法的基础上,提出一种点云数据"分步"滤波方法。首先对LiDAR点云数据进行数学形态学"粗"滤波,得到"地面点假设"和"非地面点假设"。然后引入顾及因果关系的自回归模型(car模型)对两类点云数据假设进行模型化处理和假设检验,根据假设检验的结果判断地面点和非地面点,最终得到可靠的分类结果。与单纯的"最小二乘拟合预测法"或"数学形态学"方法进行比较,证明"分步"处理的思想用于LiDAR点云数据分类处理的可靠性。

基于车载LiDAR测量系统的地籍测绘研究与应用

以北京四维远见信息技术有限公司的车载LiDAR测量系统为基础,对车载LiDAR在农村地籍测量中的关键技术和工作模式进行探索和总结,提出一套国产车载移动测量系统在农村地籍测绘应用的业务化技术流程。实验区域的示范应用与数据分析说明,该技术和模式先进可行,为车载Li DAR测量系统的广泛应用提供了参考。

基于车载LiDAR点云的建筑物三维建模及精度分析

车载激光扫描技术,作为一种较新的数据获取方式,可以快速获取道路两侧建筑物及地表物体的位置和相关属性,获取的点云数据丰富。传统的三维建模,数据获取时间长而且精度低,满足不了现代数字城市三维建模的快速更新,而建筑物是城市地物中主要的要素之一,其三维模型更是构成数字城市建设中三维模型库的基础。因此,本文以车载Li DAR点云为研究对象,提出一种基于车载Li DAR点云的建筑物自动提取算法,实现了一般建筑物点云的自动提取;然后根据提取的建筑物点云,结合3D Max进行建筑物的三维建模。

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。

城市轨道交通站台门与车门间隙探测系统研究

针对全自动运行系统及曲线站台场景下站台门与车门之间的间隙探测需求,提出了一种高可靠性、高准确度的站台门与车门间隙探测系统技术方案,以避免障碍物侵入站台门与车门间隙,为列车安全高效运行保驾护航。