基于激光雷达的无人驾驶障碍物检测和跟踪

针对激光雷达动态障碍物检测与跟踪过程中聚类适应性差、实时性低和跟踪准确度不高等问题，提出一种自适应的密度聚类算法和多特征数据关联方法，分别用于检测和跟踪. 首先，对激光雷达采集的点云进行路沿检测、感兴趣区域提取和地面分割等预处理，去除无关点云；然后，基于自适应的密度聚类算法对非地面的点云进行聚类，完成障碍物点云检测；最后，利用加权多特征数据关联算法结合卡尔曼滤波器实现对动态障碍物跟踪. 通过实验表明:本算法能够根据10 Hz的激光雷达数据实现对障碍物准确、稳定的检测和跟踪，且聚类时间缩短32%.      

基于多源异构信息融合的智能汽车目标检测算法

针对智能汽车单一传感器环境感知的局限性,提出一种基于GPS、双目深度相机、16线激光雷达等多源信息融合的环境感知算法,解决单一传感器环境感知的局限性问题.算法在GPS时间同步基础上,将单一传感器标定后的数据作为改进联合标定算法输入,求解多源传感器最优空间变换矩阵.使用SVM分割点云及欧式聚类提取点云信息的几何特征,获取障碍物的位置信息;利用空间变换矩阵将障碍物点云信息变换到图像坐标系,并将3D点云映射为2D点云信息;融合基于深度学习算法求解的图像中障碍物位置信息与类别信息,实现目标检测.经KITT1数据集及实车测试验证,该算法准确率在78.13％～85.56％之间,每帧数据检测平均耗时0.16～0.19 s,在光照变化、目标遮挡环境下均能有效的进行目标检测,具有较好的工程应用前景.     

基于OpenCV的锥桶识别技术研究与实现

基于图像处理理论与算法,利用OpenCV库函数实现对锥桶的识别。为减轻图像处理的压力,先将源图像进行HSV转换,后通过漫水填充对指定区域进行指定颜色填充,并通过形态学滤波去除明显噪声。通过轮廓查找以剔除较小轮廓,并构造最小外接矩阵对锥桶因白色反光条分割的2个部分进行比较,最后将垂直投影图像通过最小二乘法得到的斜率进行识别。实验数据表明,采用文中算法识别锥桶准确率较高。     

基于机载LiDAR和Mean Shift算法提取森林密度

为获取森林密度信息,利用Mean Shift算法对森林点云进行单木分割提取森林密度信息.首先,以点云三维坐标和法向量作为特征向量,利用统计分析方法选择合适带宽及阈值,采用Mean Shift算法对点云进行初始分割;其次,对分割后的点云进行分析,加入灌木、杂草等过滤条件,得到树冠点云;然后,对树冠点云再次进行Mean Shift分割,并对每类树冠点云进行统计,以稳态点为粗略位置标记计算森林密度;最后,与地面实测数据进行验证.地面数据验证结果表明,平均计算精度达到90.0%以上,可满足林业应用需求;通过与分水岭法进行对比发现, Mean Shift方法获得的精度为92.5%,比分水岭方法70.0%高出22.5%,且避免了分水岭方法导致的过分割现象.      

基于K近邻和法向精度的点云精简算法

针对传统点云简化算法在精简散乱点云数据时经常丢失过多特征点的不足,提出了基于K近邻和法向精度的点云精简算法.该算法首先对输入的散乱点云数据建立K近邻索引,并剔除集群点及离群点,从而完成点云数据的预处理,然后对预处理后的数据进行Delaunay三角化,并重构三角网格面,最后依据法向精度进行非特征点剔除.仿真实验表明,该算法既能较大程度地精简点云数据,又能较好地保持原有模型的基本特征.     

基于Harris特征与NDT-ICP算法的钢箱拱预制件尺寸智检方法

针对桥梁建造时传统人工尺寸检测在面对海量桥梁预制件时效率低、成本高的难题,使采用地面激光扫描(TLS)技术的智能尺寸检测突破现有数据处理算法的精度与效率瓶颈,建立了基于建筑信息模型(BIM)-TLS的桥梁钢预制件尺寸智检框架,包含构件几何尺寸检测与数字预拼装2个环节;二次开发了BIM点云化处理技术,构建了参照点云模型,采用直通滤波、统计去噪(SOR)滤波、体素化网格(VG)处理等算法预处理点云数据,实现了基于k近邻(kNN)算法的尺寸检测指标评价;通过3D-Harris特征点检测、正态分布变换(NDT)粗配准与迭代最近点(ICP)精配准提出了基于Harris特征与NDT-ICP算法的快速配准尺寸智检策略,并结合工程需求应用于某大跨拱梁组合结构钢箱拱预制件尺寸智检中。研究结果表明：采用提出的智检方法对2个相邻节段钢箱拱进行尺寸检测的最大偏差分别为1.689和1.571 mm,均满足制造偏差(小于2 mm)要求;与传统NDT-ICP算法相比,该方法将点云整体配准精度提高了35.3%,效率提高了61.88%,可见该方法表现高效且结果准确,促进了钢预制件几何尺寸检测智能化;基于该方法的拱肋数字...     

机载激光雷达测量技术及应用

通过工程实例,阐述了机载激光雷达测量技术及应用,介绍了点云、DEM、DOM及DLG等数据的生产方案,可为机载激光雷达测量技术的普及和应用提供借鉴。     

基于深度数据的车辆目标检测与跟踪方法

现有基于几何特征的目标检测与跟踪方法误检率较高,目标跟踪过程中的漏检易导致错误的目标关联.针对这些问题,本文提出了一种基于激光雷达(LiDAR)深度数据的车辆目标检测与跟踪方法.根据激光雷达深度数据特性,采用一种基于栅格的参数自动化聚类(PAG) 算法对原始数据进行处理,并在每个聚类中提取目标线段,获取目标特征.在此基础上对车辆目标进行识别,并计算得到目标的位置信息.采用卡尔曼滤波算法,制定滤波器管理策略,完成目标关联及状态估计.最后利用装备有一个前向激光雷达的实验车辆对提出的方法进行验证. 实验结果表明,本文提出的方法可准确识别并跟踪多个车辆目标,避免错误的目标关联.     

基于地面三维激光扫描的高速公路沉陷量自动提取与分析研究

高速公路运维过程中,路面沉陷是影响行车安全的关键,传统多采用水准测量等技术方法,存在工作量大、周期长、易受外界条件影响等缺点。提出一种通过地面三维激光扫描点云自动判别路面沉陷的算法和分析方法,该方法先采用基于几何特征与迭代最邻近点算法相结合的方法进行点云配准,配准数据经过点云分类识别后,基于滑动窗口法提取道路特征线,建立高速公路的路面模型,并通过分析该模型得到沉陷区域、位置和沉陷深度等指标。为验证算法的可靠性与准确性,以一段运营维护阶段的高速公路为研究对象进行分析实验。通过算法处理与实测路面模型分析,发现距离高速公路实验段起点45 m处存在深度达40 cm的沉陷区。分析结果表明,采用提出的对激光点云数据处理算法和路面模型分析方法,可以高效、准确分析高速公路路面的沉陷情况。该方法的成功应用,对三维激光扫描技术的在交通领域的深度应用和有效推广有重要意义。     

基于LOF改进的K-means算法在交通事故黑点识别中的应用

为改进传统K-means聚类算法受初始聚类中心及异常点影响较大的问题,提出使用离群点检测(LOF)改进的K-means聚类算法,并应用到交通事故的黑点识别中.使用数据集为2018年7月1日至2018年12月31日于美国洛杉矶发生的交通事故数据.首先,利用LOF对事故点坐标数据集进行离群点检测;其次,剔除掉原数据集中的离...     

激光雷达选址对飞机尾涡特征参数反演的影响

为了提高距离高度显示器模式激光雷达的尾涡探测与反演精度,提出了基于涡核区域分割的机场激光雷达最佳选址求解算法,研究了激光雷达横向和纵向安装位置对尾涡反演精度的影响;考虑尾涡消散和下沉影响,建立了激光雷达动态回波数据仿真模型;推导了尾涡区域分割径向距离公式,根据区域分割后的速度极值点确定了尾涡涡核位置;对涡核位置进行探测...     

基于等高线形状分析的LIDAR建筑物提取

基于等高线形状分析,提出了一种新的LIDAR（机载激光雷达）建筑物提取方法．首先利用LIDAR数据生成DSM（数字地面模型）等高线,然后根据等高线形状特征参数,从DSM等高线中提取由建筑物点云形成的等高线（建筑物等高线）．最后,根据拓扑关系简化建筑物等高线,再利用建筑物轮廓线相互垂直或平行的特点,对建筑物等高线进行规则化,提取建筑物．实验结果表明,即使在地形起伏的情况下,该方法仍可提取出形状复杂的建筑物,准确率达80％以上．     

未标定图像序列的隐式曲面重建方法

为了提高未标定图像序列三维重建得到的几何模型的质量,提出特征点检测算法,以得到更多的匹配点.其主要思想是在首帧图像指定密集的网格,在网格点附近确定最容易跟踪的特征点,利用迭代方法得到子像素精度的特征点坐标,然后用稀疏特征集的金字塔Lucas-Kanade光流跟踪算法跟踪这些特征点,再用自标定算法,重建出相对均匀和稠密的三维点云,最后利用基于径向基函数(RBF)的隐式曲面重建算法,生成目标的表面模型. 多个图像序列的重建结果表明,本方法对纹理丰富的场景能够获得较好的重建结果.     

一种基于激光与视频信息时空数据融合的行人检测方法

针对城市交通行人安全问题,本文提出了一种基于激光与视频数据融合的行人检测方法.通过激光与视频数据空间和时间上的融合,将激光数据映射到图像坐标;在激光聚类过程中,采用K-means 聚类算法对激光云点进行聚类分析,然后运用行人宽度模型提取候选行人区域;在基于图像的行人检测过程中,选取头肩、躯干以及腿部人体特征部位,采用Haar-like 特征集和Boosting 算法进行训练,得到部位检测器;最后,基于贝叶斯决策的组合策略对候选行人区域进行有效判定.实验结果表明,本文所述算法有较好的检测精度和实时性能.     

高速道岔尖轨点云的复合拼接及数据处理优化

为实现高速铁路尖轨磨耗的高效检测,结合高速尖轨的检测需求及其几何特征,提出了基于距离编码器的复合拼接方法.该方法将距离信息融合到点云拼接中,提高了检测系统的自动化程度.在计算点特征直方图（point feature histograms,PFH）的过程中,引入OpenCL（open computing language）异构加速模型调整点云的数据结构,发挥GPU的并行处理优势获得了更快的数据处理速度.利用实际尖轨开展磨耗检测实验,证明了针对高速尖轨的结构光检测系统有效可行.经过点云拼接和点云扫描数据处理的优化,系统的整体检测效率获得了70%左右的提升.      

基于金字塔特征融合的二阶段三维点云车辆检测

针对三维点云鸟瞰图特征提取不充分导致车辆目标检测性能欠佳问题,本文提出一种基于金字塔特征融合的二阶段三维点云车辆目标检测算法。首先通过降维处理并利用体素占用编码原始三维点云,得到二维特征图输入;然后,利用上采样网络传递高层语义特征,下采样网络传递低层位置特征,构建一阶段金字塔网络结构提取车辆目标特征;最后,通过候选区域提取层得 到不同尺度的候选区域,利用兴趣区域池化层对齐各候选区域尺度,并采用全连接层融合多尺度特征,提取不同感受野下车辆目标特征;此外,在损失函数方面,补充正余弦角度损失并加权到总损失函数中,优化车辆目标航向角预测。基于KITTI公开数据集的实验分析表明,本文算法相较基准网络能够有效补充三维点云鸟瞰图特征提取,在不同难度的检测任务中平均检测精度提高 了5.07%~8.59%。     

基于深度学习的车辆异常事件检测研究

基于全连接神经网络以及在高速公路场景下采集的真实车辆数据,设计一种车辆异常事件检测方法。所设计的方法利用激光雷达检测出目标与车道线信息,经过计算组成具备时空特征的输入数据,在将目标数据制作成数据集后,利用神经网络进行训练并提取输入数据的多维度特征,实现车辆异常事件检测。之后利用异常事件检测的时间信息与激光雷达和视频相机的目标融合数据,在视频数据中进行事件取图并加以验证。所述方法的总体检出率为 97.11%,准确率为 97.10%,相关值均高于传统事件检测算法,且算法耗时与传统事件检测算法相比更少。试验证明相应方法能更快速、更准确地识别车辆异常事件。     

基于一面两孔特征的点云配准方法

为了提高零件在扫描检测过程中点云与设计模型的配准精度,提出了一种基于一面两孔特征的点云配准方法.该方法粗配准以零件的平面/圆柱孔特征为对象,使设计模型和点云的局部坐标系重合,并通过改进ICP算法求解点云与设计模型最近点的距离最小平方和实现精配准.由于配准区域和最近点的计算方法不同,精配准进一步分为全域和特征域配准两种类型.全域精配准以距点云最近的设计模型三角网格点或投影点为最近点,适合于毛坯件;特征域精配准则通过求解点云在平面/圆柱孔特征上的投影点为最近点,适合于成品件.试验及计算结果表明:全域配准的配准精度随表面离散点距离的减小而提高, 当离散点距离达到1.50 mm时,其配准精度已经达到0.15 mm,基本满足工程应用要求.当配准精度相同时,配准效率较其它方法提高10%~20%.      

顾及自适应多细节层次的八叉树点云管理算法

为了解决大规模点云不易有效组织、动态可视化时冗余度大,且较难实现自适应显示的问题,提出顾及细节层次(levels of detail, LOD)的八叉树点云管理算法.该算法基于八叉树索引将扫描点限定在每个结点范围内,利用自上而下空间分割和自下而上参数计算相结合的预处理策略,减少实时阶段计算量,通过构建保守性模拟误差,使场景各处均可自动满足可视要求,并辅之以高效加速方法,实现了点云的有效组织和自适应流畅显示.实验研究表明,在优化的预处理和辅助加速策略支持下,与经典R树算法相比,该算法实时阶段计算量小,每帧自适应漫游平均时间在0.04 s以内.      

基于无人机激光点云数据改进的棱柱法土方量计算方法

传统的土方量计算方法存在精度不高、效率低等问题,而利用无人机激光点云数据可以有效地解决这些问题。新近开发的基于无人机激光点云数据,快速、准确地计算土方量的软件——Digital Map,以宜春至井冈山高速公路宜春三阳至新田段新建工程为例,使用无人机获取试验区的三维点云数据,使用Digital Map软件计算土方量。结果表明,采用改进的棱柱法计算得到的结果既高效又与已知的总体土方量信息更接近,即更精确;同时在数字地面模型(digital terrain model,DTM)的基础上,更准确地描述了自然地形信息。该方法使用设计面的DTM,因此不受场地高差限制,适用于大部分复杂、真实的施工现场;且快速、准确,对于会产生海量数据的无人机激光点云效果尤其明显。