摘要
近年来，激光遥测技术逐渐集成到车载系统中，实现了自然环境和城市环境的三维几何数字化。车载激光雷达因能其能够高效、便捷地以点云的形式捕获道路和周围区域的详细几何信息，为道路环境提供高密度、高精度、非结构化的三维(3D)地理信息而备受关注。随着智慧城市规划和自动驾驶技术的不断发展，以及三维数据采集技术的进步，车载激光雷达在城市目标检测与识别的应用越来越多，基于其的车辆检测也成为当下研究热点。目前对三维点云的车辆检测已取得一定进展，但是仍然存在如下不足与难点： (1)在车载激光雷达点云的车辆检测算法中，由于特征表达的不足，导致被遮挡车辆和和未完全扫描车辆难以被成功检测。 (2)在车载激光雷达点云的目标识别算法中，由于场景复杂、目标种类较多，易将物体分类错误。在对每个物体进行识别的过程中，需要构造大量特征来对不同物体进行区分。 针对被遮挡车辆和未完全扫描车辆难以检测的问题，本文提出基于俯视图特征的车辆检测算法。在去地面、对物体进行聚类的基础上，找出场景中完整车辆、被遮挡车辆和未完全扫描车辆的统一特征：俯视图的形态与英文字母“L”类似，将此作为车辆提取的主要特征。然后通过制作俯视图网格，将“L”的形态特征用网格大小、点云分散度、点到拟合直线的距离等进行描述。最后将俯视图特征和其他特征结合起来检测车辆。相较于基于匹配和基于支持向量机的车辆检测算法，本文提出的算法对被遮挡车辆和未完全扫描车辆的检测率更高。 针对车载激光雷达点云场景复杂，若直接对整体点云场景数据进行目标识别，易将相似物体识别错误，而且需要构造大量特征的问题。本文提出基于区域划分的点云目标识别算法。算法首先提出了新的道路边界检测算法，然后根据道路边界确定道路范围，将整体点云场景分为道路区域和道路两侧区域。最后再对每个区域分别进行处理，对不同区域采用不同的特征提取方法对目标进行识别。由于不同物体所处位置不同（例如，车辆通常在马路上，建筑在街道两侧），在分区域对物体进行识别时，极大减少了区域的目标类型个数，同时也减少了不必要的特征需求。相较于直接对场景物体进行识别的算法，本文所提算法运行速度更快，识别正确率更高。 针对传统的聚类方法，如欧式聚类和均值漂移算法，数据分割的大小会受参数的限制。如果参数设置不当，可能将多个物体分割成一块，或者将一个完整的物体分割成多块的问题。本文在对点云进行目标识别前，提出了新的基于体素的聚类方法，该方法可以分割出完整的不同大小的物体，为后续的识别工作打下了坚实的基础。 最后本文利用车载激光雷达点云数据集对算法进行了验证。实验结果表明，本文所提的车辆检测方法能有效地检测出完整车辆、被遮挡车辆和未完全扫描车辆。与基于支持向量机的车辆检测算法相比，本文对被遮挡车辆和未完全扫描车辆的检测成功率更高。本文所提的目标识别算法能够有效识别出场景中的各类物体，与直接对整体场景进行处理的算法相比，本文的运行速度更快。
NETL