利用车载LiDAR点云的自动成图技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 车载LiDAR系统的发展现状 | 第14-15页 |
| 1.2.2 车载LiDAR技术的研究现状 | 第15-16页 |
| 1.3 研究内容与组织结构 | 第16-19页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 组织结构 | 第17-19页 |
| 第2章 道路环境中地形图的应用 | 第19-21页 |
| 2.1 地形图在车辆导航中的应用 | 第19-20页 |
| 2.2 地形图在无人驾驶定位中的应用 | 第20-21页 |
| 第3章 道路环境中地形图的绘制方法 | 第21-27页 |
| 3.1 全站仪测图 | 第21页 |
| 3.2 GPS-RTK测图 | 第21-22页 |
| 3.3 数字摄影测图 | 第22-23页 |
| 3.4 车载LiDAR测图 | 第23-27页 |
| 3.4.1 车载LiDAR系统简介 | 第23-25页 |
| 3.4.2 车载LiDAR的数据特征 | 第25页 |
| 3.4.3 车载LiDAR的测图过程 | 第25-26页 |
| 3.4.4 各种数字测图方法的对比 | 第26-27页 |
| 第4章 道路环境中地物的分类与识别 | 第27-51页 |
| 4.1 点云数据预处理 | 第27-32页 |
| 4.1.1 点云去噪 | 第27-28页 |
| 4.1.2 点云滤波 | 第28-29页 |
| 4.1.3 点云特征点提取 | 第29-30页 |
| 4.1.4 散乱点云排序 | 第30-31页 |
| 4.1.5 点云凸包求解 | 第31-32页 |
| 4.2 点云分割 | 第32-37页 |
| 4.2.1 基于RANSAC的模型分割算法 | 第33-36页 |
| 4.2.2 区域生长算法 | 第36-37页 |
| 4.3 基于网格特征的道路边界和建筑物的提取 | 第37-40页 |
| 4.3.1 道路边界的提取 | 第37-38页 |
| 4.3.2 建筑物的提取 | 第38-40页 |
| 4.4 基于超体素特征的杆状目标的提取 | 第40-48页 |
| 4.4.1 超体素化 | 第41-42页 |
| 4.4.2 超体素类型判别 | 第42-44页 |
| 4.4.3 超体素类型判别优化 | 第44-46页 |
| 4.4.4 杆状目标的提取 | 第46-48页 |
| 4.5 与概率图模型的地物分类方法的比较 | 第48-51页 |
| 第5章 道路环境中地物的自动成图 | 第51-60页 |
| 5.1 杆状目标成图特征点的提取 | 第51页 |
| 5.2 道路边界的成图特征点的提取与排序 | 第51-53页 |
| 5.2.1 道路细分类 | 第52-53页 |
| 5.3 建筑物成图特征点的提取与排序 | 第53-56页 |
| 5.3.1 建筑物平面分割与识别 | 第53-54页 |
| 5.3.2 房屋的细分类 | 第54-55页 |
| 5.3.3 墙面边界规则化提取与处理 | 第55-56页 |
| 5.4 自动成图的实现 | 第56-60页 |
| 第6章 实验结果与分析 | 第60-76页 |
| 6.1 道路边界的提取及成图结果 | 第61-62页 |
| 6.2 杆状目标的提取及成图结果 | 第62-65页 |
| 6.3 建筑物的提取及成图结果 | 第65-69页 |
| 6.4 概率图模型的地物分类结果 | 第69-70页 |
| 6.5 成图对比分析 | 第70-76页 |
| 6.5.1 车载LiDAR系统的误差来源 | 第70-71页 |
| 6.5.2 自动成图的精度分析 | 第71-76页 |
| 第7章 总结与展望 | 第76-78页 |
| 7.1 研究工作总结 | 第76页 |
| 7.2 主要贡献和创新 | 第76-77页 |
| 7.3 后续研究与展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 附录 | 第83页 |
