为了解决基于机载激光雷达(LiDAR)点云提取道路时多重特征阈值设定难、普适性低的问题, 采用了随机森林分类模型提取道路点云进而获得道路中心线的方法。首先使用渐进加密三角网滤波获取地面点云, 根据山区道路特性, 计算地面点云各点在邻域范围的坡度、粗糙度、高差方差、点密度及反射强度, 组成点的分类特征; 随后手动采集正负样本训练点云随机森林分类模型, 将地面点云通过模型分类得到初始道路点云; 再通过基于密度的噪声应用空间聚类算法去除噪声点精化道路点云; 最后矢量化道路点云获取道路中心线。结果表明, 以Entiat River地区山区LiDAR点云数据进行实验验证, 道路点云提取的正确率达到95.29%, 完整率达到92.96%, 提取质量达到88.88%。该方法能解决多重阈值难以确定的问题, 能较高精度地提取到山区道路点云, 进而获取有效道路中心线, 对山区道路信息的研究有一定的参考价值。

线结构光测量系统的立体标定是进行三维测量的必要环节，其标定精度直接决定三维测量的精度。针对目前线结构光标定存在的计算过程复杂、局限性大、成本高、精度低等问题，提出了一种空间高精度线结构光直接标定法。设计异形标定块，通过DBSCAN算法剔除标定块线激光条纹上的噪声点与边界点，然后利用改进的PSO算法优化最短路径寻优的目标函数，提取线激光条纹上的特征标定点，建立像素坐标与世界坐标之间的映射关系表，从而直接获取待标定点像素坐标对应的世界坐标，或通过距离待标定点最近的三个特征标定点计算出关系转换矩阵，获取待标定点的世界坐标。试验表明，优化后的PSO算法寻优能力提升了27.23%，收敛速度提升了66.67%，特征标定点的提取误差约为0.4个像素，线结构光测量系统标定后，沿x方向的平均绝对测量误差为0.015 6 mm，沿z方向的平均绝对测量误差为0.017 4 mm。

在激光雷达障碍物检测中，由于数据密度分布不均匀，传统 DBSCAN聚类算法无法同时对近距离和远距离目标实现良好聚类，容易导致漏检和误检。为了解决这个问题，改进了传统 DBSCAN算法聚类邻域半径 ε参数的选值方法，不同于传统 DBSCAN算法在聚类过程中使用统一的聚类邻域半径，而是调整为根据目标距离变化而变化的自适应聚类邻域半径。首先根据激光雷达扫描线分布求出相邻两条扫描线的间距建立 ε*列表，然后依据每个扫描点的坐标值在列表中查找出对应的列表值，最后通过线性插值法确定对应的邻域半径。福特数据集的实验结果表明，优化之后的 DBSCAN算法无论是对近距离目标还是远距离目标，其聚类效果均得到明显改善。与传统算法相比，障碍物检测正检率提高了 17.52%。