三维点云快速点特征直方图(FPFH)特征提取的邻域半径采用预设固定值,导致特征描述具有随意性、不全面性、低效性等问题,点云配准整个过程自动化程度低、耗时长。针对该问题,提出一种三维点云配准中FPFH邻域半径自主选取算法。首先,计算多对点云圆周密度并且保留最大圆周半径;其次,设置迭代次数,根据迭代次数和每对点云最大圆周半径自动划分单次邻域半径,通过划分的邻域半径提取FPFH特征并用于采样一致性算法配准;最后,统计多对点云圆周密度及对应的最优邻域半径,使用多项式拟合法求出映射函数,形成FPFH特征提取优化算法。结果表明,所提算法能够根据点云圆周密度自动选取最佳邻域半径,有效降低了点云描述的不全面性和冗余度,在提高点云配准自动化程度的同时提高了点云配准速度和精度。

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%。

提出一种通过种子边缘点提取闭合点云边缘的算法,通过搜索视角控制边缘点云搜索方向,可提取尖锐边缘与相交边缘。算法通过模拟点与点之间拉力的聚集程度来判断一个点是否具有边缘点的特征。首先构建kd-tree以便快速查找点云数据。其次定义点云的邻域半径,通过计算种子点邻域内点的边缘系数来选择新的种子边缘点,并通过搜索视角来控制点云搜索的方向,最终提取闭合的点云边缘。选择不同的种子点与搜索视角可提取不同的边缘。通过实验分析邻域半径和搜索视角对算法边缘提取效果的影响,并采用合适的半径与搜索视角,对尖锐边缘与相交边缘进行点云提取,获得了准确的点云边缘,从而证明了该算法的有效性。