基于道路种子点的密集点云道路面识别及MATLAB实现（二）

前言

基于前面的控制点路面提取来讲，这次又是有苦难言😭😭😭，首先虽然这个方法在一定程度上适应了不同坡度的地形，但是其还是具有很高的冗余度和鲁棒性，有些地方还会出现识别缺失和识别错误。
注：若是对该方法感兴趣需要MATLAB源码，请及时联系我😊😊😊。

一、获取道路种子点集

通过LIDAR 360或者其他点云处理软件，多点提取在道路的点集seed(i) <i∈1 ~ n>，n并不是越大越好，越少会导致后续的识别信息丢失，过多或是程序效率缓慢，建议8~10个最为合适。

二、初始筛选点云确定路面点集

一）根据每个密集点云的高程，计算其到每一个道路点集的距离集合org_distance(i) <i∈1 ~ n>，

二）获取每个距离的最大值MAX（org_distance(i)）<i∈1~n>，

三）添加限制因子G=0.005，其具体值可以采用G=M/N×100%（其中M表示路面区分与周围地貌的高度，N表示该地形的最大高差），

四）利用寻找distance(i) < G×MAX（org_distance(i) <i∈1~ n>时具备的点云集合pointCloud_base(i) <i∈1~n>，实现对点云的初次筛选。

三、计算点云密度衡量参数集合二次筛选

1）通过MATLAB自带函数findNeighborsInRadius获取每个点云集合pointCloud_base(i) <i∈1~n>中的每个点在指定半径的球形区域内所具有的领域点集下标位置indices(i) <i∈1 ~ n>。

（1）=====衡量参数一（geometric_density）=====以指定半径搜索3D邻域内计算该点的点云密度

计算下标indices(i) <i∈1 ~ n> 的长度既可获取每个点云集合pointCloud_base(i) <i∈1~n>在指定半径的球形区域内所具有的领域点数geometric_density(i) <i∈1 ~ n>。本文的R=6m，读者可根据具体情况进行调整。

（2）=====衡量参数二（slope）=====以指定半径搜索领域计算该点与其他点的最大坡度

计算每一个点与该半径球形区域内的其他点的坡度集合slope(i) <i∈1 ~ n>

（3）=====衡量参数三（distance）=====以指定半径搜索领域计算该点离其他点的最大距离

计算每一个点与该半径球形区域内的其他点的几何距离集合distance(i) <i∈1 ~ n>

2）通过计算满足限制条件的三个衡量的参数的点云集合，将第一步初始筛选的点集进行二次筛选。

3）如左下图所示，8个子图分别是将初始筛选的路面点集进行二次筛选的结果，其保留了最接近路面的点云。右下图则是具体筛选后与筛选前的差异。

四、识别结果

如下所示，即为路面识别的结果。