车载激光雷达(Mobile Laser Scanning,MLS)作为一种移动数据采集设备,能够主动获取大场景尺度下的高精度三维空间信息,是无人驾驶、自动导航、精细制图等诸多行业中不可或缺的技术手段。点云滤波是激光雷达数据预处理中的关键过程,也是地物分类、地形建模、环境感知等诸多研究的基础。本文以城区车载激光扫描点云的精确地面识别为研究目标,充分考虑点云空间尺度大、地物类型多、密度分布不均匀等特点,改进并提出了新的滤波算法,利用实际的车载激光扫描数据,对算法进行了实验测试。最后从功能性角度出发,探索了公路场景中车载点云的高精度道路自动化提取方法。该研究为城区不同地面类型点云识别提供了新的思路方法。论文主要研究内容与结论如下:(1)规则体素生长滤波。首先采用八叉树结构在对点云实现规则体素划分的同时,建立起26邻域的关联空间。随后基于向上生长法则,根据点云高程信息设计合理阈值,实现点云滤波。研究表明,该算法具有参数设置简易、滤波精度高、自适应性强等优点。(2)超体素生长滤波。研究在规则体素基础上,采用VCCS算法对点云进行超体素分割,使体素结构与地物轮廓更加吻合。然后根据地面特征,通过体素区域生长得到连通地面。实验结果表明,该算法受地形变化的影响较少,且相比规则体素滤波,在地物完整度的保留上表现更优。(3)基于监督分类的地面点识别。首先对点云进行超体素划分,再以体素为单元提取地物其几何特征,最后使用SVM分类器逐一标记体素的地物类别。实验表明,该方法受地物遮挡、点云密度变化的影响较小,对地面的识别精度可以达到87%。(4)高密度点云道路分割。首先采用平面检测算法对分段后的路面完成粗提取,再结合点云几何信息和强度信息提取边缘线上的点云,最后对离散边缘点进行曲线拟合完成道路精提取。实验结果表明,该方法在无明显路沿的道路环境中,可有效识别道路边缘线。