针对车载激光扫描在重访道路时多趟点云的配准问题，提出一种地面点和杆状物结合的点云配准方法。配准前通过梯度算法提取地面点，依据空间相对分布关系对目标点集与待配准点集进行自动配对。考虑到传统迭代最近点（ICP）算法对初始位置要求高等局限性，采取先高程后平面的配准步骤：首先高程配准，基于地面点使用体素滤波器强化地形特征，通过利用距离约束条件来获取准确匹配点序列并计算初始配准参数，为精确配准提供良好的位姿信息；其次平面配准，以杆状物为配准基元，在利用直通滤波限定杆柱状剖面的基础上添加表面曲率特征，并设定阈值剔除错误邻近点对，从而提高配准精度和速度；最后根据线性内插实现长路线点云平滑。实测数据验证了该方法的有效性，三轴配准参数残差低于4 cm，均方根误差在3 cm左右，配准效率较高，可为大场景车载激光点云的配准提供技术参考。

道路标线提取与分类是智慧城市建设中需要解决的关键技术之一,也是智能驾驶亟待解决的技术难题。提出了一种基于深度学习的道路标线自动提取与分类方法,通过移动窗口法结合相邻扫描线拓扑关系进行地面点云的提取,并生成强度图像,基于深度学习方法实现道路标线的自动提取与分类,并利用KD树聚类分割算法结合矢量化方案实现道路标线的矢量化。基于实验数据对该方法进行验证分析,结果表明,使用该方法进行自动提取与分类的精度和F_score分别为92.59%和90.15%,证明了该方法的可行性和准确性。该方法为道路标线的自动提取提供了新思路,使道路标线提取工作变得更准确、高效,提升了道路标线获取与分类的智能化程度。

城市市政井盖的快速定位与提取是智慧城市部件管理中需要解决的关键性问题之一，也是城市道路养护智能化管理实现过程中待解决的技术难题。提出了一种基于移动测量系统的井盖自动定位与提取方法，利用地面粗糙度进行地面点云提取，并将地面点生成地面强度特征图像，基于改进的梯度直方图算法、主成分分析、支持向量机分类器三者结合的方法实现井盖的快速定位与提取，结合同步影像获取井盖的权属信息。基于实验数据对该方法进行定性、定量分析，基于该方法进行城市井盖自动提取的准确率可达88.495%，精确度为99%，证明了该方法的正确性、可行性与稳健性。该方法促进了道路养护部门智能化工作模式的提升，不仅降低了工作的危险系数，提高了检测精度，还将传统的外业检测转变为室内作业模式，自动化、智能化程度得到了大幅提升。