迭代最近点法(ICP)及其变体是三维点云刚性配准的典型方法, 但此类通过迭代计算逐点距离矩阵实现点云配准的方式, 严重制约了点云的配准效率。本文提出一种快速 ICP算法, 利用 Frobenius范数表示待配准的两幅点云之间的误差函数, 获得误差值最小点位置, 并对此位置进行奇异值分解, 从而得到旋转矩阵和平移向量, 极大压缩了迭代次数和配准时间。在 Standford数据集和 3DMatch数据集上进行试验, 与传统 ICP算法及其变体、3种基于学习的点云配准算法进行对比, 本文方法配准效率最优; 在达到相近的配准精确度时, 提出的快速 ICP方法的迭代次数仅为传统 ICP算法的 0.2倍, 在 Standford数据集上配准所需时间为传统 ICP算法的 1/4, 在 3D Match数据集上配准所需时间为传统 ICP算法的 1/8倍。本文提出的快速 ICP算法在数据量大的点云场景下, 具有更高的效率。

为解决激光雷达点云深度学习网络模型在移动端嵌入式设备部署存在的耗时耗存储问题,提出了一种激光雷达点云可学习二值量化网络模型。该模型基于特征的知识蒸馏,将全精度网络各层统计特征知识转移到二值量化网络,较大幅度地提升了量化精度;提出基于遗传算法的二值量化尺度因子恢复可学习优化算法,通过逐层搜索初始最优尺度恢复因子,并通过网络自学习大幅减少网络参数量;提出一种统计自适应池化损失最小化算法,包括量化网络自调节和全精度网络转移调节两种方式,以解决量化网络中池化信息损失较大的问题。实验结果表明,所提算法在获取高精度的同时实现了较大压缩比和加速比,可将PointNet大小压缩为原来的1/23、加速35倍以上,对其他点云主流深度网络具有良好的扩展性。

已有激光雷达点云单目标跟踪工作对分布稀疏、小规模点云目标的跟踪性能不佳。针对该问题,提出了一种融合附加神经网络的点云单目标跟踪算法。所提算法在网络训练时,利用附加网络执行前景点云分割和中心坐标偏移回归的附加任务,引导骨干网络学习稀疏、小规模目标点云的高鉴别力特征,供后续网络在逐帧点云中完成对目标的定位和与背景的区分;网络推断时,则绕过附加网络,直接由骨干网络提取目标点云特征,在保证跟踪任务准确性的同时满足任务实时性的要求。在KITTI数据集上的测试结果表明:相较于已有工作,所提算法在相同参数设定下平均跟踪成功率提高了0.89个百分点,平均跟踪准确率提高了2.51个百分点;并且通过对参数设定的进一步研究与调整,最终所提算法平均跟踪成功率提高了4.54个百分点,平均跟踪准确率提高了7.83个百分点,且对分布稀疏、点数较少的点云目标有明显的性能提升。

激光雷达可以准确、快速获取目标的三维(3D)空间信息,是一种常用的高分辨率成像技术。结合高频脉冲激光器、条纹相机以及信号处理技术,设计了一套激光雷达3D成像系统。其中,脉冲激光具有高峰值功率的特点,可以有效探测远距离目标物。相比高频微波调制的激光脉冲,结合脉冲压缩和法布里-珀罗腔振荡可以获得高能量的激光脉冲。条纹相机是一种具有快速微弱光探测能力的高速相机,可对远距离目标进行探测。采用均值滤波和邻域均值滤波方式抑制条纹相机的背景噪声,采用带通滤波和匹配滤波抑制低频噪声、提高信噪比,根据噪声的强度分布,用阈值滤波滤除剩余噪声,最终获得高精度的3D目标图像。在空气、烟雾中的3D目标成像实验结果表明,本系统具有较高的距离分辨率和目标细节捕捉能力。

在激光雷达的水下应用中，由于水体对光的吸收和散射作用使得激光在水下的传输复杂多变，尤其是后向散射所造成的噪声会降低目标对比度甚至淹没目标回波，导致水下激光回波检测面临挑战。副载波调制技术可以有效地改善激光雷达系统水下探测性能，提高目标回波信号的信噪比。基于Monte Carlo方法提出了改进的副载波调制脉冲激光雷达水下传输模型，研究了海水衰减系数和通频带等因素对于系统性能的影响。仿真结果表明：相比于传统激光雷达，水体环境参数、滤波过程中的通频带选择对于系统水下探测性能影响较大；副载波调制技术可以提高目标回波信噪比和测量精度，有效改善系统性能。

为了高效提取激光雷达点云数据的局部几何结构特征,实现三维(3D)目标的配准、检测和识别,提出了一种基于分层墨卡托投影(HMec)的局部点云特征描述子。首先,采用传统方法进行特征提取;然后,利用具有保角特性的墨卡托投影,将3D点云数据的局部邻域点分层投影到多个墨卡托平面上;最后,分别统计各墨卡托平面的分布直方图,得到特征点的局部特征描述子。HMec特征描述子能很好地保留点云的局部几何结构特征,从而提高特征描述子的辨别力。在Bologna和3DMatch数据集上的测试结果表明,相比其他9种局部特征描述子,HMec特征描述子的辨别力更强、噪声鲁棒性更好。

对空间目标进行形态结构分析, 对于航天器空间操作和空间攻防等空间任务具有重要意义。探索了一种空间目标结构分析方法。首先利用最小曲率准则和最短分割线准则，并结合目标骨架，构建了一种新的形状分解的方法；在此基础上，将小波矩特征引入到卫星部件形状分析中，并利用粗糙集约简算法选择有效的小波矩特征；最后利用支持向量机构造了多尺度形状识别器，结合目标先验信息实现对空间目标结构的分析。仿真实验结果表明了所提方法的有效性。

设计了一个基于可见光成像并针对空间点目标的天基空间目标成像仿真系统。分析了天基空间目标探测成像的过程，据此将成像仿真过程分为轨道仿真、恒星背景成像仿真、目标成像仿真及电荷耦合器件(CCD)传感器系统仿真四个部分。在空间目标仿真部分将卫星主体简化为长方体、圆柱体及球体三种结构，借鉴雷达截面积提出了目标的光学截面积，利用目标光学截面积可以简单快速地得到目标在成像平面上的亮度大小。该系统实现了基于可见光成像的远距离天基空间点目标成像仿真，可以获取任意观测时段、任意轨道下不同主体结构的空间目标观测仿真图像。