针对大型桥梁车辆移动荷载监测场合中车辆的重心估计能力不足和车辆再识别困难等问题，提出一种基于点云灰度图的彩色图像与点云快速融合方法，以提高对车辆的空间定位能力和对目标的辨识能力。首先利用立体标定靶对不同视角相机和点云采集装置的位姿进行标定，获取它们彼此间的相对位置和姿态；然后利用标定的结果对不同视角采集到的点云进行拼接，得到完整的车辆点云；再将完整点云转换至彩色相机坐标系并投影，提取点云灰度图，实现彩色图像与点云灰度图的配准，将其姿态调整至与车辆实体在彩色相机坐标系内的位置和姿态一致。进一步建立彩色像素点与三维点云间的映射关系，并将颜色信息与点云相关联，从而实现彩色图像与点云的融合。利用融合后的彩色点云和相机成像模型，可以得到车辆在彩色相机坐标系中的虚拟图像，为车辆的再识别提供依据。结果显示，相比于采样一致性算法，所提配准算法缩短了约74.1%的耗时。实验表明，所提算法实现数据融合后生成的彩色点云具有较高的还原度，证明了所提算法的可行性，为解决类似的问题提供了新的思路和方法。

当前的动态目标识别方法在场景复杂的图像中，因为无法采集足够多的特征信息，导致识别结果应用性受限。基于三维激光点云提出一种运动图像动态目标识别方法。利用三维扫描系统获取运动点云图像特征，在不影响有效信息采集的情况下，进行图像预处理；引入地平面方程，将图像背景点云与被识别目标点云通过欧式聚类法分割，提取处理后的被识别目标关键点，并采用Freeman链码检测边缘特征，完成运动图像动态目标识别。试验对比结果表明，所研究基于三维激光点云的运动图像动态目标识别方法，对动态目标有良好的鉴别能力及较好的识别精度，且所需动态目标识别时间较短。

在激光雷达的光机设计中,由于各项参数需要满足实际项目的指标需求,会导致激光雷达的光源中心与机械旋转中心不重合,进而造成点云图像产生弯曲,严重影响激光雷达的性能。因此,结合三维雷达的实际扫描情况,首先分析了激光雷达点云图像产生弯曲的原因并推导出每一条扫描线的误差计算公式。其次,通过修正参数的方式,将相对坐标系下的像素点转化成世界坐标系下的深度值,从而完成坐标系的转换,最终修正点云图像的弯曲,同时结合五幅点云图像详细分析了修正后算法的可靠性。实验结果证明,在进行算法修正之后,点云图像表现为处处是平面,几乎没有弯曲,所有测试障碍物的外形轮廓没有明显变形,像素点的排列整齐有序,测距误差由原来的10.2 cm减小到2 cm以内。且雷达在监测区域内最近处[坐标为（0,1.8 m）]的横向距离分辨率达到7.5 cm,纵向距离分辨率达到4.8 cm;最远处[坐标为（25 m,4.5 m）]的横向距离分辨率达到20 cm,纵向距离分辨率达到6.1 cm。通过与传统的数据匹配和拼接模型相比,证实了坐标系转换的算法可以从根本上解决坐标中心不重合和振镜旋转引起的两种非线性误差,而且通过下雪和复杂环境下的测试实验进一步证明了算法具有很高的稳定性。

考虑到ROS SLAM构建的地图只能描述环境的二维信息, 三维点云图像只能描述物体独立的三维信息等特点, 本文融合了ROS SLAM的Gmapping算法构建的室内二维地图与物体的三维点云图像信息, 提出了一种复合坐标定位系统。首先对不同室内进行分类, 进行一维坐标的标定, 其次通过对Gmapping算法构建好的地图等进行二三维坐标标定, 再结合空间信息构成外部坐标系φ, 最后通过对采集到的物体三维点云坐标进行仿射运算获得物体基于外部坐标三维坐标, 结合一维坐标, 对物体进行复合四维坐标定位。整个定位实验数据表明, 物体室内的位置平均测量误差只有4.2 cm, 其定位精度比起常见的超声波与红外线定位系统提高6.7%, 比基于蓝牙角度测量的定位系统定位精度提高20%, 比超宽带定位系统提高72%。物体定位误差小, 定位精准。