LiDAR360激光雷达点云数据处理软件用户手册

采用朴素贝叶斯算法对雷达点云数据进行分类，先构建kd树对点云领域进行搜寻，后提取点云的法向量、残差、主成分及高程差作为朴素贝叶斯算法的参数，运行程序可得到分类结果图。 （1）主程序为Classify.m （2）../data里为txt格式的训练样本与测试样本点云数据。

来自激光雷达点云的已知定位相机的全密集深度图图像激光雷达传感器可以为我们提供关于周长的大量信息，这些信息对于许多自动机器人应用（例如自动驾驶汽车）非常重要。 虽然，激光雷达传感器为我们提供了 360 度的视点云并且它非常密集，但如果我们想匹配这些点云中的任何相机图像，某些相机的深度图变得非常稀疏，并且使用匹配的深度远远落后任何目的的信息。 在这个项目中，我们专注于从样本 Kitti 数据集 [1] 中读取点云、相机图像和校准参数，并为某些平移和旋转已知的相机创建密集的深度图像。

该资源为博客《激光雷达点云与单幅图像配准/映射变为彩色点云》案例中的点云数据。

该资源为博客《激光雷达点云与单幅图像配准/映射变为彩色点云》中所用的二维图像

本文件规定了智能网联汽车激光雷达点云标注的基本内容、要求以及方法。 本文件适用于智能网联汽车激光雷达点云数据的标注。

一种基于车载激光雷达点云数据的堤坝自动提取方法，唐雪华，姚春静，本文以车载激光雷达点云数据为源数据，在分析点云滤波和堤坝横断面（剖面）空间几何分布特征的基础上，提出了一种基于多项式曲线

激光雷达点云多条车道线检测及拟合，包含一个深度学习模型的车道线检测（分为cuda版本及C++版本），并且提供了模型权重及测试pcd；一个是点云传统算法的车道线检测。

在自动驾驶领域涉及的众多任务中，行人识别是必不可少的技术之一。针对基于图像数据的行人检测算法无法获得行人深度的问题，提出了基于激光雷达数据的行人检测算法。该算法结合传统基于激光雷达数据的运动目标识别算法和基于深度学习的点云识别算法，可以在不依赖图像数据的条件下感知和检测行人，进而获取行人的准确三维位置，辅助自动驾驶控制系统作出合理决策。该算法在KITTI三维目标检测任务数据集上进行性能测试，中等难度测试达到33.37%的平均准确度，其表现领先于其他基于激光雷达的算法，充分证明了该方法的有效性。

本文的主要步骤是先采用激光雷达传感器获取路边场景信息，然后对保存的点云文件进行预处理，最后对三维点云状态下的动态目标进行运动信息提取。