三维传感器的发展为计算机视觉领域的研究提供了新的有效技术手段,激光雷达基于光反射测距,能够获取足够的空间信息来创建视觉表示,激光雷达采集的数据为许多单点,称为点云。通过对这些点云进行聚类并分析,针对感兴趣区域和目标进一步判别,实现对场景的态势感知。目前,激光雷达以帧率来捕获点云数据,获取三维动态场景,以其测距精度高、测程广、抗干扰能力强等优势,被广泛应用于自动驾驶、移动机器人等领域。本文以激光雷达点云为研究对象,重点研究自动驾驶船舶平台下激光雷达点云分解与重建的相关算法,主要研究工作如下:(1)根据船舶自动驾驶平台的整体架构,结合船舶自动识别系统在船舶航行中的作用,进行了基于激光雷达的自动驾驶场景感知系统设计。分析了基于飞行时间测距的激光雷达的工作原理和数据转换过程,实现对激光雷达点云数据的二维映射与显示。(2)在滤除离群点的基础上,综合考虑点云内部存在空网格和异常值的情况及平面点云梯度特性,设计了点云插值化与点云梯度的平面检测与分解算法。选取最低代表点作为种子点,并针对网格化数据通过插值进行缺失点补全,再采用3×3梯度过滤获得初始平面点云,最后经过最大似然抽样算法去除误检平面点,将平面点云和非平面点云分解出来。(3)设计了一种基于词袋模型的点云分类方法。根据点特征直方图特征描述,生成点特征直方图特征的视觉词典,得到基于词袋模型的点云表示。对比了K-最近邻法和支持向量机两种方法处理多类别点云的性能,并分别采用词袋模型构建的点特征直方图与原始点特征直方图特征向量进行分类训练和测试,实验结果表明,点特征直方图特征在词袋模型中能具有较好的鉴别力,能达到对目标点云分类的目的。(4)提出了一种改进的基于点特征直方图特征的点云二次配准与重建算法。首先根据参考点云与待配准点云的点直方图特征获取匹配点对,通过刚性不变约束和随机采样一致性算法去除误匹配点对,接着四元数法求解变换矩阵获取初始配准点云,最后采用最近点迭代算法根据点对位置关系获得精确配准点云,采用激光雷达点云配准与重建实验验证了算法的有效性。(5)模拟激光雷达在内河航道场景中的船舶会遇局面,综合考虑了能否获取船舶自动识别系统信息两种情况,映射目标船只模型到激光雷达点云,建立了多类别点云分类器,设计了基于目标船舶位置信息的目标分解与基于点云密度的目标分解过程,实现对特定船舶目标三维配准与重建,并能获取目标船舶的位置和航向。