尹涛、傅雪晴、范俊德、刘晓庆、刘晓雷、田雨欣等作者的研究《基于路侧激光雷达的目标识别方法研究》于2025年3月发表在《Journal of Municipal Technology》第43卷第3期。该研究旨在提升车路协同（Vehicle-to-Everything, V2X）的环境感知能力，提出了一种基于路侧激光雷达（LIDAR）的目标识别方法，结合栅格索引的帧间差分背景滤除方法和基于高斯核函数的DBSCAN（Density-Based Spatial Clustering of Applications with Noise）目标聚类算法，以提高车辆目标检测的精度和召回率。
车路协同技术通过车车通信、车路通信、车网通信和车人通信等多方面的融合，使得车辆能够实时感知并响应环境的动态变化，显著提升了交通安全水平及通行效率。然而，传统的路侧摄像头在目标检测和识别方面存在局限性，尤其是在光线不足或复杂环境下。激光雷达（LIDAR）因其高分辨率的三维点云数据、不受光线影响、360°水平视场角等优势，成为车路协同领域环境感知的主要传感器。然而，路侧激光雷达采集的点云数据中，除车辆目标外，还包括树木、建筑物、地面、噪声等背景信息，如何有效滤除背景并准确聚类目标点云成为研究的核心问题。
研究分为以下几个主要步骤：
道路点云提取
首先，使用直通滤波（Straight Pass Filtering）方法滤除道路以外的不相干点云，提取道路区域点云作为感兴趣区域（Region of Interest, ROI）。具体方法是在道路左右两侧分别随机提取两个点云，拟合成直线，计算任意点与这两条直线的距离之和，若等于道路宽度，则保留该点。为提高计算效率，ROI还限制了点云的高度，滤除车辆不可能存在区域的点云。
背景滤除
提取的ROI内除车辆点云外，还包括树木、地面等背景点云，需进一步滤除。研究采用基于栅格索引的帧间差分法进行背景滤除。首先将ROI进行二维栅格化，建立栅格索引，计算栅格密度。随后，通过帧间差分法计算当前帧与参考帧中同一索引的栅格密度差值，判断点云是否为目标点云。背景点云会发生轻微漂移，因此设定阈值θ进行判断，若密度差值大于θ，则保留该点云，否则滤除。
目标聚类
背景滤除后，研究采用基于高斯核函数的DBSCAN算法对目标点云进行聚类。由于激光雷达的扫描特性，距离较近的物体点云分布密集，而距离较远的物体点云分布稀疏，固定的DBSCAN参数无法满足不同距离目标的聚类需求。因此，研究提出采用高斯核函数估计点云密度，构建自适应系数函数，优化DBSCAN算法的近邻点聚类阈值（minpts）。具体步骤包括：从数据集中随机选择点云，探索其密度可达的点云，若点云数量大于优化后的minpts，则将其标记为核心对象，并归为一类，重复此过程直到所有点云被访问。
实验验证
研究在济南市经十路进行了路测试验，提取了15,000帧连续数据进行测试。实验使用Python编程语言，激光雷达设备为镭神智能C32，探测距离为150米，测点速率约60万/秒，帧率为10Hz。参数设置包括栅格长度vp为5分米，阈值θ为5，minpts为10，eps为1.4米。实验通过精度（Precision）和召回率（Recall）两个指标评估车辆检测的准确性。
实验结果显示，改进的DBSCAN聚类算法提高了点云簇的类内一致性和类间差异性，有效抑制了目标的过分割和丢失现象。车辆目标检测的平均精度为98.8%，平均召回率为93.6%。与其他算法相比，基于MEMS激光雷达的目标识别方法精度为91.3%，基于体素索引的点云实时聚类方法精度和召回率均在86%～87%之间，基于摄像头的目标识别方法精度为98.0%，但召回率仅为78.0%。研究提出的方法在精度和召回率上均表现优异。
研究提出的基于栅格索引的帧间差分背景滤除方法和基于高斯核函数的DBSCAN目标聚类算法，显著提升了车路协同环境感知能力。该方法在真实道路测试中表现出较高的检测精度和召回率，为智能网联汽车和自动驾驶技术的发展提供了技术支持。然而，研究未在雨、雾、雪等特殊天气条件下进行验证，未来需进一步研究特殊天气对激光雷达数据的影响。此外，研究仅考虑了车辆目标的识别，未涉及行人及非机动车等其他交通参与者的分类问题，这也是未来研究的方向之一。
研究还对比了不同安装高度对目标识别效果的影响，最终选择了4米高度的激光雷达数据作为试验数据。此外，研究详细分析了激光雷达的扫描特性对点云密度分布的影响，提出了自适应聚类参数的优化方法，为类似研究提供了参考。