为增强无人车识别行驶环境中角点特征的鲁棒性,并提高角点特征的识别速度,基于观测
点的二变量正态概率密度映射之间的相对差值,提出了一种角点特征提取方法;将观测数据组映
射到二变量正态概率密度空间,获得每个观测点的映射;对映射结果进行归一化,消除协方差引起
的数值差异;在映射数值曲线中寻找波峰与波谷的位置,波峰对应的观测点最接近均值点,波谷对
应的观测点最接近拐点;利用波峰和波谷的相对高度判定该组观测数据是否符合角点特征的边长
要求;用波谷对应的原始观测数据点坐标作为角点特征,构建环境特征地图.试验结果表明:提取
方法能够处理观测点数大于６３,观测点角度分辨率大于１°的稀疏观测数据,在大尺寸室外环境和
室内环境中,提取方法都能够稳定识别大型角点;对小于１８０个点的观测数据,最大处理时间小于
５ms,平均处理时间小于１．９ms,提取方法减少了构建环境特征地图的时间;提取方法依据观测数
据的二变量正态概率密度提取角点特征,对观测误差和角点特征的尺度与形状不敏感,能够有效提
高角点特征的识别鲁棒性.
