车载移动测量系统是现代测绘技术研究的热点问题。针对不同移动测量系统的数据处理问题，国内外专家学者进行了大量的实验研究。国外在该领域的研究起步较早，Manandhar和Shibasaki提出了根据断面扫描点的点位空间分布特征将点云分成不同组的算法，该方法能将建筑物、道路和树木初步分离；Shi和Vosselman提出了基于建筑物语义的点云数据特征提取方法，该方法首先对点云进行分割，然后根据语义特征进行分类；李必军等提出了基于建筑物几何特征的信息挖掘方法，该方法在点云去噪及分类方面，均需根据已知信息对观测值进行概算；史文中等提出了基于投影点密度的车载雷达（LiDAR）点云距离图像分割方法，该方法主要通过阈值对点云分类，但没有考虑到投影时地面点与非地物点叠加对结果的影响；杨必胜等提出了面向车载LiDAR点云快速分类的点云特征图像生成方法；有学者提出基于地物特征提取点云数据并分类的方法；还有很多学者对LiDAR点云进行了道路、建筑物、行道树等专题信息的提取方法研究。

　　本文结合LiDAR点云的基本特征及上下文语义环境，构建了点云的原始特征向量和扩展特征向量，并米用支持向量机（SupportVectorMachine，SVM）对行道树点云进行目标识别实验。

　　1车载LiDAR点云的特征向量及语义环境车载移动测量系统的点云基本特征主要包括三维空间坐标（XYZ）、回波强度信息（Intensity）、GPS时间（Time）、影像数据配准后的颜色信息（RGB）等。由于点云的时间特征在目标识别中不具备实际意义，故将点云的时间特征省略，由7个基本特征组成了车载LiDAR点云的原始特征向量（用凡表示）。即：为加快运算速度，可采用平面表面进行拟合。车载LiDAR点云可采用公（3）当对平面拟合进行残差分析时，采用各点到所拟合平面垂直距离作为点云数据平面拟合的残差。任何一个点到平面ax+by+cz=1的垂直距离为：其中，表示点云的实际坐标值，表示第i点到拟合平面的空间垂直距离。总残差3的计算方法为：残差均方根误差a的计算方法为：点云密度是指将点云投影到平面后点云数量与投影面积比。由于采用相同距离作为点群投影半径，每个以点云对象为中心的点群大小是相同的，因此可采用点云密度（用d表示）表述点群特征。由上所述，可计算出包括17个特征在内的点云扩展特征向量（用Fe表示），见公，男，山东寿光人，博士，工程师，主要从事车载LiDAR点云数据处理方法研究。

　　基金项目：国家自然科学基金青年基金资助项目（41101449）；精密工程与工业测量国家测绘地理信息局重点实验室开放研究基金资助项目（PF2011-26）（责任编辑：熊苹）