發(fā)布時間：2022-10-19 12:23

　　針對基于激光雷達（LiDAR）的三維點云數(shù)據(jù)處理及道路障礙物檢測的問題,提出一種基于深度學(xué)習(xí)的路障礙物檢測方法。首先,采用統(tǒng)計濾波算法對原始點云進行離群點的剔除處理;其次,提出一種端到端的深度神經(jīng)網(wǎng)絡(luò)VNMax,利用最大池化對區(qū)域候選網(wǎng)絡(luò)（RPN）架構(gòu)進行優(yōu)化,構(gòu)建改進的目標檢測層;最后,在KITTI數(shù)據(jù)集上進行了訓(xùn)練及測試實驗。結(jié)果顯示,經(jīng)過濾波處理,點云中各點之間的平均距離得到有效減少。通過對在KITTI數(shù)據(jù)集的簡單、中等和困難任務(wù)的車輛定位處理結(jié)果比較得出,所提方法的平均精度比VoxelNet（Unofficial）分別提高了11.3個百分點、6.02個百分點和3.89個百分點。實驗測試結(jié)果表明,統(tǒng)計濾波算法仍是有效的三維點云數(shù)據(jù)處理手段,最大池化模塊可以提高深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能和目標定位能力。 

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 算法的總體思路
2 點云預(yù)處理
    2.1 點云預(yù)處理的必要性
    2.2 基于統(tǒng)計濾波算法的點云預(yù)處理
3 深度神經(jīng)網(wǎng)絡(luò)
    3.1 點云編碼層
    3.2 目標檢測層
    3.3 損失函數(shù)及部分參數(shù)選取
4 實驗結(jié)果與分析
    4.1 數(shù)據(jù)集及實驗環(huán)境
    4.2 實驗流程
    4.3 結(jié)果分析
5 結(jié)語


【參考文獻】：
期刊論文
[1]PointNet的點云數(shù)據(jù)集的破損測試與深度解讀[J]. 王勝文,張彬,孫菁聰.  中國傳媒大學(xué)學(xué)報(自然科學(xué)版). 2019(03)
[2]基于多尺度特征和PointNet的LiDAR點云地物分類方法[J]. 趙中陽,程英蕾,釋小松,秦先祥,李鑫.  激光與光電子學(xué)進展. 2019(05)
[3]Faster R-CNN模型在車輛檢測中的應(yīng)用[J]. 王林,張鶴鶴.  計算機應(yīng)用. 2018(03)

碩士論文
[1]基于深度學(xué)習(xí)的物體檢測與跟蹤方法的研究[D]. 曾鈺廷.東華理工大學(xué) 2018



本文編號：3693356