無人駕駛作為目前較為火熱的一個話題,技術(shù)方面面臨著諸多挑戰(zhàn)。無人駕駛中目標(biāo)識別的關(guān)鍵問題有三個,即目標(biāo)分類、定位和姿態(tài)確定。由于三維點云數(shù)據(jù)相比二維RGB圖像數(shù)據(jù)可以提供更多空間信息,因此更有利于三維中確定目標(biāo)類別、位置和姿態(tài),但是,點云數(shù)據(jù)量大,對識別系統(tǒng)整體的計算能力和存儲能力帶來很大挑戰(zhàn),且點云是三維數(shù)據(jù)難以直接應(yīng)用卷積進(jìn)行計算,這導(dǎo)致點云的應(yīng)用受到了限制。所以目前情況下,如何才能更好地應(yīng)用點云成為算法首先需要考慮的問題。本文主要基于典型無人駕駛真實場景下,針對三維點云不易被二維卷積網(wǎng)絡(luò)理解且數(shù)據(jù)量過大的問題,研究了一個多尺度端到端的三維目標(biāo)識別算法,用于同時對不同大小的目標(biāo)進(jìn)行分類、定位和獲取最小三維矩形框。首先,本文研究了KITTI數(shù)據(jù)集,將3D點云數(shù)據(jù)在2D RGB圖像上進(jìn)行投影,以保證兩者的匹配性�？紤]到在二維RGB圖像或是前視圖中,場景中重疊性小目標(biāo)可能存在強遮擋并且相互距離較近,而俯視視角下點云分布具有個體性,故選擇將點云轉(zhuǎn)化為鳥瞰圖進(jìn)行間接的信息獲取。本文選擇將鳥瞰圖送入卷積神經(jīng)網(wǎng)絡(luò),大大減少計算量的同時,還可以移植成熟的二維檢測框架用于三維目標(biāo)識別,有利于準(zhǔn)確性的... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

三維目標(biāo)識別概況不管是twostage或是onestage的算法，二維目標(biāo)識別算法在精確性或?qū)崟r性上都各有所側(cè)重和強調(diào)

圖 1-2 VoxelNet 中 3D 體素編碼示意圖基于點云的方法于點云的各種算法首先要解決的就是如何利用點云，由于激光雷影響，點云呈現(xiàn)稀疏、不均勻的特征，包括近多遠(yuǎn)少、遮擋等，均勻采樣，則會丟失很多細(xì)節(jié)信息影響后續(xù)識別�；邳c云的人[20,21]提出了 PointNet，從無序點集入手，巧妙設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò) T-Net 解決了點云旋轉(zhuǎn)帶來的坐標(biāo)變換問題，同時使用 mlp序性問題，它提供了完整的端到端學(xué)習(xí)的途徑，是解決點云應(yīng)用算法。

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文圖 1-2 VoxelNet 中 3D 體素編碼示意圖基于點云的方法于點云的各種算法首先要解決的就是如何利用點云，由于激光雷影響，點云呈現(xiàn)稀疏、不均勻的特征，包括近多遠(yuǎn)少、遮擋等，均勻采樣，則會丟失很多細(xì)節(jié)信息影響后續(xù)識別�；邳c云的人[20,21]提出了 PointNet，從無序點集入手，巧妙設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò) T-Net 解決了點云旋轉(zhuǎn)帶來的坐標(biāo)變換問題，同時使用 mlp序性問題，它提供了完整的端到端學(xué)習(xí)的途徑，是解決點云應(yīng)用算法。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的三維模型識別[J]. 楊軍,王亦民.  重慶郵電大學(xué)學(xué)報(自然科學(xué)版). 2019(02)
[2]基于點云數(shù)據(jù)的三維目標(biāo)識別和模型分割方法[J]. 牛辰庚,劉玉杰,李宗民,李華.  圖學(xué)學(xué)報. 2019(02)
[3]SR-SIHKS:一種非剛體全局形狀特征[J]. 萬麗莉,苗振江,岑翼剛.  計算機工程與應(yīng)用. 2014(04)

博士論文
[1]深度學(xué)習(xí)算法在無人駕駛視覺中的應(yīng)用[D]. 蔡惠民.西安電子科技大學(xué) 2018

碩士論文
[1]典型場景下無人駕駛?cè)S目標(biāo)識別算法研究[D]. 肖大鵬.哈爾濱工業(yè)大學(xué) 2018



本文編號：3259829