無(wú)人駕駛場(chǎng)景下基于點(diǎn)云數(shù)據(jù)的三維目標(biāo)檢測(cè)算法一直是無(wú)人駕駛感知技術(shù)中的研究熱點(diǎn),隨著深度神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展與逐漸成熟,使用神經(jīng)網(wǎng)絡(luò)進(jìn)行三維目標(biāo)檢測(cè)的方法開(kāi)始顯示出巨大的優(yōu)勢(shì)。本文以車(chē)載64線激光雷達(dá)采集的點(diǎn)云數(shù)據(jù)作為研究基礎(chǔ),采用KITTI數(shù)據(jù)集作為評(píng)估樣本,研究在如何快速并準(zhǔn)確地基于點(diǎn)云數(shù)據(jù)檢測(cè)出環(huán)境中障礙物的位置、大小與方向,為車(chē)輛的跟蹤與路徑規(guī)劃提供可靠的信息。本文所提出的三維目標(biāo)檢測(cè)算法涉及點(diǎn)云體素化、神經(jīng)網(wǎng)絡(luò)、稀疏卷積以及可形變卷積等多項(xiàng)關(guān)鍵技術(shù),主要本文的主要研究成果如下:（1）使用歐氏聚類(lèi)方法實(shí)現(xiàn)了基于點(diǎn)云數(shù)據(jù)的目標(biāo)檢測(cè),在KITTI數(shù)據(jù)集上實(shí)現(xiàn)了較好的檢測(cè)效果。根據(jù)KITTI數(shù)據(jù)集的特點(diǎn)設(shè)計(jì)數(shù)據(jù)接口,對(duì)標(biāo)注目標(biāo)進(jìn)行預(yù)處理,并針對(duì)基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法提出了合適的數(shù)據(jù)增強(qiáng)方法。（2）基于激光雷達(dá)原理提出在柱坐標(biāo)系下劃分空間并將點(diǎn)云轉(zhuǎn)化為體素的方法,通過(guò)對(duì)比試驗(yàn)研究本方法對(duì)于體素的均勻性和算法的定位精度的影響。首次在在點(diǎn)云目標(biāo)檢測(cè)網(wǎng)絡(luò)中引入可形變卷積,增強(qiáng)了網(wǎng)絡(luò)對(duì)于不同方向與形狀的車(chē)輛的適應(yīng)性。提出新的RPN中anchor的生成方法,可以有效防止anchor與groun... 

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景和意義
    1.2 無(wú)人駕駛感知技術(shù)研究現(xiàn)狀
    1.3 點(diǎn)云目標(biāo)檢測(cè)算法研究現(xiàn)狀
        1.3.1 基于鳥(niǎo)瞰圖的目標(biāo)檢測(cè)
        1.3.2 基于融合信息的3D目標(biāo)檢測(cè)
        1.3.3 基于點(diǎn)云的3D目標(biāo)檢測(cè)
    1.4 本文主要研究?jī)?nèi)容
        1.4.1 研究?jī)?nèi)容
        1.4.2 點(diǎn)云目標(biāo)檢測(cè)算法流程
    1.5 章節(jié)安排
第2章 傳統(tǒng)實(shí)現(xiàn)方法與神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
    2.1 數(shù)據(jù)集與數(shù)據(jù)預(yù)處理
        2.1.1 KITTI數(shù)據(jù)集
        2.1.2 標(biāo)簽坐標(biāo)系轉(zhuǎn)換
    2.2 基于歐氏聚類(lèi)的目標(biāo)檢測(cè)
        2.2.1 歐氏聚類(lèi)的原理
        2.2.2 基于歐氏聚類(lèi)的目標(biāo)檢測(cè)實(shí)現(xiàn)
    2.3 神經(jīng)網(wǎng)絡(luò)基本原理
        2.3.1 神經(jīng)網(wǎng)絡(luò)的基本原理
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        2.3.3 卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
    2.4 點(diǎn)云特征提取
        2.4.1 點(diǎn)云特征提取的難點(diǎn)
        2.4.2 點(diǎn)云特征提取
    2.5 本章小結(jié)
第3章 網(wǎng)絡(luò)結(jié)構(gòu)與具體實(shí)現(xiàn)
    3.1 數(shù)據(jù)增強(qiáng)
    3.2 點(diǎn)云體素化
    3.3 網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.1 點(diǎn)云特征的選擇
        3.3.2 體素特征提取層
        3.3.3 空間特征提取層
        3.3.4 可形變卷積層
        3.3.5 RPN
    3.4 損失函數(shù)
    3.5 網(wǎng)絡(luò)訓(xùn)練
        3.5.1 anchor與 ground truth
        3.5.2 優(yōu)化器與學(xué)習(xí)率
    3.6 NMS及后處理
        3.6.1 3D回歸框解碼
        3.6.2 非極大值抑制
    3.7 本章小結(jié)
第4章 實(shí)驗(yàn)與標(biāo)注工具設(shè)計(jì)
    4.1 點(diǎn)云目標(biāo)檢測(cè)評(píng)估方法
        4.1.1 mAP評(píng)價(jià)指標(biāo)
        4.1.2 AOS評(píng)價(jià)指標(biāo)
    4.2 實(shí)驗(yàn)與評(píng)估
        4.2.1 訓(xùn)練細(xì)節(jié)
        4.2.2 KITTI數(shù)據(jù)集評(píng)估結(jié)果
    4.3 點(diǎn)云標(biāo)注工具設(shè)計(jì)
        4.3.1 標(biāo)注工具主要功能
        4.3.2 基于區(qū)域生長(zhǎng)的智能框選算法
        4.3.3 最小包圍盒生成算法
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]面向點(diǎn)云的三維物體識(shí)別方法綜述[J]. 郝雯,王映輝,寧小娟,梁瑋,石爭(zhēng)浩.  計(jì)算機(jī)科學(xué). 2017(09)
[2]無(wú)人駕駛汽車(chē)環(huán)境感知技術(shù)綜述[J]. 王世峰,戴祥,徐寧,張鵬飛.  長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(01)
[3]激光雷達(dá)在無(wú)人駕駛環(huán)境感知中的應(yīng)用[J]. 黃武陵.  單片機(jī)與嵌入式系統(tǒng)應(yīng)用. 2016(10)

碩士論文
[1]基于ROS和點(diǎn)云庫(kù)的室內(nèi)三維物體識(shí)別與姿態(tài)估計(jì)[D]. 鄢武.廣東工業(yè)大學(xué) 2016
[2]單目視覺(jué)車(chē)輛檢測(cè)與類(lèi)型識(shí)別方法研究[D]. 姚凱締.國(guó)防科學(xué)技術(shù)大學(xué) 2014
[3]基于雙目立體視覺(jué)的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤[D]. 趙聰.山東大學(xué) 2009



本文編號(hào)：3684328