發(fā)布時間：2022-09-30 21:45

　　無人駕駛場景下基于點云數(shù)據(jù)的三維目標(biāo)檢測算法一直是無人駕駛感知技術(shù)中的研究熱點,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)檢測的方法開始顯示出巨大的優(yōu)勢。本文以車載64線激光雷達(dá)采集的點云數(shù)據(jù)作為研究基礎(chǔ),采用KITTI數(shù)據(jù)集作為評估樣本,研究在如何快速并準(zhǔn)確地基于點云數(shù)據(jù)檢測出環(huán)境中障礙物的位置、大小與方向,為車輛的跟蹤與路徑規(guī)劃提供可靠的信息。本文所提出的三維目標(biāo)檢測算法涉及點云體素化、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）使用歐氏聚類方法實現(xiàn)了基于點云數(shù)據(jù)的目標(biāo)檢測,在KITTI數(shù)據(jù)集上實現(xiàn)了較好的檢測效果。根據(jù)KITTI數(shù)據(jù)集的特點設(shè)計數(shù)據(jù)接口,對標(biāo)注目標(biāo)進(jìn)行預(yù)處理,并針對基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測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云轉(zhuǎn)化為體素的方法,通過對比試驗研究本方法對于體素的均勻性和算法的定位精度的影響。首次在在點云目標(biāo)檢測網(wǎng)絡(luò)中引入可形變卷積,增強(qiáng)了網(wǎng)絡(luò)對于不同方向與形狀的車輛的適應(yīng)性。提出新的RPN中anchor的生成方法,可以有效防止anchor與groun... 

【文章頁數(shù)】：81 頁

【學(xué)位級別】：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 無人駕駛感知技術(shù)研究現(xiàn)狀
    1.3 點云目標(biāo)檢測算法研究現(xiàn)狀
        1.3.1 基于鳥瞰圖的目標(biāo)檢測
        1.3.2 基于融合信息的3D目標(biāo)檢測
        1.3.3 基于點云的3D目標(biāo)檢測
    1.4 本文主要研究內(nèi)容
        1.4.1 研究內(nèi)容
        1.4.2 點云目標(biāo)檢測算法流程
    1.5 章節(jié)安排
第2章 傳統(tǒng)實現(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 基于歐氏聚類的目標(biāo)檢測
        2.2.1 歐氏聚類的原理
        2.2.2 基于歐氏聚類的目標(biāo)檢測實現(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
    2.4 點云特征提取
        2.4.1 點云特征提取的難點
        2.4.2 點云特征提取
    2.5 本章小結(jié)
第3章 網(wǎng)絡(luò)結(jié)構(gòu)與具體實現(xiàn)
    3.1 數(shù)據(jù)增強(qiáng)
    3.2 點云體素化
    3.3 網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.1 點云特征的選擇
        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 實驗與標(biāo)注工具設(shè)計
    4.1 點云目標(biāo)檢測評估方法
        4.1.1 mAP評價指標(biāo)
        4.1.2 AOS評價指標(biāo)
    4.2 實驗與評估
        4.2.1 訓(xùn)練細(xì)節(jié)
        4.2.2 KITTI數(shù)據(jù)集評估結(jié)果
    4.3 點云標(biāo)注工具設(shè)計
        4.3.1 標(biāo)注工具主要功能
        4.3.2 基于區(qū)域生長的智能框選算法
        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]面向點云的三維物體識別方法綜述[J]. 郝雯,王映輝,寧小娟,梁瑋,石爭浩.  計算機(jī)科學(xué). 2017(09)
[2]無人駕駛汽車環(huán)境感知技術(shù)綜述[J]. 王世峰,戴祥,徐寧,張鵬飛.  長春理工大學(xué)學(xué)報(自然科學(xué)版). 2017(01)
[3]激光雷達(dá)在無人駕駛環(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和點云庫的室內(nèi)三維物體識別與姿態(tài)估計[D]. 鄢武.廣東工業(yè)大學(xué) 2016
[2]單目視覺車輛檢測與類型識別方法研究[D]. 姚凱締.國防科學(xué)技術(shù)大學(xué) 2014
[3]基于雙目立體視覺的運動目標(biāo)檢測與跟蹤[D]. 趙聰.山東大學(xué) 2009



本文編號：3684328