隨著人工智能、云計(jì)算、大數(shù)據(jù)等新技術(shù)的飛速發(fā)展,越來(lái)越多的人工智能及自動(dòng)化技術(shù)開始運(yùn)用到生產(chǎn)生活的各個(gè)方面。在三維領(lǐng)域,自動(dòng)駕駛技術(shù)方興未艾,其中的關(guān)鍵技術(shù)在于基于激光點(diǎn)云的地面自然場(chǎng)景目標(biāo)檢測(cè)與識(shí)別。該問(wèn)題在學(xué)術(shù)上也具有極高的研究?jī)r(jià)值,主要難點(diǎn)在于檢測(cè)過(guò)程中環(huán)境復(fù)雜,目標(biāo)容易受到遮擋,點(diǎn)云密度變化以及噪聲等因素的干擾,在檢測(cè)獲取得到目標(biāo)點(diǎn)云后,現(xiàn)有描述子描述能力有限,也無(wú)法較好的完成識(shí)別任務(wù)。本文從檢測(cè)識(shí)別兩個(gè)角度入手,提出并完成了以下工作:在目標(biāo)的檢測(cè)階段,利用多平面地面點(diǎn)擬合方法代替原有單平面地面點(diǎn)擬合,在擬合平面種子點(diǎn)的選取上也以高度先驗(yàn)為基礎(chǔ),提升了速度的同時(shí)地面點(diǎn)的擬合也更準(zhǔn)確;在點(diǎn)云聚類過(guò)程中,提出了基于LRF區(qū)域增長(zhǎng)的點(diǎn)云聚類方法,構(gòu)建點(diǎn)的局部參考坐標(biāo)框架(Local Reference Frame,LRF)時(shí)增加對(duì)噪聲及點(diǎn)云密度的處理,提高了算法魯棒性,此外采用MCMD算法對(duì)種子點(diǎn)的增長(zhǎng)進(jìn)行改善,得到了質(zhì)量更高的鄰域點(diǎn);并綜合形狀、分布、反射強(qiáng)度及視點(diǎn)特征構(gòu)建分類器對(duì)聚類目標(biāo)進(jìn)行了粗分類完成了虛警的抑制。當(dāng)完成檢測(cè)任務(wù),得到待識(shí)別目標(biāo)點(diǎn)云后,本文采用了當(dāng)前最有效的三維...

【文章頁(yè)數(shù)】：103 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文的主要內(nèi)容和組織結(jié)構(gòu)
2 地面自然場(chǎng)景的三維目標(biāo)檢測(cè)
    2.1 引言
    2.2 激光雷達(dá)數(shù)據(jù)分析
    2.3 點(diǎn)云地面點(diǎn)濾除
    2.4 基于分割的點(diǎn)云聚類
    2.5 基于目標(biāo)分類器的虛警抑制
    2.6 實(shí)驗(yàn)結(jié)果與分析
    2.7 本章小結(jié)
3 基于OctCNN網(wǎng)絡(luò)的三維目標(biāo)識(shí)別
    3.1 引言
    3.2 基于Octree的點(diǎn)云體素化表達(dá)
    3.3 OctCNN三維識(shí)別網(wǎng)絡(luò)
    3.4 基于多任務(wù)學(xué)習(xí)的OctCNN改進(jìn)
    3.5 本章小結(jié)
4 融合三維特征描述子的Fused OctCNN三維目標(biāo)識(shí)別
    4.1 引言
    4.2 基于ESF特征子的識(shí)別
    4.3 融合分析及網(wǎng)絡(luò)結(jié)構(gòu)
    4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 研究工作總結(jié)
    5.2 后續(xù)研究工作展望
致謝
參考文獻(xiàn)
附錄1 :攻讀碩士期間發(fā)表的論文及成果



本文編號(hào)：3752901