本文關(guān)鍵詞：基于三維激光雷達的實時目標檢測　出處：《浙江大學》2014年碩士論文　論文類型：學位論文

  更多相關(guān)文章： 三維激光雷達 障礙檢測 機器學習 目標分類

【摘要】：無人自主車是一種集環(huán)境感知、規(guī)劃決策、運動控制功能于一體的人工智能平臺。無人車對周圍環(huán)境的感知需求是多方面的,其中之一就是對障礙物進行檢測,并在此基礎(chǔ)上,對感興趣的目標,如車輛和行人,進一步進行檢測和判別,以便合理應(yīng)對。在可使用的傳感器中,激光雷達由于其高精度測距、探測范圍大、抗干擾能力強等優(yōu)點,近年來在移動機器人上的應(yīng)用越來越廣泛。因此本文研究的重點是基于三維激光雷達的目標檢測。 本文將目標檢測分為障礙物檢測和目標分類兩個階段。對于障礙物檢測,首先介紹了論文研究的64線激光雷達傳感器,并推導了三維點云坐標轉(zhuǎn)化的內(nèi)參模型和外參模型。采用基于障礙柵格的檢測方法,將三維點云進行柵格投影和屬性判斷。為了抑制傳感器和環(huán)境噪聲,進行懸空點濾除和單點濾除。障礙柵格檢測具有快速穩(wěn)定,缺點是對數(shù)據(jù)的分割精度較低,易產(chǎn)生欠分割。因此本文提出了基于點云梯度的局部最優(yōu)分割方法,首先對掃描線的點進行梯度分割,然后在聚類的分割段中依據(jù)障礙屬性濾除誤檢,最后根據(jù)可靠的非障礙點估計局部地面來恢復漏檢點。實驗表明基于點云梯度的局部最優(yōu)分割方法效果比柵格方法好,但由于其計算量較大,實時性受到限制。在得到障礙物信息的基礎(chǔ)上,采用基于距離相關(guān)性的聚類和提取障礙物輪廓,并討論了障礙的可通行區(qū)域檢測。 對于目標分類,本文將環(huán)境中的障礙物分為三類：車輛、行人、其它。檢測過程中自主車是運動的,因此無論障礙物是否運動,在自主車看來都是運動的,所以本文不從是否運動的角度來分類障礙物。這樣做的好處是即使車輛或者行人是靜止的,也能得到較好的檢測。分類的主要思想是先檢測車輛和非車輛,然后在非車的障礙物中根據(jù)簡單幾何特征來判斷行人。針對車輛幾何形狀相似難以區(qū)分和物體遮擋等問題,提出了三種新特征描述：反射強度概率分布、縱向高度輪廓分布和位置姿態(tài)相關(guān)特征。最后根據(jù)障礙物的三維點云數(shù)據(jù)特征,實現(xiàn)了基于SVM分類器的實時車輛檢測。在城市復雜路口下實驗,驗證了本文所提車輛和行人檢測特征的有效性,并且整體系統(tǒng)能有較好的目標檢測精度和實時性能。
[Abstract]:Unmanned vehicle (UAV) is an artificial intelligence platform with environmental perception, planning, decision making and motion control functions. There are many perceptual requirements for the surrounding environment of UAV, one of which is to detect obstacles. And on this basis, the interested targets, such as vehicles and pedestrians, further detection and discrimination, in order to reasonably deal with. In the usable sensors, lidar has a wide range of detection due to its high accuracy ranging. In recent years, the anti-jamming ability is more and more widely used in mobile robot, so the focus of this paper is the target detection based on 3D lidar. In this paper, target detection is divided into two stages: obstacle detection and target classification. For obstacle detection, the 64-line lidar sensor studied in this paper is first introduced. The internal parameter model and external parameter model of 3D point cloud coordinate transformation are derived. Using the detection method based on barrier grid, the 3D point cloud is projected and attribute judgment is carried out in order to suppress sensor and environmental noise. The obstacle grid detection is fast and stable, the disadvantage is that the data segmentation accuracy is low, and it is easy to generate under-segmentation. Therefore, a local optimal segmentation method based on point ladder degree is proposed in this paper. Firstly, the points of the scan line are divided by gradient, and then the false detection is filtered according to the obstacle attributes in the segmentation segment of the clustering. Finally, the local surface is estimated according to the reliable non-obstacle points to recover the missing points. The experimental results show that the local optimal segmentation method based on the point ladder degree is better than the grid method, but because of the large amount of calculation. On the basis of obtaining obstacle information, the obstacle contour is extracted by clustering based on distance correlation, and the tradable area detection of obstacle is discussed. For target classification, the obstacles in the environment are divided into three categories: vehicles, pedestrians, others. In the process of detection, autonomous vehicles are moving, so no matter whether the obstacles are moving or not, they are all moving in the view of autonomous vehicles. Therefore, this paper does not classify obstacles from the point of view of motion. The advantage of this method is that even if the vehicle or pedestrian is stationary, it can also get better detection. The main idea of classification is to detect vehicles and non-vehicles first. Then the pedestrian is judged according to the simple geometric features in the non-vehicular obstacles. In view of the difficulty of distinguishing the geometric shape similarity of the vehicle and the object occlusion, three new features are proposed: the probability distribution of reflection intensity. Finally, according to the 3D point cloud data features of obstacles, real-time vehicle detection based on SVM classifier is realized. The effectiveness of the proposed vehicle and pedestrian detection features is verified, and the overall system has good target detection accuracy and real-time performance.
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TN958.98

【共引文獻】

相關(guān)期刊論文 前10條

1 冀衛(wèi)興;陳忠海;方箏;;基于DE—BP算法的空調(diào)負荷預測研究[J];四川建筑科學研究;2010年05期

2 莊振華;王年;李學俊;梁棟;王繼;;癌癥基因表達數(shù)據(jù)的熵度量分類方法[J];安徽大學學報(自然科學版);2010年02期

3 陳樂;王年;蘇亮亮;王蕊平;;基于鄰接譜主分量分析的腫瘤分類方法[J];安徽大學學報(自然科學版);2011年04期

4 葉愛霞;王年;蘇亮亮;;基于非負矩陣分解和Normal_Matrix的腫瘤基因分類[J];安徽大學學報(自然科學版);2012年03期

5 郭立萍;唐家奎;米素娟;張成雯;趙理君;;基于支持向量機遙感圖像融合分類方法研究進展[J];安徽農(nóng)業(yè)科學;2010年17期

6 王婷婷;黃燕;;基于NC-SVM的酵母蛋白功能預測研究[J];現(xiàn)代農(nóng)業(yè)科技;2011年07期

7 牟少敏;田盛豐;尹傳環(huán);;基于協(xié)同聚類的多核學習[J];北京交通大學學報;2008年02期

8 謝駿;胡均川;笪良龍;李玉陽;;支持向量機在模式分類中的應(yīng)用[J];兵工自動化;2009年10期

9 尚坤;李培軍;程濤;;基于合成核支持向量機的高光譜土地覆蓋分類[J];北京大學學報(自然科學版);2011年01期

10 封筠;頡斌;郝衛(wèi)東;楊揚;;一種SVM分類器自動模型選擇方法[J];北京科技大學學報;2006年01期

相關(guān)會議論文 前10條

1 尹鐘;張建華;;基于支持向量機方法的過程操作員功能狀態(tài)分類[A];中國自動化學會控制理論專業(yè)委員會A卷[C];2011年

2 ;LEAKAGE FORECASTING FOR WATER SUPPLY NETWORK BASED ON GA-SVM MODEL[A];Proceedings of the 2010 Symposium on Piezoelectricity,Acoustic Waves and Device Applications[C];2010年

3 武進;尹愷;王長明;張家才;;SVDM在蔬菜病害圖像分類中的應(yīng)用[A];圖像圖形技術(shù)與應(yīng)用進展——第三屆圖像圖形技術(shù)與應(yīng)用學術(shù)會議論文集[C];2008年

4 邵小健;段華;賀國平;;一種改進的最少核分類器[A];中國運籌學會第七屆學術(shù)交流會論文集（上卷）[C];2004年

5 任偉;閆桂英;;利用聚類算法來研究基因選擇問題[A];中國運籌學會第八屆學術(shù)交流會論文集[C];2006年

6 劉廣利;張躍峰;;一種新的預警指標選擇方法[A];2005中國控制與決策學術(shù)年會論文集（下）[C];2005年

7 ;Gait Recognition Based on the Fast Fourier Transform and SVM[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年

8 ;Final Sulfur Content Prediction Model in Hot Metal Desulphurization Process Based on IEA-SVM[A];Proceedings of the 2011 Chinese Control and Decision Conference（CCDC）[C];2011年

9 李潔;高峰;管曉宏;周佃民;;支持向量回歸學習方法中基于穩(wěn)定型GA的超參數(shù)選擇[A];第二十四屆中國控制會議論文集（下冊）[C];2005年

10 王立琦;杜茂;;基于激光掃描儀的智能車前方障礙物檢測[A];'2010系統(tǒng)仿真技術(shù)及其應(yīng)用學術(shù)會議論文集[C];2010年

相關(guān)博士學位論文 前10條

1 于化龍;基于DNA微陣列數(shù)據(jù)的癌癥分類技術(shù)研究[D];哈爾濱工程大學;2010年

2 柏堅;非線性數(shù)學地質(zhì)模型研究及在滇東南金礦成礦預測中的應(yīng)用[D];中國地質(zhì)大學（北京）;2010年

3 章鵬;多尺度特征檢測：方法和應(yīng)用研究[D];中國科學技術(shù)大學;2010年

4 呂寧;基于數(shù)據(jù)驅(qū)動的故障診斷模型及算法研究[D];哈爾濱理工大學;2009年

5 許偉;基于進化算法的復雜化工過程智能建模方法及其應(yīng)用[D];華東理工大學;2011年

6 渠瑜;基于SVM的高不平衡分類技術(shù)研究及其在電信業(yè)的應(yīng)用[D];浙江大學;2010年

7 皋軍;智能識別中的降維新方法及其應(yīng)用研究[D];江南大學;2010年

8 呂青;思維進化和支持向量機理論及其在煉焦配煤優(yōu)化中的應(yīng)用研究[D];太原理工大學;2011年

9 劉春波;統(tǒng)計建模方法的理論研究及應(yīng)用[D];江南大學;2011年

10 杜偉;機器學習及數(shù)據(jù)挖掘在生物信息學中的應(yīng)用研究[D];吉林大學;2011年

相關(guān)碩士學位論文 前10條

1 朱杰;一種基于聚類的支持向量機反問題求解算法[D];河北大學;2007年

2 劉維會;不平衡數(shù)據(jù)集上支持向量機算法研究[D];山東科技大學;2010年

3 王文棟;GEP及SVM融合的分類技術(shù)研究[D];廣西師范學院;2010年

4 劉松;基于OCSVM和主動學習的DDOS攻擊分布式檢測系統(tǒng)[D];鄭州大學;2010年

5 韓艷;基于支持向量機的發(fā)酵過程建模研究[D];大連理工大學;2010年

6 張峰;基于支持向量機的網(wǎng)站發(fā)布系統(tǒng)設(shè)計與實現(xiàn)[D];大連理工大學;2010年

7 李海燕;互信息特征選擇的研究及在代謝組學中的應(yīng)用[D];大連理工大學;2010年

8 嚴康;基于支持向量機的特征選擇算法研究[D];大連理工大學;2010年

9 蔣桂蓮;基于粗糙集和支持向量機的人臉識別[D];長沙理工大學;2010年

10 李新;支持向量機的核方法及其多核聚類算法的研究[D];中國海洋大學;2010年

，

本文編號：1419224