為給激光雷達三維點云目標檢測提供一種更智能、更穩(wěn)健的信息處理算法,提出一種基于激光雷達獲取的點云數(shù)據(jù)的車輛目標檢測算法。采用局部高程對地面進行擬合,對目標場景進行預分類;根據(jù)目標的幾何尺寸建立ROI （感興趣區(qū)域）,對該區(qū)域內(nèi)的點云數(shù)據(jù)進行聚類分析,大致檢測出目標物體。由于現(xiàn)實場景中往往存在與目標高程相近的物體,采用基于Harr-like特征的AdaBoost分類器對ROI進行復核,劃定檢測目標。實驗結果表明,在目標遮擋率為50%的情況下,算法的檢測準確率也能將近90%。 

【文章來源】：計算機工程與設計. 2020年01期 第203-207頁 北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

原始場景圖和曲面擬合對比

經(jīng)過點云ROI檢測，對于復雜場景可以有效的實現(xiàn)對其中包含典型地面目標的ROI進行檢測。但這些ROI中仍存在一定的虛警，如場景中某些植被高度與目標接近等情況，則難以通過ROI檢測來判定。為解決上述問題，使用一種改進的基于AdaBoost的三維目標檢測算法，該算法采用旋轉模型的方法解決了三維Harr特征對旋轉敏感的問題[13]，然后根據(jù)虛警的分布特點濾除被分類器誤判的區(qū)域，最終實現(xiàn)目標檢測。AdaBoost算法流程如圖2所示。2.1 Harr-like特征值

3D Harr-like特征

【參考文獻】：
期刊論文
[1]基于Haar-like和AdaBoost的車臉檢測[J]. 朱善瑋,李玉惠.  電子科技. 2018(08)
[2]基于車載32線激光雷達點云的車輛目標識別算法[J]. 孔棟,王曉原,劉亞奇,陳晨,王方.  科學技術與工程. 2018(05)
[3]一種基于類Haar特征和AdaBoost算法的前車檢測方法[J]. 余小角,郭景,徐凱,王娜.  微型機與應用. 2017(13)
[4]基于Haar-like和MB-LBP特征分區(qū)域多分類器車輛檢測[J]. 朱彬,王少平,梁華為,袁勝,楊靜,黃俊杰.  模式識別與人工智能. 2017(06)
[5]基于Haar-like特征與Adaboost算法的前方車輛辨識技術研究[J]. 朱志明,喬潔.  電子測量技術. 2017(05)
[6]基于類Haar特征和AdaBoost的車輛識別技術[J]. 張雪芹,方婷,李志前,董明杰.  華東理工大學學報(自然科學版). 2016(02)



本文編號：2907079