目標(biāo)識(shí)別是智能車(chē)感知周?chē)h(huán)境實(shí)現(xiàn)智能行駛的重要技術(shù),高精度的目標(biāo)識(shí)別算法可為智能車(chē)的安全行駛提供保障,因此提出一種基于三維激光雷達(dá)點(diǎn)云多特征提取的車(chē)輛識(shí)別算法。將提取的激光雷達(dá)數(shù)據(jù)的12維特征與分類(lèi)器相結(jié)合識(shí)別城市道路中的車(chē)輛目標(biāo)。算法首先對(duì)非地面激光雷達(dá)點(diǎn)云進(jìn)行聚類(lèi),對(duì)聚類(lèi)后的每簇點(diǎn)云數(shù)據(jù)提取12維特征;然后根據(jù)這12維特征訓(xùn)練四種分類(lèi)器;最后使用KITTI數(shù)據(jù)集進(jìn)行仿真,比較四種分類(lèi)器的性能和三種不同維度特征(12維、26維、8維特征)識(shí)別車(chē)輛目標(biāo)的準(zhǔn)確率。仿真結(jié)果表明:提取的12維特征相比較于其它兩種維度的激光雷達(dá)特征,可以提高車(chē)輛目標(biāo)分類(lèi)的準(zhǔn)確性,與隨機(jī)森林結(jié)合的識(shí)別精度優(yōu)于其他分類(lèi)器方法。另外,在百度Apollo數(shù)據(jù)集的道路場(chǎng)景中也驗(yàn)證了該算法的性能,結(jié)果表明其可滿(mǎn)足車(chē)輛識(shí)別的精度。 

【文章來(lái)源】：傳感器與微系統(tǒng). 2020年10期

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

基于12維特征車(chē)輛識(shí)別的框架

本文在KITTI OBJECT數(shù)據(jù)庫(kù)上進(jìn)行了仿真，并在百度Apollo數(shù)據(jù)庫(kù)進(jìn)行了仿真驗(yàn)證，如圖3所示為KITTI數(shù)據(jù)庫(kù)中城市場(chǎng)景的車(chē)輛識(shí)別結(jié)果，其中車(chē)輛目標(biāo)用邊界框呈現(xiàn)。由于KITTI OBJECT數(shù)據(jù)庫(kù)沒(méi)有給出激光雷達(dá)點(diǎn)云的車(chē)輛聚類(lèi)分割結(jié)果，因此，本文手動(dòng)對(duì)非地面數(shù)據(jù)進(jìn)行了DBSCAN聚類(lèi)標(biāo)注，總共提取了5 000個(gè)車(chē)輛目標(biāo)和4 000個(gè)非車(chē)輛目標(biāo)(包括行人、自行車(chē)、電線(xiàn)桿、交通指示牌等)，然后對(duì)這9 000個(gè)目標(biāo)提取特征。本文從這些特征數(shù)據(jù)中隨機(jī)選取了4 000個(gè)車(chē)輛樣本和3 200個(gè)非車(chē)輛樣本作為訓(xùn)練集，剩余的作為測(cè)試集。

機(jī)器學(xué)習(xí)車(chē)輛目標(biāo)分類(lèi)過(guò)程

【參考文獻(xiàn)】：
期刊論文
[1]基于Adaboost的孿生支持向量機(jī)人臉識(shí)別方法[J]. 劉建明,張捷,雷婕,廖周宇.  傳感器與微系統(tǒng). 2020(07)
[2]基于路側(cè)三維激光雷達(dá)的車(chē)輛目標(biāo)分類(lèi)算法[J]. 楊思遠(yuǎn),鄭建穎.  傳感器與微系統(tǒng). 2020(07)
[3]基于多特征融合的車(chē)輛檢測(cè)算法[J]. 鄧淇天,李旭.  傳感器與微系統(tǒng). 2020(06)
[4]采用64線(xiàn)激光雷達(dá)的實(shí)時(shí)道路障礙物檢測(cè)與分類(lèi)算法的研究[J]. 婁新雨,王海,蔡英鳳,鄭正揚(yáng),陳龍.  汽車(chē)工程. 2019(07)



本文編號(hào)：2918683