目標識別是智能車感知周圍環(huán)境實現(xiàn)智能行駛的重要技術,高精度的目標識別算法可為智能車的安全行駛提供保障,因此提出一種基于三維激光雷達點云多特征提取的車輛識別算法。將提取的激光雷達數(shù)據(jù)的12維特征與分類器相結(jié)合識別城市道路中的車輛目標。算法首先對非地面激光雷達點云進行聚類,對聚類后的每簇點云數(shù)據(jù)提取12維特征;然后根據(jù)這12維特征訓練四種分類器;最后使用KITTI數(shù)據(jù)集進行仿真,比較四種分類器的性能和三種不同維度特征(12維、26維、8維特征)識別車輛目標的準確率。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特征,可以提高車輛目標分類的準確性,與隨機森林結(jié)合的識別精度優(yōu)于其他分類器方法。另外,在百度Apollo數(shù)據(jù)集的道路場景中也驗證了該算法的性能,結(jié)果表明其可滿足車輛識別的精度。 

【文章來源】：傳感器與微系統(tǒng). 2020年10期

【文章頁數(shù)】：4 頁

【部分圖文】：

基于12維特征車輛識別的框架

本文在KITTI OBJECT數(shù)據(jù)庫上進行了仿真，并在百度Apollo數(shù)據(jù)庫進行了仿真驗證，如圖3所示為KITTI數(shù)據(jù)庫中城市場景的車輛識別結(jié)果，其中車輛目標用邊界框呈現(xiàn)。由于KITTI OBJECT數(shù)據(jù)庫沒有給出激光雷達點云的車輛聚類分割結(jié)果，因此，本文手動對非地面數(shù)據(jù)進行了DBSCAN聚類標注，總共提取了5 000個車輛目標和4 000個非車輛目標(包括行人、自行車、電線桿、交通指示牌等)，然后對這9 000個目標提取特征。本文從這些特征數(shù)據(jù)中隨機選取了4 000個車輛樣本和3 200個非車輛樣本作為訓練集，剩余的作為測試集。

機器學習車輛目標分類過程

【參考文獻】：
期刊論文
[1]基于Adaboost的孿生支持向量機人臉識別方法[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)三維激光雷達的車輛目標分類算法[J]. 楊思遠,鄭建穎.  傳感器與微系統(tǒng). 2020(07)
[3]基于多特征融合的車輛檢測算法[J]. 鄧淇天,李旭.  傳感器與微系統(tǒng). 2020(06)
[4]采用64線激光雷達的實時道路障礙物檢測與分類算法的研究[J]. 婁新雨,王海,蔡英鳳,鄭正揚,陳龍.  汽車工程. 2019(07)



本文編號：2918683