針對基于激光雷達（LiDAR）的三維點云數據處理及道路障礙物檢測的問題,提出一種基于深度學習的路障礙物檢測方法。首先,采用統(tǒng)計濾波算法對原始點云進行離群點的剔除處理;其次,提出一種端到端的深度神經網絡VNMax,利用最大池化對區(qū)域候選網絡（RPN）架構進行優(yōu)化,構建改進的目標檢測層;最后,在KITTI數據集上進行了訓練及測試實驗。結果顯示,經過濾波處理,點云中各點之間的平均距離得到有效減少。通過對在KITTI數據集的簡單、中等和困難任務的車輛定位處理結果比較得出,所提方法的平均精度比VoxelNet（Unofficial）分別提高了11.3個百分點、6.02個百分點和3.89個百分點。實驗測試結果表明,統(tǒng)計濾波算法仍是有效的三維點云數據處理手段,最大池化模塊可以提高深度神經網絡的學習性能和目標定位能力。 

【文章頁數】：6 頁

【文章目錄】：
0 引言
1 算法的總體思路
2 點云預處理
    2.1 點云預處理的必要性
    2.2 基于統(tǒng)計濾波算法的點云預處理
3 深度神經網絡
    3.1 點云編碼層
    3.2 目標檢測層
    3.3 損失函數及部分參數選取
4 實驗結果與分析
    4.1 數據集及實驗環(huán)境
    4.2 實驗流程
    4.3 結果分析
5 結語


【參考文獻】：
期刊論文
[1]PointNet的點云數據集的破損測試與深度解讀[J]. 王勝文,張彬,孫菁聰.  中國傳媒大學學報(自然科學版). 2019(03)
[2]基于多尺度特征和PointNet的LiDAR點云地物分類方法[J]. 趙中陽,程英蕾,釋小松,秦先祥,李鑫.  激光與光電子學進展. 2019(05)
[3]Faster R-CNN模型在車輛檢測中的應用[J]. 王林,張鶴鶴.  計算機應用. 2018(03)

碩士論文
[1]基于深度學習的物體檢測與跟蹤方法的研究[D]. 曾鈺廷.東華理工大學 2018



本文編號：3693356