利用三維激光掃描儀能夠獲取三維點云數(shù)據(jù),點云數(shù)據(jù)具有高密度、高精度等特點,因此,在對復(fù)雜真實的三維場景進行目標(biāo)檢測時,包含豐富屬性信息的三維點云是當(dāng)前三維目標(biāo)檢測的重要數(shù)據(jù)基礎(chǔ)。目前計算機視覺領(lǐng)域的研究熱點之一是目標(biāo)檢測任務(wù),主要分為兩個任務(wù):在輸入數(shù)據(jù)中框出目標(biāo)物體的邊界框,同時判斷邊界框中的物體的所屬類別。二維目標(biāo)檢測技術(shù)已經(jīng)在主流的公開數(shù)據(jù)集上取得不俗的成績,但在圖像上進行的二維目標(biāo)檢測缺少空間信息,很難將其擴展到三維的目標(biāo)檢測,對于復(fù)雜場景和較小物體的魯棒性較差,無法滿足自動駕駛等高層次檢測任務(wù)的需求,因此如何建立一個高效智能化且能夠直接利用三維點云數(shù)據(jù)進行目標(biāo)檢測的三維目標(biāo)檢測模型具有重要研究意義。本文利用端到端的Frustum-Pointnets點云深度學(xué)習(xí)模型實現(xiàn)三維目標(biāo)檢測,并對模型進行改進和優(yōu)化,進一步提高Frustum-Pointnets模型檢測的準(zhǔn)確率。本文的主要內(nèi)容包括:(1)對主流的目標(biāo)檢測算法的總結(jié)對比。傳統(tǒng)的目標(biāo)檢測算法非常依賴人工提取特征的精度,針對這個問題,對目前利用深度學(xué)習(xí)網(wǎng)絡(luò)實現(xiàn)的目標(biāo)檢測算法進行對比分析,根據(jù)輸入數(shù)據(jù)的不同可以分為:利用圖像的目標(biāo)...

【文章頁數(shù)】：53 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
        1.2.1 基于二維圖像的目標(biāo)檢測
        1.2.2 基于原始點云的的目標(biāo)檢測
    1.3 研究方法及技術(shù)路線
第二章 相關(guān)理論基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 全連接層
        2.1.4 分類器
    2.2 PointNet
    2.3 PointNet++
    2.4 本章小結(jié)
第三章 Frustum-Pointnets模型的構(gòu)建
    3.1 三維視錐提取
    3.2 三維實例分割
    3.3 三維檢測框回歸
    3.4 本章小結(jié)
第四章 改進Frustum-Pointnets模型
    4.1 激活函數(shù)
        4.1.1 Sigmoid函數(shù)
        4.1.2 tanh函數(shù)
        4.1.3 ReLU函數(shù)
        4.1.4 現(xiàn)有激活函數(shù)的優(yōu)點和局限
            4.1.4.1 Sigmoid函數(shù)的不足
            4.1.4.2 ReLU函數(shù)的優(yōu)點和局限
        4.1.5 Swish函數(shù)
    4.2 參數(shù)初始化
    4.3 本章小結(jié)
第五章 三維目標(biāo)檢測實驗與分析
    5.1 數(shù)據(jù)集
    5.2 目標(biāo)檢測評價指標(biāo)
    5.3 實驗環(huán)境和參數(shù)設(shè)置
        5.3.1 實驗環(huán)境
        5.3.2 實驗參數(shù)分析
    5.4 基于PointNet和基于PointNet++對比實驗
    5.5 三維目標(biāo)檢測精度對比
    5.6 三維目標(biāo)檢測可視化
    5.7 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝
攻讀學(xué)位期間的研究成果



本文編號：3769942