基于视觉图像与激光点云融合的交通车辆检测

发布时间：2022-12-09 02:12

　　近年来,随着人工智能技术的发展与成熟,其应用越来越广泛,自动驾驶则近几年国内外研究团队对人工智能技术的一个重点研究方向。车辆检测是自动驾驶需要完成的首要任务,使用多传感器融合进行车辆检测是未来主流的研究方向。针对目前现有的基于多传感器融合的检测方案不能满足应用需求的问题,本文提出了新的基于多传感器融合的解决方案。本文设计的基于图像与点云融合的车辆检测方案主要包括四点研究内容:网络主体结构、特征提取网络、融合算法以及检测输出网络。为了保证检测精度,本文设计了基于两步法的网络主体结构,对目标进行两次预测。针对输入的图像数据与点云数据,本文对两者的特征提取网络分别设计。图像数据利用改进的VGG16网络实现对图像特征的提取。点云的特征提取网络则分两部分进行设计,包括体素特征学习网络与特征提取网络。体素特征学习网络是针对点云三维数据格式而设计的网络结构,其目的是为了保留数据原始的空间信息。将三维数据在俯视图上进行栅格化处理,统计每个栅格内各个点的坐标信息。利用神经网络学习栅格内每个点的特征信息,聚合得到点对点的输入特征。设计了基于3D卷积与2D卷积的特征提取网络,完成对点云数据的特征提取。针对生... 

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景与意义
    1.2 国内外研究现状与分析
        1.2.1 图像中的检测方案
        1.2.2 激光点云的目标检测方案
        1.2.3 图像与点云融合的目标检测方案
    1.3 本文主要研究内容
第2章 基于卷积神经网络的目标检测
    2.1 基于图像数据的目标检测
        2.1.1 卷积神经网络
        2.1.2 目标检测方案
    2.2 基于点云数据的目标检测
    2.3 基于图像和点云的目标检测
    2.4 本章小结
第3章 图像与点云融合网络的设计与优化
    3.1 点云数据特征提取网络的设计
        3.1.1 点云体素特征学习层
        3.1.2 卷积特征提取层
    3.2 图像与点云的融合算法设计
        3.2.1 图像和点云特征图的空间变换网络
        3.2.2 检测网络输出特征的融合
    3.3 网络损失函数的设计
    3.4 本章小结
第4章 实验结果与分析
    4.1 点云特征提取网络的实验结果
        4.1.1 点云体素特征学习层实验结果
        4.1.2 点云特征提取网络的实验输出
    4.2 融合算法验证实验
        4.2.1 融合算法的正确性验证
        4.2.2 融合算法的有效性验证
    4.3 网络训练过程与结果
        4.3.1 数据集的选择
        4.3.2 网络训练过程
        4.3.3 网络模型检测效果评估与分析
    4.4 本章小结
结论
参考文献
致谢


【参考文献】：
期刊论文
[1]智能无人系统最新研究和应用综述[J]. 崔娟娟,赵鹏,马文静,杜辉.  电子世界. 2019(18)
[2]多源信息融合技术及其应用研究[J]. 杨晓梅,张菊玲,赵忠华.  无线互联科技. 2019(18)
[3]人工智能在汽车自动驾驶中的应用[J]. 张美芳,王羽,郑碧琪,张凯帆.  汽车工业研究. 2019(03)
[4]基于改进Faster R-CNN的空中目标检测[J]. 冯小雨,梅卫,胡大帅.  光学学报. 2018(06)
[5]基于HOG特征和SVM的前向车辆识别方法[J]. 李星,郭晓松,郭君斌.  计算机科学. 2013(S2)

博士论文
[1]单目视觉多行人目标检测与跟踪技术研究[D]. 赵敏.重庆大学 2010

硕士论文
[1]基于多传感器融合的误踩油门辅助系统控制方法研究[D]. 苑警支.吉林大学 2019
[2]基于深度卷积神经网络的道路场景物体检测方法研究[D]. 孙贵宾.北方工业大学 2017
[3]基于稀疏表示的管道缺陷超声复合阵列成像研究[D]. 李迎雪.江苏大学 2017
[4]基于深度学习的目标检测算法研究及应用[D]. 万维.电子科技大学 2015



本文编号：3714607