基于模态转换的典型无人驾驶场景下三维目标识别算法研究

发布时间：2021-07-01 20:38

　　无人驾驶作为目前较为火热的一个话题,技术方面面临着诸多挑战。无人驾驶中目标识别的关键问题有三个,即目标分类、定位和姿态确定。由于三维点云数据相比二维RGB图像数据可以提供更多空间信息,因此更有利于三维中确定目标类别、位置和姿态,但是,点云数据量大,对识别系统整体的计算能力和存储能力带来很大挑战,且点云是三维数据难以直接应用卷积进行计算,这导致点云的应用受到了限制。所以目前情况下,如何才能更好地应用点云成为算法首先需要考虑的问题。本文主要基于典型无人驾驶真实场景下,针对三维点云不易被二维卷积网络理解且数据量过大的问题,研究了一个多尺度端到端的三维目标识别算法,用于同时对不同大小的目标进行分类、定位和获取最小三维矩形框。首先,本文研究了KITTI数据集,将3D点云数据在2D RGB图像上进行投影,以保证两者的匹配性。考虑到在二维RGB图像或是前视图中,场景中重叠性小目标可能存在强遮挡并且相互距离较近,而俯视视角下点云分布具有个体性,故选择将点云转化为鸟瞰图进行间接的信息获取。本文选择将鸟瞰图送入卷积神经网络,大大减少计算量的同时,还可以移植成熟的二维检测框架用于三维目标识别,有利于准确性的... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

三维目标识别概况不管是twostage或是onestage的算法，二维目标识别算法在精确性或实时性上都各有所侧重和强调

图 1-2 VoxelNet 中 3D 体素编码示意图基于点云的方法于点云的各种算法首先要解决的就是如何利用点云，由于激光雷影响，点云呈现稀疏、不均匀的特征，包括近多远少、遮挡等，均匀采样，则会丢失很多细节信息影响后续识别。基于点云的人[20,21]提出了 PointNet，从无序点集入手，巧妙设计网络结构，网络 T-Net 解决了点云旋转带来的坐标变换问题，同时使用 mlp序性问题，它提供了完整的端到端学习的途径，是解决点云应用算法。

哈尔滨工业大学工学硕士学位论文图 1-2 VoxelNet 中 3D 体素编码示意图基于点云的方法于点云的各种算法首先要解决的就是如何利用点云，由于激光雷影响，点云呈现稀疏、不均匀的特征，包括近多远少、遮挡等，均匀采样，则会丢失很多细节信息影响后续识别。基于点云的人[20,21]提出了 PointNet，从无序点集入手，巧妙设计网络结构，网络 T-Net 解决了点云旋转带来的坐标变换问题，同时使用 mlp序性问题，它提供了完整的端到端学习的途径，是解决点云应用算法。

【参考文献】：
期刊论文
[1]基于深度卷积神经网络的三维模型识别[J]. 杨军,王亦民.  重庆邮电大学学报(自然科学版). 2019(02)
[2]基于点云数据的三维目标识别和模型分割方法[J]. 牛辰庚,刘玉杰,李宗民,李华.  图学学报. 2019(02)
[3]SR-SIHKS:一种非刚体全局形状特征[J]. 万丽莉,苗振江,岑翼刚.  计算机工程与应用. 2014(04)

博士论文
[1]深度学习算法在无人驾驶视觉中的应用[D]. 蔡惠民.西安电子科技大学 2018

硕士论文
[1]典型场景下无人驾驶三维目标识别算法研究[D]. 肖大鹏.哈尔滨工业大学 2018



本文编号：3259829