基于点云的三维目标检测算法研究与标注工具设计

发布时间：2022-09-30 21:45

　　无人驾驶场景下基于点云数据的三维目标检测算法一直是无人驾驶感知技术中的研究热点,随着深度神经网络技术的发展与逐渐成熟,使用神经网络进行三维目标检测的方法开始显示出巨大的优势。本文以车载64线激光雷达采集的点云数据作为研究基础,采用KITTI数据集作为评估样本,研究在如何快速并准确地基于点云数据检测出环境中障碍物的位置、大小与方向,为车辆的跟踪与路径规划提供可靠的信息。本文所提出的三维目标检测算法涉及点云体素化、神经网络、稀疏卷积以及可形变卷积等多项关键技术,主要本文的主要研究成果如下:（1）使用欧氏聚类方法实现了基于点云数据的目标检测,在KITTI数据集上实现了较好的检测效果。根据KITTI数据集的特点设计数据接口,对标注目标进行预处理,并针对基于神经网络的目标检测算法提出了合适的数据增强方法。（2）基于激光雷达原理提出在柱坐标系下划分空间并将点云转化为体素的方法,通过对比试验研究本方法对于体素的均匀性和算法的定位精度的影响。首次在在点云目标检测网络中引入可形变卷积,增强了网络对于不同方向与形状的车辆的适应性。提出新的RPN中anchor的生成方法,可以有效防止anchor与groun... 

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景和意义
    1.2 无人驾驶感知技术研究现状
    1.3 点云目标检测算法研究现状
        1.3.1 基于鸟瞰图的目标检测
        1.3.2 基于融合信息的3D目标检测
        1.3.3 基于点云的3D目标检测
    1.4 本文主要研究内容
        1.4.1 研究内容
        1.4.2 点云目标检测算法流程
    1.5 章节安排
第2章 传统实现方法与神经网络基础
    2.1 数据集与数据预处理
        2.1.1 KITTI数据集
        2.1.2 标签坐标系转换
    2.2 基于欧氏聚类的目标检测
        2.2.1 欧氏聚类的原理
        2.2.2 基于欧氏聚类的目标检测实现
    2.3 神经网络基本原理
        2.3.1 神经网络的基本原理
        2.3.2 卷积神经网络的结构
        2.3.3 卷积神经网络的特点
    2.4 点云特征提取
        2.4.1 点云特征提取的难点
        2.4.2 点云特征提取
    2.5 本章小结
第3章 网络结构与具体实现
    3.1 数据增强
    3.2 点云体素化
    3.3 网络结构
        3.3.1 点云特征的选择
        3.3.2 体素特征提取层
        3.3.3 空间特征提取层
        3.3.4 可形变卷积层
        3.3.5 RPN
    3.4 损失函数
    3.5 网络训练
        3.5.1 anchor与 ground truth
        3.5.2 优化器与学习率
    3.6 NMS及后处理
        3.6.1 3D回归框解码
        3.6.2 非极大值抑制
    3.7 本章小结
第4章 实验与标注工具设计
    4.1 点云目标检测评估方法
        4.1.1 mAP评价指标
        4.1.2 AOS评价指标
    4.2 实验与评估
        4.2.1 训练细节
        4.2.2 KITTI数据集评估结果
    4.3 点云标注工具设计
        4.3.1 标注工具主要功能
        4.3.2 基于区域生长的智能框选算法
        4.3.3 最小包围盒生成算法
    4.4 本章小结
结论
参考文献
致谢


【参考文献】：
期刊论文
[1]面向点云的三维物体识别方法综述[J]. 郝雯,王映辉,宁小娟,梁玮,石争浩.  计算机科学. 2017(09)
[2]无人驾驶汽车环境感知技术综述[J]. 王世峰,戴祥,徐宁,张鹏飞.  长春理工大学学报(自然科学版). 2017(01)
[3]激光雷达在无人驾驶环境感知中的应用[J]. 黄武陵.  单片机与嵌入式系统应用. 2016(10)

硕士论文
[1]基于ROS和点云库的室内三维物体识别与姿态估计[D]. 鄢武.广东工业大学 2016
[2]单目视觉车辆检测与类型识别方法研究[D]. 姚凯缔.国防科学技术大学 2014
[3]基于双目立体视觉的运动目标检测与跟踪[D]. 赵聪.山东大学 2009



本文编号：3684328