基于快速检测和AdaBoost的车辆检测

发布时间：2020-12-09 15:23

　　为给激光雷达三维点云目标检测提供一种更智能、更稳健的信息处理算法,提出一种基于激光雷达获取的点云数据的车辆目标检测算法。采用局部高程对地面进行拟合,对目标场景进行预分类;根据目标的几何尺寸建立ROI （感兴趣区域）,对该区域内的点云数据进行聚类分析,大致检测出目标物体。由于现实场景中往往存在与目标高程相近的物体,采用基于Harr-like特征的AdaBoost分类器对ROI进行复核,划定检测目标。实验结果表明,在目标遮挡率为50%的情况下,算法的检测准确率也能将近90%。 

【文章来源】：计算机工程与设计. 2020年01期 第203-207页 北大核心

【文章页数】：5 页

【部分图文】：

原始场景图和曲面拟合对比

经过点云ROI检测，对于复杂场景可以有效的实现对其中包含典型地面目标的ROI进行检测。但这些ROI中仍存在一定的虚警，如场景中某些植被高度与目标接近等情况，则难以通过ROI检测来判定。为解决上述问题，使用一种改进的基于AdaBoost的三维目标检测算法，该算法采用旋转模型的方法解决了三维Harr特征对旋转敏感的问题[13]，然后根据虚警的分布特点滤除被分类器误判的区域，最终实现目标检测。AdaBoost算法流程如图2所示。2.1 Harr-like特征值

3D Harr-like特征

【参考文献】：
期刊论文
[1]基于Haar-like和AdaBoost的车脸检测[J]. 朱善玮,李玉惠.  电子科技. 2018(08)
[2]基于车载32线激光雷达点云的车辆目标识别算法[J]. 孔栋,王晓原,刘亚奇,陈晨,王方.  科学技术与工程. 2018(05)
[3]一种基于类Haar特征和AdaBoost算法的前车检测方法[J]. 余小角,郭景,徐凯,王娜.  微型机与应用. 2017(13)
[4]基于Haar-like和MB-LBP特征分区域多分类器车辆检测[J]. 朱彬,王少平,梁华为,袁胜,杨静,黄俊杰.  模式识别与人工智能. 2017(06)
[5]基于Haar-like特征与Adaboost算法的前方车辆辨识技术研究[J]. 朱志明,乔洁.  电子测量技术. 2017(05)
[6]基于类Haar特征和AdaBoost的车辆识别技术[J]. 张雪芹,方婷,李志前,董明杰.  华东理工大学学报(自然科学版). 2016(02)



本文编号：2907079