基于深度学习的三维目标检测方法综述

发布时间：2021-10-10 13:10

　　在介绍二维目标检测方法的基础上,对基于深度学习的三维目标检测方法中的深度神经网络展开探讨,包括间接处理、直接处理和融合处理3类基本方法,并着重分析和对比各深度神经网络在三维目标检测速度和精确度等方面的优缺点,为车载激光雷达目标检测方法的选择提供参考依据。 

【文章来源】：汽车技术. 2020,(09)北大核心CSCD

【文章页数】：7 页

【部分图文】：

Frustum Point Nets模型[3]

随着近年车载激光雷达在汽车智能驾驶领域的广泛应用，由车载激光雷达获取的三维点云数据逐渐成为国内外研究的热点。点云数据携带的信息主要是以激光雷达为原点的空间坐标和反射强度。相继出现的机器人三维扫描库（Robotic 3D Scan Repository）、悉尼城市目标数据集、KIITI数据集[22]等多个开源数据集为网络的训练及验证提供了有效的数据支撑，由KITTI数据集节选出并经过处理的点云和相对应的高清图片如图1所示。基于深度学习的三维点云处理方法总体上可分为3类，即间接处理、直接处理和融合处理。间接处理点云的方法主要是对点云进行体素化或降维后再投入已有的深度神经网络进行处理；直接处理点云的方法主要是重新设计针对三维点云数据的深度神经网络对点云进行处理；融合处理点云的方法则是融合图像和点云的检测结果再进一步处理。随着图像硬件的发展，融合处理点云的方法将是点云处理的主要技术。检测的主要目标有车辆、行人和骑行者，其中行人和骑行者的点云数据比车辆的点云数据稀疏，可提取的特征信息少，检测难度大。目前的检测算法都以车辆的检测为主，兼容行人和骑行者的检测。

SECOND模型[27]

【参考文献】：
期刊论文
[1]基于深度学习的中文地名识别研究[J]. 沈思,朱丹浩.  北京理工大学学报. 2017(11)
[2]基于改进深层网络的人脸识别算法[J]. 李倩玉,蒋建国,齐美彬.  电子学报. 2017(03)



本文编号：3428441