基于深度学习的激光雷达多目标地物智能识别

发布时间：2020-04-23 01:36

【摘要】：激光雷达是一种主动发射激光束去探测目标位置、方向、姿态并通过目标反射回来的回波接收信息的雷达系统,因其接收的数据具有密度大,数据多且散乱特点,所以称之为点云数据。点云数据可用于城市场景重建,无人驾驶,环境检测等。由于点云数据非结构化且无序的特性,目前基于激光雷达点云识别的大多数方法都是使用手工提取特征,该方法消耗大量成本而且难以提取到高级信息。为了解决上述出现的问题,本文提出了一种基于深度学习的激光雷达点云多目标地物智能识别方法。本文首先将无人机激光雷达采集的全国各地的点云数据进行数据增强处理,再利用点云空间位置信息将整个点云场景进行区域分割,将点云场景划分成一个个体素,并通过设置体素个数阈值参数和统计体素中各类型点数分布来完成本文数据集的构建以及相应体素的标签。接着本文提出一种级联分类的方法,通过三维卷积神经网络模型和邻域算法模型的级联对每一个训练集进行特征学习,交叉验证,以及识别,并对识别结果进行了详细的分析。最后,本实验利用不同地点和不同密度的室外点云对该级联模型进行测试和优化。实验结果表明本文提出的方法具有比较高的准确性和效率。
【图文】：

第二章 相关基础知识第二章 相关基础知识2.1 相关点云数据处理算法本小节主要介绍一些重要的传统点云数据处理、识别方法，如：滤波，分割，分类等。2.1.1 点云滤波点云滤波，顾名思义，，就是滤掉噪声。原始采集的点云数据往往包含大量散列点、杂波点，比如图 2-1 为滤波前后的点云效果对比，左图为原始点云数据，右图为滤波后的点云数据。

图 2-2 KD 树空间划分示意图的构建实际就是一个递归的过程，反复执行划分操作，直到空据点。最后生成的 KD 树如图 2-3 所示，(7,2)(5,4) (9,3) (4,7) (8,1)
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TN958.98

【参考文献】

相关期刊论文 前10条

1 李海亭;肖建华;李艳红;庞小平;;机器学习在车载激光点云分类中的应用研究[J];华中师范大学学报(自然科学版);2015年03期

2 韩贤权;朱庆;丁雨淋;周东波;;散乱点云数据精配准的粒子群优化算法[J];武汉大学学报(信息科学版);2014年10期

3 乔纪纲;陈明辉;艾彬;张亦汉;;SVM用于LiDAR数据的地物分类[J];测绘通报;2013年07期

4 李宝;程志全;党岗;金士尧;;一种基于RANSAC的点云特征线提取算法[J];计算机工程与科学;2013年02期

5 葛宝臻;彭博;田庆国;;基于曲率图的三维点云数据配准[J];天津大学学报;2013年02期

6 杨容浩;岑敏仪;张同刚;郑平元;;格网划分的最邻近点搜索方法[J];测绘科学;2012年05期

7 程效军;李巧丽;;一种基于非均匀网格的点云数据缩减算法[J];遥感信息;2011年02期

8 刘涛;徐铮;沙成梅;赵俊天;;基于包围盒法的散乱点云数据的曲率精简[J];科学技术与工程;2009年12期

9 马超杰;杨华;李晓霞;凌永顺;吴丹;王静雯;;复杂场景多传感器图像的多目标分割算法[J];光电工程;2009年01期

10 孙红岩;孙晓鹏;李华;;基于K-means聚类方法的三维点云模型分割[J];计算机工程与应用;2006年10期

相关硕士学位论文 前1条

1 熊芳;离散曲面高斯曲率估算算法研究[D];湖南工业大学;2010年

本文编号：2637208