基于激光雷达的行人目标检测与识别

发布时间：2020-07-11 12:38

【摘要】：无人驾驶技术受到了越来越多研究者的关注。激光雷达感知系统是必不可少的组成部分,它能够感知周围环境信息和车辆状态信息,为无人车的控制系统提供必要信息。为了使无人车在行驶中更加智能和安全,无人车往往集成多个传感器。激光雷达由于探测范围大、测距精度高和不受光照条件影响等优点,被广泛应用在无人车中。基于三维激光雷达的障碍物检测和行人识别主要分为地面点云去除、目标物体分割和行人目标识别三个部分。地面点云去除主要包括建立深度图和去除地面点云数据,将点云数据转化为深度图然后去除地面点云。目标物体分割是从非地面点云数据中提取出不同的物体。行人目标识别是将分割后的物体使用分类器进行分类识别。针对传统地面点云去除算法实时性低的问题,本文提出基于深度图的角度阈值算法。将点云数据表示为深度图,建立深度图和点云数据的映射关系。基于角度阈值在深度图上标记地面,实现去除地面点云数据。针对目标间相邻导致分割失败以及分割算法实时性问题,本文提出基于深度图的改进DBSCAN算法。搜索Eps邻域内所有的邻近点时考虑空间欧式距离和角度距离,结合深度图和自适应参数的DBSCAN算法对非地面点云进行聚类分割。实验结果表明该方法相对于传统聚类算法在时间效率上有很大的提升,且能够较好地降低分割错误率。在行人目标分类识别中,针对PointNet神经网络在局部特征描述中的不足,本文提出多尺度特征融合的PointNet神经网络模型,将多尺度局部特征和全局特征相结合,最终完成对行人目标的识别。离线过程主要是通过线下构建训练样本库,训练多尺度特征融合的PointNet神经网络模型。在线过程主要是对候选行人目标进行初筛,通过采样将候选目标转化为固定大小,然后放入PointNet网络进行特征学习,分类器判断目标物体是否为行人。实验结果表明该模型相对于PointNet神经网络在识别准确度上有一定的提升。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TN958.98
【图文】：

图 1.1 谷歌无人驾驶汽车，简单来说就是利用传感器检测周围环境和自身状息、其他车辆和行人等障碍物信息、自身的位姿信决策规划算法后，精确控制车辆的速度和转向，不

VLP-16激光雷达

21(6)密度可达：通过直接密度可达的点间接相连，称为密度可达。直接密度可达和密度可达如图2.6所示，圆圈代表 r 邻域，红色点为核心点，黄色点为边界点，蓝色点为噪声点，从点A出发，B、C均是密度可达的，B、C则是密度相连的，且B、C为边界点，而N为噪声点。图 2.6 密度可达和直接密度可达的概念示意图DBSCAN 算法流程如表 2.3 所示。DBSCAN 算法直接对三维点云数据进行处理存在一些不足之处

【相似文献】

相关期刊论文 前10条

1 刘亚文;覃苏舜;;点云数据稀疏区域建筑物立面重建方法[J];应用科学学报;2017年02期

2 刘尚蔚;朱小超;张永光;魏群;;多片点云数据拼接处理技术的研究[J];水利与建筑工程学报;2014年01期

3 张习民;余小清;万旺根;张娟;;压缩感知点云数据压缩[J];应用科学学报;2014年05期

4 康兰;冯亚娟;陈正鸣;;多视点云数据快速对齐方法[J];机械设计与研究;2009年01期

5 郑德华;;点云数据直接缩减方法及缩减效果研究[J];测绘工程;2006年04期

6 张东;;基于球域膨胀的点云数据平面提取[J];工程技术研究;2018年11期

7 宇超群;门葆红;王鑫;;海量点云数据分布式并行处理技术综述[J];信息工程大学学报;2018年05期

8 陈凯;张达;张元生;;三维激光扫描点云数据盲区边界识别与应用[J];有色金属(矿山部分);2019年05期

9 宣伟;;地面激光点云数据质量评价与三维模型快速重建技术研究[J];测绘学报;2017年12期

10 孙瑞;张贵豪;陈普智;;三维激光扫描点云数据的精简方法探讨[J];黄河水利职业技术学院学报;2018年02期

相关会议论文 前10条

1 胡文庆;施昆;曹影;;模糊C-均值聚类对点云数据的分割[A];云南省测绘地理信息学会2015年学术年会论文集[C];2015年

2 张飞飞;车翔玖;左文品;;基于B样条曲线的点云数据简化方法[A];第五届全国几何设计与计算学术会议论文集[C];2011年

3 胡志杰;石鹏飞;李广伟;羌鑫林;;车载点云数据自动分类提取与应用研究[A];第十一次江苏科技论坛智慧城市与大数据应用分论坛论文集[C];2015年

4 曹天赐;李庆莉;龚绪龙;葛云峰;卢毅;陈勇;张芷薇;刘智超;闻炼;;基于点云数据的地裂缝监测对象提取研究——以江苏无锡光明村为例[A];2018年全国工程地质学术年会论文集[C];2018年

5 张萍;;逆向工程中基于聚类的点云数据精简[A];2010年西南三省一市自动化与仪器仪表学术年会论文集[C];2010年

6 葛振华;王鹏;孙建;王纪凯;陈宗海;;点云数据的配准算法综述[A];第17届中国系统仿真技术及其应用学术年会论文集（17th CCSSTA 2016）[C];2016年

7 刘佳;张爱武;杨丽萍;;室内场景激光点云数据的三维建模[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

8 孟丽芬;;3D逆向造型的标准化作业[A];创新塑性加工技术，推动智能制造发展——第十五届全国塑性工程学会年会暨第七届全球华人塑性加工技术交流会学术会议论文集[C];2017年

9 段文国;张爱武;蔡广杰;;基于VTK的点云数据绘制研究与实现[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

10 吴卫军;陈平;殷义程;;基于DEM的点云数据对比方法分析[A];云南省测绘地理信息学会2017年学术年会论文集[C];2017年

相关重要报纸文章 前2条

1 记者 廖雪梅;重庆明年拟打造700个“智慧工地”[N];重庆日报;2018年

2 李兆平　龚渤;多点开花 前景广阔[N];中国测绘报;2012年

相关博士学位论文 前10条

1 滕晓强;基于移动群智感知的室内路径规划关键技术研究[D];国防科技大学;2018年

2 张绍泽;面向三维可视化的激光扫描点云数据处理方法研究[D];西安电子科技大学;2017年

3 罗楠;基于点云数据的3D打印关键技术研究[D];西安电子科技大学;2017年

4 唐逸之;点云数据的鲁棒配准与自适应表面重建[D];浙江大学;2017年

5 杨永涛;三维离散点云数据处理关键技术研究[D];燕山大学;2017年

6 邓博文;大体积比工件装配面检测及其点云数据处理方法研究[D];中北大学;2019年

7 苍鹏;基于激光雷达点云数据的建筑物三维重建技术[D];长春理工大学;2019年

8 金娟凤;基于特征距离的腰腹臀部体型分析与个性化女裤样板生成[D];浙江理工大学;2017年

9 石宏斌;地面激光点云模型自动构建方法研究[D];武汉大学;2014年

10 叶立志;机载LiDAR与影像密集匹配点云数据的滤波方法研究[D];武汉大学;2016年

相关硕士学位论文 前10条

1 沈乐;基于“整体-局部”策略的室内点云模型门窗检测[D];华南理工大学;2019年

2 毛远芳;基于三维激光扫描技术的建筑物立面建模[D];广州大学;2019年

3 王姗姗;基于点云数据的沉陷区高压线塔变形分析研究[D];河南理工大学;2018年

4 袁晨鑫;基于Hough变换的建筑物点云数据特征提取及三维建模[D];东华理工大学;2019年

5 董佰山;基于TLS点云数据的大比例尺成图及其质量评价研究[D];长安大学;2019年

6 俞浩;基于点云数据的预处理算法研究[D];合肥工业大学;2019年

7 杨望山;基于TLS的建筑物室内建模研究[D];河南理工大学;2018年

8 李宏宇;激光雷达的点云数据处理研究[D];长春理工大学;2019年

9 宋瑞;基于点云数据的大型复杂曲面重建方法研究[D];电子科技大学;2019年

10 李瑞雪;基于地面LiDAR数据的建筑物立面识别及提取研究[D];江西理工大学;2019年

本文编号：2750417