基于激光雷达点云多特征提取的车辆目标识别算法

发布时间：2020-12-15 18:11

　　目标识别是智能车感知周围环境实现智能行驶的重要技术,高精度的目标识别算法可为智能车的安全行驶提供保障,因此提出一种基于三维激光雷达点云多特征提取的车辆识别算法。将提取的激光雷达数据的12维特征与分类器相结合识别城市道路中的车辆目标。算法首先对非地面激光雷达点云进行聚类,对聚类后的每簇点云数据提取12维特征;然后根据这12维特征训练四种分类器;最后使用KITTI数据集进行仿真,比较四种分类器的性能和三种不同维度特征(12维、26维、8维特征)识别车辆目标的准确率。仿真结果表明:提取的12维特征相比较于其它两种维度的激光雷达特征,可以提高车辆目标分类的准确性,与随机森林结合的识别精度优于其他分类器方法。另外,在百度Apollo数据集的道路场景中也验证了该算法的性能,结果表明其可满足车辆识别的精度。 

【文章来源】：传感器与微系统. 2020年10期

【文章页数】：4 页

【部分图文】：

基于12维特征车辆识别的框架

本文在KITTI OBJECT数据库上进行了仿真，并在百度Apollo数据库进行了仿真验证，如图3所示为KITTI数据库中城市场景的车辆识别结果，其中车辆目标用边界框呈现。由于KITTI OBJECT数据库没有给出激光雷达点云的车辆聚类分割结果，因此，本文手动对非地面数据进行了DBSCAN聚类标注，总共提取了5 000个车辆目标和4 000个非车辆目标(包括行人、自行车、电线杆、交通指示牌等)，然后对这9 000个目标提取特征。本文从这些特征数据中随机选取了4 000个车辆样本和3 200个非车辆样本作为训练集，剩余的作为测试集。

机器学习车辆目标分类过程

【参考文献】：
期刊论文
[1]基于Adaboost的孪生支持向量机人脸识别方法[J]. 刘建明,张捷,雷婕,廖周宇.  传感器与微系统. 2020(07)
[2]基于路侧三维激光雷达的车辆目标分类算法[J]. 杨思远,郑建颖.  传感器与微系统. 2020(07)
[3]基于多特征融合的车辆检测算法[J]. 邓淇天,李旭.  传感器与微系统. 2020(06)
[4]采用64线激光雷达的实时道路障碍物检测与分类算法的研究[J]. 娄新雨,王海,蔡英凤,郑正扬,陈龙.  汽车工程. 2019(07)



本文编号：2918683