基于多线激光雷达点云的高精度车辆及行人检测

发布时间：2021-08-08 19:13

　　近年来,受益于深度学习技术的稳步发展以及激光雷达等传感器的应用,无人驾驶技术步入快速发展时代。无人驾驶常用的传感器中,激光雷达作为一种主动式传感器,具有受环境因素影响小和准确的深度信息的优点。在目标检测领域,与传统检测方法相比,深度学习技术具有高精度和自动学习特征的优势。因此,两者在无人驾驶系统的环境感知中得到广泛的应用。所以本文主要研究基于多线激光雷达点云数据的深度学习感知算法。当前的感知算法中多传感器融合算法存在时间复杂度高、多传感器标定难以长时间维持稳定等问题。此外,考虑到在特定场景下（如环境光干扰大）对传感器的要求,基于纯点云数据的感知算法十分必要。目前针对纯点云数据使用的算法多是单步法,它的检测速度虽然较快,但是却有精度低的缺点。针对上述问题,本文以多线激光雷达点云数据中的车辆和行人作为主要研究对象,在兼顾实时性的基础上,设计了一种两阶段的目标检测网络以达到高精度检测的目的。本文使用标注工具完成点云数据集的建立,方便训练检测模型和评估感知算法。在深度学习感知算法的设计方面,考虑到速度的要求,本文在数据处理方面采用将三维空间内的点云数据投影到俯视图上,经过栅格化后提取统计特征,... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

参赛的无人驾驶汽车2004年，第一届自动驾驶挑战赛在美国正式举行，比赛要求各参赛者在野外

哈尔滨工业大学工学硕士学位论文2.1.2传感器安装本文采用KITTI数据集，以下主要介绍该数据集的硬件采集平台。该数据采集车的顶部安装了一个64线激光雷达，两侧分别安装了一个彩色摄像机和一个灰度摄像机。数据采集过程中，各传感器有交叉的感知区域，为了充分利用各传感器，选取摄像机与激光雷达共同的感知区域进行标注。摄像头和激光雷达传感器的具体安装位置如图2-1所示。图2-1KITTI数据采集车传感器位置示意图如图2-1所示，相机和激光雷达的坐标系不同，为了方便标定，激光雷达和摄像机均采用右手坐标系，具体的传感器坐标系如表2-1所示。表2-1激光雷达和相机坐标系坐标轴相机激光雷达x右前y下左z前上该数据采集车使用的摄像机有灰度相机和彩色相机，不同的相机获取的数据有各自的特点，细节如表2-2所示。数据采集车使用的激光雷达是64线激光雷达，该传感器能够测量120米的范围，水平方向有360度的感知范围，竖直方向有26.9度的感知范围，水平分辨率大约0.4度，竖直分辨率有0.08度。激光雷达以每秒10帧的速度旋转，每周期捕获大约100k点，同时以每秒10帧的速度触发摄像机。表2-2灰度相机与彩色相机对比表属性灰度相机彩色相机型号FL2-14S3M-CFl2-14S3C-C图像传感器SonyICX267CCDSonyICX267CCD分辨率高低通道数１３-9-

哈尔滨工业大学工学硕士学位论文当前主流的检测方法作对比，本文采取与主流检测算法相同的感知范围进行检测。本文选择的感兴趣区域是前向70米，左右各40米的范围。高度上为了去除路边部分路段上树木的干扰，以及兼顾绝大部分的车辆，本文选择过滤掉高于地面2.5米的点云。由于KITTI数据集采用的是联合标注的方法，结合相机的视场角，本文选取视场角90度的范围，去除视场角以外的点。通过这样的感兴趣区域的设置，不仅可以过滤掉作用不大和干扰检测效果的数据，减小了检测算法的输入量，提高了实时性，也同时节省了点云数据所占用的储存空间。如图2-2所示即感兴趣的区域范围，这样可以方便检测算法的处理，其中矩形与两条直线围成的最大区域就是本文所选择的感兴趣区域。图2-2点云数据的感兴趣区域额外的数据处理相较于由此带来的好处是值得的。通过这样的处理，处理和存储数据的难度都得到了降低。这样的处理使得对于硬件的要求没有那么严苛，对于实时性的提升也有很大的帮助。就新数据和全部数据的输入的表现来看，效果并没有降低。虽然去掉了部分数据，但是这些数据在视场角以外的部分并没有经过打标，这部分数据对算法是没有影响的。对于在视场角以内去除的部分，水平方向上因为距离过远，感知难度较大，有效感知距离无法达到。在竖直方向上高于车辆的范围有树等干扰物，去除较高范围的数据能够有效避免干扰，节省计算量。2.2.2点云数据的标注为了提高标注的效率，采用对感兴趣区域过滤后的点云数据进行标注。标注方法中有采用半自动标注的方法完成打标任务，这种通过聚类或者深度学习的方法预先标注然后再经过手工调整的方法需要保证精细的调整才能得到较好的标注-11-

【参考文献】：
期刊论文
[1]点云数据的多几何面片特征自动识别[J]. 石宏斌,殷义程,袁曼飞.  测绘通报. 2017(02)



本文编号：3330524