基于深度学习的道路障碍物检测方法

发布时间：2022-10-19 12:23

　　针对基于激光雷达（LiDAR）的三维点云数据处理及道路障碍物检测的问题,提出一种基于深度学习的路障碍物检测方法。首先,采用统计滤波算法对原始点云进行离群点的剔除处理;其次,提出一种端到端的深度神经网络VNMax,利用最大池化对区域候选网络（RPN）架构进行优化,构建改进的目标检测层;最后,在KITTI数据集上进行了训练及测试实验。结果显示,经过滤波处理,点云中各点之间的平均距离得到有效减少。通过对在KITTI数据集的简单、中等和困难任务的车辆定位处理结果比较得出,所提方法的平均精度比VoxelNet（Unofficial）分别提高了11.3个百分点、6.02个百分点和3.89个百分点。实验测试结果表明,统计滤波算法仍是有效的三维点云数据处理手段,最大池化模块可以提高深度神经网络的学习性能和目标定位能力。 

【文章页数】：6 页

【文章目录】：
0 引言
1 算法的总体思路
2 点云预处理
    2.1 点云预处理的必要性
    2.2 基于统计滤波算法的点云预处理
3 深度神经网络
    3.1 点云编码层
    3.2 目标检测层
    3.3 损失函数及部分参数选取
4 实验结果与分析
    4.1 数据集及实验环境
    4.2 实验流程
    4.3 结果分析
5 结语


【参考文献】：
期刊论文
[1]PointNet的点云数据集的破损测试与深度解读[J]. 王胜文,张彬,孙菁聪.  中国传媒大学学报(自然科学版). 2019(03)
[2]基于多尺度特征和PointNet的LiDAR点云地物分类方法[J]. 赵中阳,程英蕾,释小松,秦先祥,李鑫.  激光与光电子学进展. 2019(05)
[3]Faster R-CNN模型在车辆检测中的应用[J]. 王林,张鹤鹤.  计算机应用. 2018(03)

硕士论文
[1]基于深度学习的物体检测与跟踪方法的研究[D]. 曾钰廷.东华理工大学 2018



本文编号：3693356