基于视锥的点云三维目标检测

发布时间：2023-03-24 22:09

　　利用三维激光扫描仪能够获取三维点云数据,点云数据具有高密度、高精度等特点,因此,在对复杂真实的三维场景进行目标检测时,包含丰富属性信息的三维点云是当前三维目标检测的重要数据基础。目前计算机视觉领域的研究热点之一是目标检测任务,主要分为两个任务:在输入数据中框出目标物体的边界框,同时判断边界框中的物体的所属类别。二维目标检测技术已经在主流的公开数据集上取得不俗的成绩,但在图像上进行的二维目标检测缺少空间信息,很难将其扩展到三维的目标检测,对于复杂场景和较小物体的鲁棒性较差,无法满足自动驾驶等高层次检测任务的需求,因此如何建立一个高效智能化且能够直接利用三维点云数据进行目标检测的三维目标检测模型具有重要研究意义。本文利用端到端的Frustum-Pointnets点云深度学习模型实现三维目标检测,并对模型进行改进和优化,进一步提高Frustum-Pointnets模型检测的准确率。本文的主要内容包括:(1)对主流的目标检测算法的总结对比。传统的目标检测算法非常依赖人工提取特征的精度,针对这个问题,对目前利用深度学习网络实现的目标检测算法进行对比分析,根据输入数据的不同可以分为:利用图像的目标...

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 研究现状
        1.2.1 基于二维图像的目标检测
        1.2.2 基于原始点云的的目标检测
    1.3 研究方法及技术路线
第二章 相关理论基础
    2.1 卷积神经网络
        2.1.1 卷积层
        2.1.2 池化层
        2.1.3 全连接层
        2.1.4 分类器
    2.2 PointNet
    2.3 PointNet++
    2.4 本章小结
第三章 Frustum-Pointnets模型的构建
    3.1 三维视锥提取
    3.2 三维实例分割
    3.3 三维检测框回归
    3.4 本章小结
第四章 改进Frustum-Pointnets模型
    4.1 激活函数
        4.1.1 Sigmoid函数
        4.1.2 tanh函数
        4.1.3 ReLU函数
        4.1.4 现有激活函数的优点和局限
            4.1.4.1 Sigmoid函数的不足
            4.1.4.2 ReLU函数的优点和局限
        4.1.5 Swish函数
    4.2 参数初始化
    4.3 本章小结
第五章 三维目标检测实验与分析
    5.1 数据集
    5.2 目标检测评价指标
    5.3 实验环境和参数设置
        5.3.1 实验环境
        5.3.2 实验参数分析
    5.4 基于PointNet和基于PointNet++对比实验
    5.5 三维目标检测精度对比
    5.6 三维目标检测可视化
    5.7 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读学位期间的研究成果



本文编号：3769942