基于深度神经网络的自动驾驶场景三维目标检测算法

U461%TP308; 在自动驾驶场景中,使用激光雷达相机获取精确度较高、可感知距离的点云数据,因此,有效利用点云数据,实现目标检测是完成自动驾驶任务的关键技术.点云数据本身具有稀疏性、无序性和数据量较大的问题,传统的深度学习目标检测方法难以有效处理提取点云特征和满足准确度要求.针对这一现状,提出一种体素化卷积网络与多层感知机模型融合的三维目标检测方法,利用体素化卷积网络提取点云数据的全局特征,结合多层感知机所提取点云数据的局部特征与距离关系,再利用候选三维区域检测方法,可以改进三维目标分类与位置预测的精度和速度.采用德国卡尔斯鲁厄理工学院提供的KITTI自动驾驶数据集,对所提出的方法与经典的...

Full description

Saved in:
Bibliographic Details
Published in北京工业大学学报 Vol. 48; no. 6; pp. 589 - 597
Main Authors 陆慧敏, 杨朔
Format Journal Article
LanguageChinese
Published 九州工业大学工学府,福冈 804-8550,日本 01.06.2022
Subjects
三维目标检测
自动驾驶
模型融合
深度神经网络
三维目标表征
点云数据
Online AccessGet full text
ISSN0254-0037
DOI10.11936/bjutxb2021100027

Cover

More Information
Summary:U461%TP308; 在自动驾驶场景中,使用激光雷达相机获取精确度较高、可感知距离的点云数据,因此,有效利用点云数据,实现目标检测是完成自动驾驶任务的关键技术.点云数据本身具有稀疏性、无序性和数据量较大的问题,传统的深度学习目标检测方法难以有效处理提取点云特征和满足准确度要求.针对这一现状,提出一种体素化卷积网络与多层感知机模型融合的三维目标检测方法,利用体素化卷积网络提取点云数据的全局特征,结合多层感知机所提取点云数据的局部特征与距离关系,再利用候选三维区域检测方法,可以改进三维目标分类与位置预测的精度和速度.采用德国卡尔斯鲁厄理工学院提供的KITTI自动驾驶数据集,对所提出的方法与经典的方法进行对比实验.结果表明,本研究所提出的方法比以往的方法在精度上有较大提升.
ISSN:0254-0037
DOI:10.11936/bjutxb2021100027