原文传递
基于特征融合及孪生网络的三维目标跟踪与检测
| 论文题名： | 基于特征融合及孪生网络的三维目标跟踪与检测 |
| 关键词： | 自动驾驶;目标跟踪;三维点云;特征融合;形状补全;孪生网络 |
| 摘要： | 3D点云数据不受光照、阴影和其他因素的影响，是自动驾驶汽车感知车辆环境的重要数据来源。但是点云数据的稀疏性，使3D点云的准确目标跟踪成为一项具有挑战性的任务。本项工作着眼于直接利用点云信息，提出一种更具有实际应用意义的3D目标跟踪框架。在第一帧中给定目标车辆的位置、方向和大小信息，可以在后续的连续点云帧中完成该目标车辆的三维目标跟踪任务。以下从三个方面分别介绍： 本文提出一种面向三维点云跟踪的重跟踪框架（Re-TrackFramework），它可以重新跟踪丢失的目标。在使用经典运动估计算法（Kalman滤波算法）的基础上，与提案网络一起完成粗略阶段目标的搜索。确保Kalman滤波算法所需的精确分数反馈，有助于估计潜在边界框的高斯分布的均值和方差，实现良好的运动估计。因此把粗略阶段的得到的较搜索前更精确的高斯分布的均值和方差共享给精细阶段。跟踪目标的丢失则会触发精细阶段。精细阶段利用Kalman滤波器接受了粗略阶段得到的分数反馈。并将前T帧中的跟踪结果为参考框得到的分数反馈，提高预测的高斯分布的均值与方差的准确程度。最后以前一帧结果为参考框生成的147个候选框中选择余弦相似度最高的框。另外，通过扩大精细搜索过程的搜索范围，对于得到精确可靠的跟踪结果也有帮助。 在网络结构方面，本文提出一种适用于目标跟踪和形状补全的“孪生密集自动编码器”。这种网络结构是一种带有密集级联结构的自动编码器，即在编码器-解码器结构的基础上增加密集连接，它通过通道上特征的级联实现特征重用。同时，受SENet启发，在编码器的每一层引入SE网络结构，从通道上筛选级联的特征。这些设计并不会大量增加网络的参数量。就评估网络补全性能的指标completeness而言，“孪生密集自动编码器”补全性能比公开基准的补全效果更好，并且跟踪性能也更佳。 在时序点云的特征融合方面，本文提出一种适用于点云的模板更新策略用以改善模型对形状的表示，解决了孪生网络跟踪器中的跟踪模板更新问题。该策略计算两个样本之间的倒角距离作为衡量样本之间的差异的指标。具体地，模板更新策略生成不同的样本组，样本组样本相似，样本组之间的差异较大。每有一个新样本，都将初始化一个新样本组。如果样本组组数超过限制LN，则丢弃权重最小的组。否则，将差异最小的样本组合并。依据样本的差异，该策略达到了将差异小的样本合并为同一样本组的效果。通常，连续帧中的样本非常相似，模板更新策略可以在保持样本多样性的同时，保证跟踪过程不受到相近样本的数量的影响。 |
| 作者： | 冯拓 |
| 专业： | 电子与通信工程 |
| 导师： | 屈嵘;焦李成;刘文学 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
