原文传递
自动驾驶场景下三维点云目标识别算法的研究
| 论文题名： | 自动驾驶场景下三维点云目标识别算法的研究 |
| 关键词： | 自动驾驶;三维点云;目标识别;注意力机制 |
| 摘要： | 近年来，自动驾驶技术正逐步成为国内外各大独角兽企业和高校的研究重点，其中自动驾驶场景下的三维点云目标识别算法是学者们研究的一个重要方向。目前的自动驾驶技术仍处于L2辅助驾驶阶段，其在向L3等级迈进的过程中，有一个关键难题亟待解决，目前的自动驾驶场景下三维点云目标识别算法对骑车人和行人等中小型目标的检测效果较差，而且不能很好地检测到处于复杂场景下的目标。 为了解决上述问题，本文以经典三维点云目标识别算法PV-RCNN++为基础网络框架，一方面从D-FPS（Distance-Farthest Point Sampling, D-FPS）与F-FPS （Feature-Farthest Point Sampling, F-FPS）的融合采样FS（Fusion Sampling, FS）出发，另一方面从CBAM注意力机制着手，进行三维点云聚焦式特征方法的研究。通过提高网络模型对中小型目标的召回率，并增强网络模型对目标局部空间结构特征的捕捉能力，得到了三种改进后的网络模型 FS-PV-RCNN++、C-PV-RCNN++和FSC-PV-RCNN++。最后，进行了KITTI数据集的消融实验，并对改进后的网络模型和其他网络模型的检测精度和检测效果图进行对比及分析。结果表明，经过三维点云聚焦式特征方法改进后的FS-PV-RCNN++、C-PV-RCNN++和FSC-PV-RCNN++网络模型，相比原网络模型PV-RCNN++对中小型目标的检测精度提高显著，有效增强了自动驾驶场景下三维点云目标识别算法网络对局部空间结构特征的捕捉能力，强化了算法网络对中小型目标的识别效果，提升了算法网络应对复杂场景的检测性能。 |
| 作者： | 段界余 |
| 专业： | 电子信息 |
| 导师： | 宁媛 |
| 授予学位： | 硕士 |
| 授予学位单位： | 贵州大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
