基于改进PointPillars的激光点云三维目标检测

针对复杂场景下三维目标检测算法对小目标物体识别精度不高、容易出现错检漏检问题,提出一种基于改进PointPillars的三维目标检测算法,利用锥形点云获取物体的边界信息,抑制环境噪声造成的干扰;设计一种空间自注意力模块,捕获点云支柱间的全局上下文信息和空间信息,扩大点云特征感知范围,提升小目标物体识别在复杂场景下的鲁棒性;改进主干网络的下采样模块,采用ConvNeXt v2模块增强网络的特征提取能力。在KITTI数据集上的测试结果表明,相比PointPillars原始网络,改进算法在汽车、行人、骑行者类别上的平均检测精度分别提升了3.73%、5.89%、5.7%,证明了所提出方法的有效性。     

远距离监视激光雷达动目标快速检测

激光雷达具有全天候工作、探测精度高、有效探测距离远、易获得三维信息等特点,但工作在远距离模式时,目标点云比较稀疏。当前便携条件下,基于深度学习的算法在激光雷达点云数据直接目标识别时,实时性和成功率尚不能达到远程监视实际工程的要求。针对实际工程中利用激光雷达检测运动目标进而实时引导高分辨率相机的需求,采用基于变化的检测方法,对远距离条件下激光雷达的运动目标检测方法进行了研究,利用点云数据的距离信息,给出三维单高斯模型和三维高斯混合模型检测动目标的过程和方法,提出了利用杂波图恒虚警率检测法处理点云数据的方法。实验表明,与二维图像动目标检测方法相比,三维单高斯模型法会很大程度提高检测准确性,降低虚警率,但仍然存在较高虚警率。为适应复杂三维场景,采用基于三维高斯混合模型的方法进一步降低了虚警率,但也降低了检测速度;而杂波图CFAR的方法具有很高的实时性,同时也具有较好的检测性能。     

基于16线激光雷达和相机融合的三维目标检测

针对16线激光雷达点云过于稀疏而无法进行三维目标检测的问题,设计了一种基于激光雷达和相机融合的三维目标检测方法。首先,对激光雷达和相机进行联合标定,统一两者坐标系,并利用ROS进行时间同步,确保雷达和相机在相同的时间感知到相同的环境。然后,将相机采集的图像作为输入,送入YOLOv5算法中进行二维的目标检测,得到目标在图像中的二维检测框和类别。最后,利用联合标定过的激光雷达获取目标二维像素点对应的三维点云,通过这些雷达点云算出目标的三维坐标和三维边界框,从而得到三维目标检测结果。实验验证：通过搭建硬件平台并在实验场地测试后证明了该方法的可行性。     

体素化点云场景下的三维目标检测

基于激光雷达点云数据的三维目标检测算法受制于数据量大,无法实现速度与准确率的平衡。本文提出一种改进的三维目标检测算法Pillar RCNN。首先将目标点云空间划分为体素格,使用一种基于稀疏卷积的三维主干网络将体素格逐步转化为立柱体素,三维信息量化为致密的二维信息。然后使用二维主干网络提取特征,同时将三维骨干网络中不同尺度的体素特征与二维主干网络通过多尺度体素特征聚合模块进行特征级联,通过损失函数进一步细化检测框。算法在KITTI公开数据集上进行测试,在RTX 2080Ti硬件平台上识别速度为2.48 ms。汽车、行人、自行车3种类别的检测效果同PointPillars基准算法相比较,其中自行车中等难度检测效果提升13.34%,困难难度的车检测效果提升8.85%,其他类别的检测准确率指标也有所提升,实现了速度与准确率的平衡。     

基于体素化图卷积网络的三维点云目标检测方法

针对激光雷达点云的稀疏性和空间离散分布的特点,通过结合体素划分和图表示方法设计了新的图卷积特征提取模块,提出一种基于体素化图卷积神经网络的激光雷达三维点云目标检测算法。该方法通过消除传统3D卷积神经网络的计算冗余性,不仅提升了网络的目标检测能力,并且提高了点云拓扑信息的分析能力。文中设计的方法在KITTI公开数据集的车辆、行人、骑行者的3D目标检测和鸟瞰图目标检测任务的检测性能相比基准网络均有了有效提升,尤其在车辆3D目标检测任务上最高提升了13.75%。实验表明:该方法采用图卷积特征提取模块有效提高了网络整体检测性能和数据拓扑关系的学习能力,为三维点云目标检测任务提供了新的方法。     

基于投影降维的激光雷达快速目标识别

激光雷达可以获得目标的三维形状信息,是复杂地面背景下车辆识别的有效手段。提出了一种基于投影降维的快速激光雷达目标识别方法,对检测后提取的疑似目标三维点云数据进行投影降维,得到数字表面模型(DSM)数据,根据轮廓相似性度量值以及尺寸相似度量值构成的组合识别准则进行目标识别。采用8组地面装甲目标的仿真点云数据进行实验,实验表明算法的目标型号识别率高于90%,实时性远优于传统算法。针对实际应用需求,进一步研究了点云空间分辨率,激光雷达成像系统误差对目标识别的影响。     

基于深度学习算法的三维激光雷达主动成像目标检测

为了提升目标检测效果，设计基于深度学习算法的三维激光雷达主动成像目标检测方法。利用深度学习算法的生成对抗网络，剔除三维激光雷达主动成像过程中的杂波干扰，得到无杂波干扰的目标三维图像；设计生成模型与对抗模型的损失函数，利用端到端深度神经网络的点云编码层，在无杂波干扰的目标三维图像内，提取目标三维图像特征，并输入目标检测层内；通过目标检测层输出目标检测候选框，利用非极大值结合混合置信度，确定最终目标检测框，完成三维激光雷达主动成像目标检测。实验结果表明：该方法可有效剔除杂波干扰，得到无杂波干扰的目标三维图像；该方法可有效完成三维激光雷达主动成像目标检测，且在不同目标运动模糊长度像素时，该方法目标检测的交并比均高于阈值，说明该方法的目标检测精度较高。     

基于激光雷达与视觉融合的水面漂浮物检测

针对水面清污机器人对漂浮目标的检测问题,提出了一种将三维激光雷达点云数据与视觉信息融合检测的方法.首先,视觉识别部分采用CornerNet-Lite目标检测网络,通过对大量样本的训练实现水面漂浮物的检测,得到候选目标的种类和置信度.然后,通过相机和激光雷达的标定将激光雷达三维点云数据投影到二维像素平面,并根据相对像素面...     

SLAM激光扫描的建筑物建模方法与应用Building modeling method and application of SLAM laser scanning

基于SLAM激光扫描系统对目标建筑物进行点云数据采集,通过点云去噪、重采样等预处理得到了建筑物目标点云,利用特征提取算法提取建筑物轮廓线,分别采用点云数据直接建模法和基于轮廓线建模方法对目标建筑物进行了建模对比,利用传统全站仪获取的10个特征尺寸进行了精度验证。试验结果表明,直接建模法的建筑物模型精度为0.058 m,基于轮廓线建立的模型的精度为0.032 m,基于建筑物线特征约束的建模精度明显高于点云数据直接建模精度,为SLAM激光扫描系统在建筑物三维模型建立中的应用提供了方法和参考。     

改进Point-Voxel特征提取的3D小目标检测

针对3D目标检测点云处理方法存在下采样目标点少,小目标特征信息丢失的问题,提出改进的Point-Voxel特征提取方法.首先,以当前先进3D目标检测PV-RCNN(Point-Voxel Feature Set Abstraction for 3D Object Detection)模型为基础,就point-based（基于纯点云）采样后目标点数量较少的问题,提出C-FPS（基于中心最远点采样）算法,即通过图像筛选点云范围,根据标签设置对X增加一个归一化乘以中心点的偏移量,优化点云分布,提高下采样目标点数量;然后,针对voxel-based（基于体素）需要划分体素大小与特征提取平衡的问题,提出体素图像特征融合方法,通过多通道卷积神经网络提取目标图像特征,将多通道特征与voxel-based提取的点云特征进行融合,弥补划分大小导致的特征信息丢失;最后,在KITTI数据集上进行验证.实验表明,与PV-RCNN模型相比,在当前困扰计算机视觉中的小目标检测上,该特征提取方法有效地提升了对小目标的检测能力,对于小目标行人和骑行者,其平均识别精度均优于PV-RCNN模型,提升幅度分别达到了1.62...     

基于Transformer的体素化激光点云目标检测算法

3D点云目标检测是计算机3D视觉中的一个关键技术,本文针对激光雷达点云数据的稀疏性、无序性和数据量大,导致神经网络运算效率慢、检测精度低等问题,开展了基于激光雷达点云的目标检测算法研究。在激光雷达点云数据处理阶段,我们将原始点云数据体素化,解决了点云稀疏性和无序性问题,然后使用多层特征下采样层构建特征金字塔,实验验证了该方法使网络在训练阶段更快收敛,有效减少点云数据量大导致的网络运算开销,网络运算效率提升～39；同时,我们通过引入Transformer注意力模块,提高网络对点云目标关键特征的学习能力,使目标检测的准确率达到885。总体实验结果表明,本文算法在确保检测精度的前提下,提升了网络运算效率。     

面阵固态激光雷达在排水管道检测中应用研究

激光雷达扫描是排水管道完整性检测的一种重要方法。针对目前激光扫描设备无法快速绘制出排水管道内壁三维轮廓图像的问题，文中设计一种基于面阵固态激光雷达传感器的管道内壁信息采集传输系统，给出激光雷达传感器的硬件采集电路原理图，详细阐述系统软件设计方案和实现过程。模拟场地测试时，采集面阵固态激光雷达三维点云数据和深度数据，详细对比检测量和实测量，以验证检测数据的可靠性。结果表明，面阵固态激光雷达测量精度为1.8 cm，检测范围可达5 m。现场实测时，绘制排水管道内壁面阵固态激光雷达三维深度图，三维图中管道底部泥沙和管道顶部污垢清晰可见，能快速检测出排水管道内壁的完整信息。所设计系统实用性高、检测速度快，具有良好的稳定性。     

基于改进RPN的车载导航目标识别技术北大核心CSCD

车载导航是无人驾驶的一项关键技术,而其主要技术难点是动态避障,即实时目标识别与反馈控制。为了能够实时获取车辆周围目标的运动状态,提出了一种基于三维点云数据快速体素化分析的识别算法。该算法以极坐标系替代直角坐标系,直接与车载激光雷达建立映射关系。再通过区域推荐网络技术中对区域框的限定计算完成可表征目标特征的准确定位。实验采用开源数据库KITTI中的点云数据进行验证,对比了动态目标(汽车、摩托车、行人)和静态目标(树木、楼宇)之间的点云特征。识别结果与两种常用的三维目标识别算法进行对比。结果显示本算法的最优平均精度为88.45%,最优平均方向相似度为93.27%,相比常用的SECOND算法对动态目标的识别具有更好的效果。验证了其可行性,其在车载导航目标识别领域具有一定的优势。     

基于自旋图的三维自动目标识别

将三维表面匹配领域的自旋图(spin-images)方法运用于扫描激光雷达自动目标识别中,基于自旋图特征,提出了平均最大相似性度量、候选对应关系数目、几何一致性筛选后对应关系数目、分组筛选后最大组的对应关系数目这4个识别指标,并将其组合构成组合识别准则,从而进行三维目标识别。同时针对实际应用需求,进一步研究了点云空间分辨率、激光雷达测距误差以及遮挡对目标识别率的影响,为激光雷达三维目标识别系统的设计提供了参考。     

基于激光雷达的室内玻璃三维重建算法

针对激光雷达在室内地图重建过程中,扫描不到透明玻璃的问题,文章提出了一种玻璃检测三维重建算法,实现了三维地图中玻璃的重建。该方法将三维激光雷达扫描的点云经过点云滤波、分割、聚类以及运动匹配,提取出感兴趣的透明玻璃上的点云,从而识别出室内场景中的透明玻璃。实验结果显示,该算法能有效地使用激光雷达数据检测玻璃并进行三维地图重建。     

基于三维激光扫描的施工建筑平整度检测方法

针对传统施工建筑平整度检测方法效率低、检测结果受人为主观因素影响较大等问题，提出一种基于三维激光扫描的平整度检测方法。首先，利用三维激光扫描仪对目标建筑进行数据采集、处理和拼接，获得高精度三维点云数据；其次，结合建筑平整度检测特点设计了一种非均匀抽稀方法，用于无损保留墙面凹凸特征；然后，利用随机抽样一致性算法结合特征值法，对建筑点云数据进行自动化特征提取与平面拟合，获得待检测墙面几何参数；最后，依据平整度检测原理，利用拟合平面与点云数据拓扑空间关系，设计了一种基于三维激光扫描的施工建筑平整度检测方法。实验结果表明：所提非均匀抽稀方法能够有效完成点云数据抽稀工作，抽稀比达55.4%，且能够无损保留墙面凹凸特征；基于三维激光扫描的平整度检测方法理论可行，精度可靠，较传统检测方法，效率提高了23.33%，且更加全面。     

基于机载激光雷达数据的复杂建筑物三维自动重建方法

为了解决复杂建筑物三维模型重建存在的边缘像素清晰度低和重建效率低的不足，提出基于机载激光雷达数据的复杂建筑物三维自动重建方法。首先通过机载激光雷达快速采集复杂建筑的三维点云数据，并剔出异常点云数据；其次采用SIFT算法提取点云数据特征点，通过梯度特征提取匹配特征点，根据特征点进行平移与旋转，完成复杂建筑点云数据配准；然后对建筑边缘三维阈值提取，获得高精度重建阈值；最后通过三维轮廓交边拼接优化，复杂建筑物三维自动重建。通过对比测试证明了本方法重建建筑物三维模型的边缘像素的灰度值为25～215,灰度值跨度较大，边缘像素清晰度较高，三维模型的重组时间为60 min～145 min,耗时较少，重建效率较高，说明了本方法对复杂建筑物三维自动重建的应用效果较好。     

基于交叉自注意力机制的LiDAR点云三维目标检测

针对基于深度学习的激光雷达(light detection and ranging, LiDAR)点云三维(3D)目标检测对小目标的检测精度较低和噪声干扰问题,提出一种基于交叉自注意力机制的3D点云目标检测方法CSA-RCNN (cross self-attention region convolutional neural network)。利用交叉自注意力(cross self-attention, CSA)同时学习点云的坐标和特征,并设计多尺度融合(multi-scale fusion, MF)模块自适应捕捉各层级多尺度特征。此外,还设计重叠采样策略对感兴趣目标区域选择性地重采样以获得更多前景点,有效降低了噪声采样。在广泛使用的KITTI数据集上进行算法性能测试,结果表明,本文方法对行人等小目标的检测精度有较大提升,平均精度均值相比PointRCNN等4种经典算法均获得提升,显著提高3D点云目标的检测性能。     

基于三维激光雷达的无人船障碍物自适应栅格表达方法

针对无人船(USV)海上近距离实时性避碰检测的需求,提出一种基于三维激光雷达的USV障碍物自适应栅格表达方法。根据USV周边环境障碍物的激光雷达点云分布,建立障碍物密集度和障碍物表达时间与栅格地图分辨率之间的函数关系,自适应确定适中的地图分辨率,构建栅格地图;对三维激光雷达点云数据进行降维处理,将三维激光雷达点云投影到栅格地图,减小数据量,提高障碍物检测效率。利用三维激光雷达开展方法验证性实验,获取了三种不同障碍物场景的激光雷达点云数据。处理结果显示:环境中障碍物数量越多,获得的期望栅格地图分辨率越高,障碍物表达更精细;反之,障碍物数量越少,获得的期望栅格地图分辨率越低,障碍物表达更快速,可实现障碍物自适应栅格表达。所建立的方法可为后续USV局部避碰路径规划研究提供支撑。     

基于深度图的三维激光雷达点云目标分割方法

三维激光雷达广泛应用在智能车系统中,点云目标分割是智能车环境感知中的关键技术。针对目前三维激光雷达点云目标分割算法实时性和准确性不高的问题,提出一种基于深度图的点云目标快速分割方法。将点云数据表示为深度图,建立深度图与点云数据的映射关系。利用激光雷达扫描线的角度阈值去除地面点云数据,结合深度图和自适应参数改进的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对非地面点云进行聚类分割。实验结果表明该方法相对于传统聚类算法在时间效率上有很大的提升,且能较好地降低欠分割错误率,分割准确度提升10%,达到了85.02%。