共查询到20条相似文献,搜索用时 15 毫秒
1.
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。 相似文献
2.
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... 相似文献
3.
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。 相似文献
4.
5.
在变电站场景中,作业人员与危险设备的空间距离感知是安全管控任务的基本问题。随着激光雷达和三维(3D)视觉理论的发展,3D点云目标检测可为下游空间距离度量任务提供必要的技术支撑。针对变电站场景下背景复杂、设备遮挡等因素引起的目标检测不准的问题,基于PointNet++模型,在局部特征提取阶段引入改进的注意力模块,提出了一种适用于变电站作业场景的3D目标检测网络PowerNet。首先经过两级局部特征提取,获取每个局部区域中的细粒度特征;其次通过mini-pointnet将所有局部特征编码成特征向量,得到全局特征;最后由全连接层输出预测结果。考虑到变电站点云数据中前景点与背景点数量差距较大,PowerNet采用Focal损失计算分类损失,使网络更加关注前景点特征信息。在自建数据集上的实验结果表明,PowerNet的均值平均精度(mAP)值达到0.735,高于其他模型,可直接在下游安全管控任务中应用。 相似文献
6.
飞机检测是遥感图像分析领域的研究热点,现有检测方法的检测流程分为多步,难以进行整体优化,并且对于飞机密集区域或背景复杂区域的检测精度较低。针对以上问题,该文提出一种端到端的检测方法MDSSD来提高检测精度。该方法基于单一网络目标多尺度检测框架(SSD),以一个密集连接卷积网络(DenseNet)作为基础网络提取特征,后面连接一个由多个卷积层构成的子网络对目标进行检测和定位。该方法融合了多层次特征信息,同时设计了一系列不同长宽比的候选框,以实现不同尺度飞机的检测。该文的检测方法完全摒弃了候选框提取阶段,将所有检测流程整合在一个网络中,更加简洁有效。实验结果表明,在多种复杂场景的遥感图像中,该方法能够达到较高的检测精度。 相似文献
7.
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。 相似文献
8.
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。 相似文献
9.
为了提高不同距离、不同视觉角度环境感知准确度,提出基于多层激光雷达的3D虚拟环境感知系统。系统硬件方面,将高性能计算机作为此次设计系统核心,设计系统硬件结构。软件方面,选择HDL-32E32线激光雷达,变换激光雷达点云数据点坐标系,获取3D虚拟环境点云数据,设计数据点提取和聚类算法,提取、聚类数据点,采用最小二乘法,多层拟合数据点,提取3D虚拟环境信息;将3D虚拟环境分为不同的感知层次,设计单层次环境感知策略,实现3D虚拟环境感知。依据真实街道环境,建立3D虚拟街道环境,设计实验方法,环境感知结果:此次设计系统感知不同距离、不同视觉角度环境范围小,3D虚拟环境感知精度最高可达99.32%,3D虚拟环境感知误差最低仅为3.56%。 相似文献
10.
针对动态物体影响传感器进行机器人位姿估计的问题,本文提出了一种基于动态特征剔除点云与图像融合的位姿估计方法。首先,YOLOv4和PointRCNN分别被用于识别图像和点云中的潜在运动目标并提取候选框。其次,在视觉定位方面,双目视觉与稀疏光流被用于路标点的构建与追踪,并根据候选框剔除动态特征点,随后构建重投影误差函数,通过基于RANSAC剔除的非线性优化方法求解相机位姿;在激光定位方面,提取前后帧的直线与平面特征点,并根据候选框进行筛选,基于特征点到直线或平面的距离构建误差函数,进而求解激光雷达位姿。为使系统不再局限于单一传感器的使用环境限制,通过自适应加权方法,有效融合了两种位姿结果。最后,通过KITTI数据集和动态场景采集的数据进行定量实验对比,验证了剔除动态特征后的位姿估计的精确性以及融合算法的有效性。 相似文献
11.
公路撒落物是影响行车安全、造成交通堵塞的重要因素,及时检测并清理公路撒落物十分重要。通过总结分析撒落物的特点,利用点云处理定位精度高和图像处理分类精度高的特点,提出一种基于图像与点云融合的公路撒落物检测算法。所提算法包括路面目标提取、点云与图像信息融合和撒落物目标分类等3个步骤。首先,通过激光雷达点云进行道路边缘检测、地面点云滤波和点云聚类,提取路面上的目标点云团簇;然后,将目标点云团簇投影到时间与空间对齐的视觉图像中,获取对应的图像感兴趣区域;最后,使用优化后的ResNet-50进行目标分类。所提算法的平均检测精确率为94.84%,召回率为91.92%,具有良好的检测效果。 相似文献
12.
自动驾驶系统是指采用先进的通信、计算机、网络和控制技术,对车辆实现实时、连续控制。自动驾驶研究领域中,对车身周围障碍物的感知追踪是自动驾驶车辆安全行驶的基础和前提。因此,重点研究了基于激光雷达、IMU、北斗卫星信号多源信息融合的障碍物感知与追踪系统。利用激光雷达提供的三维点云数据划分最大最小高度差栅格实现自动驾驶车辆周围的障碍物感知功能。基于激光雷达点云的障碍物感知算法中,针对特殊的悬空类型障碍物,采用高度划分的点云栅格中的点云概率密度作为悬空障碍物是否能够通行的判断依据,能够有效提升障碍物感知系统的鲁棒性。利用IMU和北斗卫星信号紧耦合方式实现自动驾驶车辆的轨迹跟踪,从而利用车辆运动状态信息结合匈牙利匹配算法实现多传感器信息融合的障碍物追踪功能。在基于多传感器信息融合的障碍物感知追踪系统中,利用IMU和北斗卫星紧耦合方式得到的转移矩阵信息去除由于车辆运动造成的激光雷达点云畸变,从而提升车辆障碍物感知追踪系统的准确度。通过实际采集得到的激光雷达、IMU及北斗卫星数据验证了提出的基于多传感器信息融合的障碍物感知追踪系统的有效性和实用性。 相似文献
13.
激光雷达和相机融合系统可感知环境的几何尺寸和颜色信息,在多个领域中得到了广泛应用。为了准确融合两种信息,提出了一种基于自然特征点的激光雷达和相机外部参数标定方法。首先,在激光雷达自校正的基础上,利用激光雷达数据的强度信息对点云以中心投影的方式生成灰度图。然后,通过尺度不变特征变换算法对投影生成的灰度图和相机图像进行特征点提取和匹配。最后,以同名特征点得到的信息建立标定数学模型,并进行数据优化,标定出三维激光雷达系统和相机系统的外部参数。实验结果表明,该方法计算的点云到图像像素点的重投影误差为2.3 pixel,验证了该位姿标定方法的有效性和准确性。 相似文献
14.
针对直接处理点云数据的深度神经网络PointNet++无法充分学习点云形状信息的问题,提出一种融合空间感知模块和特征增强模块(spatial awareness and feature enhancement,SAFE) 的三维点云分类与分割方法(SAFE-PointNet++) 。首先,设计了空间感知(spatial awareness,SA) 模块,使特征提取网络在特征升维时融合了包含空间结构的权重信息,增强了特征在空间上的表现力。其次,设计了特征增强(feature enhancement,FE) 模块,通过把增强后的几何信息和附加信息拆分并分别进行编码,达到充分利用点云附加信息的目的。实验结果表明,在ModelNet40和S3DIS数据集上,SAFE-PointNet++与其他10种经典网络相比具有更高的分类和分割精度。 相似文献
15.
双目视觉立体匹配时,在同色调表面因为缺乏纹理信息,不仅计算量大且匹配度低, 而且生成的 场景中的点云又具有非结构化、近密远疏的性质, 因此,提高双目视觉匹配的精度与速度, 以及准确分割点 云目标, 一直是点云获取及目标检测中的难点问题。 针对以上问题, 本文首先提出了一种融合主动激光 的 3D 点云目标采集方法, 快速准确地获得原始点云数据; 其次提出了一种基于欧式聚类的改进算法, 使用距离阈值和角度阈值作为阈值分割判断条件进行分段聚类, 得到边界明确的 3D 点云目标检测框。 实验结果表明:所设计的 3D 点云成像系统能够有效获取前方物体的 3D 点云信息,且具有比激光雷达成 本低、易实现、信息丰富等优势;改进后的欧式聚类算法能有效改善传统算法对阈值较为敏感导致的物 体易出现欠分割或过分割的问题, 提高了目标检测的准确率, 在室内场景下具有良好的检测效果。 相似文献
16.
3D点云数据处理在物体分割、医学图像分割和虚拟现实等领域起到了重要作用。然而现有3D点云学习网络全局特征提取范围小,难以描述局部高级语义信息,进而导致点云特征表述不完整。针对这些问题,提出一种基于语义信息补偿全局特征的物体点云分类分割网络。首先,将输入的点云数据对齐到规范空间,进行数据的输入转换预处理。然后,利用扩张边缘卷积模块提取转换后数据的每一层特征,并叠加生成全局特征。而在局部特征提取时,利用提取到的低级语义信息来描述高级语义信息和有效几何特征,用于补偿全局特征中遗漏的点云特征。最后,融合全局特征和局部高级语义信息得到点云的整体特征。实验结果表明,文中方法在分类和分割性能上优于目前经典和新颖的算法。 相似文献
17.
道路场景深度图像对于道路目标检测、智能驾驶汽车、场景3维重建等研究和应用都是至关重要的,但是由于硬件条件的限制,激光雷达获取的场景深度图像非常稀疏,道路场景深度补全旨在利用稠密的场景彩色图像指导稀疏雷达深度图像的补全重建,是目前的研究热点。该文设计了一种新型的多阶段多尺度引导的轻量化编解码网络来实现道路深度图像的高质量补全。该文网络由“彩色引导”和“精细化补全”两个阶段构成。在两个阶段的编码端,提出带有通道随机混合的轻量化多尺度卷积模块,更好地提取图像特征的同时控制网络的参数量。在两个阶段的解码端,采用通道感知机制来实现对重要特征的聚焦。同时将“彩色引导”阶段解码端的多尺度特征融合到“精细化补全”阶段的编码端中,实现多阶段多尺度的特征引导。在训练过程中,该文设计了多损失函数策略来完成由粗到细的深度图像补全。实验表明所提算法能实现高质量的深度图像补全并且具有轻量化的网络结构。 相似文献
18.
19.
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。 相似文献