基于激光雷达点云的车辆目标检测算法改进研究

本文提出了一种基于PointRCNN的改进目标检测算法。该方法针对原始PointRCNN对远距离处的车辆检测效果较差的问题进行了优化，并提高了算法目标检测的平均精度值。改进算法第1阶段先将激光雷达点云进行伪图像处理，降维至二维，然后利用Point-Focus结构对其进行处理并还原至三维点云。再将其送入PointNet++主干网络中进行特征提取，得到点的分类与回归结果并进行第1阶段的3D框生成。第2阶段对3D框进行优化选择，引入Point-CSPNet结构进一步提升网络学习能力和鲁棒性。本文合理借鉴了YOLO系列算法中的Focus、CSPNet结构，充分提取了原始点云中的有效信息，有效整合了网络运算过程中的特征及梯度变化，提高网络的检测准确率。本文的改进算法在KITTI数据集的3D场景下平均精度值从81.10%提升至81.74%;BEV场景下平均精度值从86.87%提升至88.20%,可视化效果中远距离处的车辆目标检测效果也得到了一定程度的优化，对无人驾驶技术进一步优化和完善具有一定的积极意义。