基于激光雷达的三维点云车辆检测与跟踪

发布时间：2021-02-11 11:11

　　近年来,基于三维成像激光雷达的目标检测与跟踪已经成为了计算机视觉领域的重要课题。相比于传统的二维成像传感器,三维成像激光雷达具有能有效获取目标的三维几何信息、受外界光照变化和成像距离影响小等优点。因此,激光雷达已广泛应用于无人驾驶技术、军事领域以及服务机器人等领域。但是三维成像激光雷达仍存在一些问题:由于激光雷达的空间高分辨率和三维成像能力,使得同样的视场和距离范围内,三维点云数据量远远多于传统的成像传感器。测量维度的增加和分辨率的提高带来了探测性能提高的可能性,但真正地提高性能需要更智能、更稳健的信息处理算法。此外,目标通常被置于一定的背景环境中,与背景融为一体,在激光雷达探测过程中,由于视角、背景等原因目标被遮挡,在距离像中可能难以被检测和分割出来。但在真实场景中,目标与背景在不同的高度上是分离的,可以通过场景的高程来进行分割,理论上可以有效地进行分类。据此,本文主要依据地面车辆的三维点云数据的特点,对车辆目标检测与跟踪进行研究分析。本文的研究工作主要分为以下三个部分:1.基于快速检测和AdaBoost学习算法剔除虚警的车辆检测。首先,利用局部高程特征作为一种强特征对点云数据进行快... 

【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 无人驾驶技术研究现状
        1.2.2 课题研究现状
    1.3 论文主要工作
第2章 车辆检测和跟踪的相关知识
    2.1 三维点云数据的压缩
    2.2 AdaBoost分类器
        2.2.1 集成学习Boosting算法
        2.2.2 AdaBoost算法
    2.3 2D Harr-like特征
        2.3.1 积分图思想
    2.4 算法性能评估指标
第3章 基于快速检测和AdaBoost的车辆检测
    3.1 快速高程滤波
        3.1.1 局部区域曲面拟合
        3.1.2 感兴趣区域（ROI）的聚类分析
    3.2 AdaBoost学习算法目标检测
        3.2.1 3D Harr-like特征值
        3.2.2 训练AdaBoost分类器
    3.3 车辆检测实验结果分析
        3.3.1 仿真数据测试车辆检测试验结果
        3.3.2 KITTI公共数据集车辆检测试验结果
        3.3.3 车辆检测结果总结分析
    3.4 本章小结
第4章 基于卡尔曼滤波和Mean shift的三维点云目标跟踪算法
    4.1 Mean shift算法
        4.1.1 多维空间下的非参数密度估计
        4.1.2 Mean shift算法的原理
        4.1.3 Mean shift跟踪算法
    4.2 跟踪算法的优化
        4.2.1 卡尔曼滤波
        4.2.2 目标的重检测
    4.3 基于卡尔曼滤波和Mean shift的三维点云目标跟踪算法
        4.3.1 目标特征的选择
        4.3.2 相似性度量
        4.3.3 卡尔曼滤波器目标跟踪算法
    4.4 三维点云目标跟踪实验结果分析
        4.4.1 目标跟踪实验结果分析
    4.5 本章小结
结论
参考文献
附录 A 攻读学位期间所发表的学术论文
致谢



本文编号：3029015