基于车载激光雷达点云的三维目标检测算法研究.pdf

中文摘要

随着自动驾驶技术的持续发展，无人驾驶汽车市场的规模正经历显著扩张。该

领域的核心技术框架围绕环境感知能力、决策机制和运动控制执行三个方面不断深

化，其中环境感知的关键在于实时高效的点云目标检测，即系统必须能够迅速地从

获取点云数据到完成目标检测，以便车辆能够实时地了解周围环境中的障碍物、行

人、道路标志和其他交通参与者的位置和动态变化。由于车载激光雷达获取的三维

点云冗余数据多且数据量大，导致了自动驾驶场景下点云目标检测的实时性较差，

存在较高延迟和较低准确率。针对以上问题，本文重点以车载激光雷达点云为研究

、

对象，重点开展了地面点云分割和非地面的点云聚类点云目标检测识别的研究，

具体工作如下：

1、针对大量地面点云的输入降低整体目标检测速度和精度的问题，本文经过实

RANSACCSF

验分析了基于随机采样一致性（）和基于布料模拟过滤（）的两种地面

点云分割算法。实验结果表明，在准确率相差不大的情况下，CSF算法比RANSAC

算法的地面点云分割速度提升了32.06Hz，因此我们选择CSF作为符合要求的分割

算法。

2、去除地面点云后，我们提出了基于传统欧式聚类的改进聚类算法，利用具有

点索引顺序的逐点方案，避免了传统欧式聚类中嵌套循环，不断遍历点产生的耗时

和耗内存操作，并且利用KD-Tree加速临近点的有哪些信誉好的足球投注网站，从而实现了高效的目标点云

分割聚类。我们选取了KITTI中部分序列数据进行实验，结果表明，本文的改进算

法准确度为83.5%，相比传统欧式聚类，准确度提升了5.2%，而聚类时间缩短了近

4倍，满足了无人驾驶的实时性要求。

3、针对目标点云聚类分割后数据量大导致不能实时处理大规模目标点云检测识

别的问题。本文基于PointNet++网络架构进行改进，第一，通过对比，选择随机点

采样对目标点云进行下采样，提高检测速度；第二，取消了原始PointNet模型中的

预测仿射变换矩阵（T-Net），进一步减少计算复杂度；第三，在PointNet卷积层加

入跳跃连接机制，增强了模型在不同层次上的特征整合能力，改善特征提取效果。

KITTI、

本文基于数据集对所提方法进行训练测试。改进网络模型对存在轻度中度

和重度的遮挡的目标平均识别准确度均有一定的提升；在ModelNet40数据集上，改

I

进模型的准确度91.8%，训练时间为5分58秒，相比原始PointNet网络，准确度提

1.4%4

升了，训练速度提升了倍。

关键词：激光雷达；点云分割；点云聚类；目标检测；自动驾驶；深度学习

II

ABSTRACT

Asautonomousdrivingtechnologycontinuestoevolve,thedriverlesscarmarketis

experiencingsignificantexpansion.Thecoretechnicalframeworkinthisfieldis

continuouslydeepenedaroundthreeaspects:environmentalperceptioncapability,

decision-makingmechanismandmotioncontrolexecution,amongwhichthekeyto

environmentalperceptionliesinreal-timeandefficientpointcloudobjectdetection,thatis,

thesystemmustbeabletoquicklyobtain