CN115082902B - 一种基于激光雷达点云的车辆目标检测方法 - Google Patents
一种基于激光雷达点云的车辆目标检测方法 Download PDFInfo
- Publication number
- CN115082902B CN115082902B CN202210865317.6A CN202210865317A CN115082902B CN 115082902 B CN115082902 B CN 115082902B CN 202210865317 A CN202210865317 A CN 202210865317A CN 115082902 B CN115082902 B CN 115082902B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- vehicle
- point cloud
- frame
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明属于车辆检测技术领域,涉及一种基于激光雷达点云的车辆目标检测方法,先引入一种基于体素金字塔的动态特征聚合策略,根据候选感兴趣区域的大小和内部非空体素稀疏性不同,自适应地选择不同分辨率特征层聚合特征信息;再设计一个可形变的感兴趣区域池化模块,为每个网格学习一个偏移量来对齐语义信息,并聚合三维区域建议外部上下文信息的特征,以提高采样点特征的表征能力;最后设计一种建议框几何信息融合模块,利用网格点到区域建议框的中心点和角点的距离信息以丰富特征,从而获得更加准确的车辆检测结果。
Description
技术领域
本发明属于车辆检测技术领域,涉及一种基于激光雷达点云的车辆目标检测方法,能有效处理无人驾驶中基于激光雷达系统点云的远距离车辆检测。
背景技术
随着人工智能与计算机视觉技术的发展以及车辆自动驾驶对驾驶安全方面日益重视,用于自动驾驶的相关技术成为当前的研究热点,自动驾驶汽车合法上路需要满足三个基本特征:高精度,高确定性,高可靠性,从传感器的角度来看,激光雷达系统提供了高精度深度信息的同时,受昼夜,天气等光线影响较小,因此,基于激光雷达系统点云的车辆目标检测成为自动驾驶中的核心技术,为后续的自动驾驶控制相关工作提供可靠的数据支持,车辆目标检测技术作为所有技术的基础工作,其检测的准确程度直接影响了自动驾驶的安全性和稳定性,具有重要的研究意义和应用价值。
激光雷达点云对于远处车辆或行人目标较为稀疏导致不易检测成为主要瓶颈之一,由于激光雷达旋转发射激光,因此从在远处的目标受到激光反射的点云个数会远远小于近处目标,同时在传播的过程中可能会受到物体遮挡的影响,因此较远处的汽车返回的激光点云较为稀疏,这对神经网络的特征提取和识别都会造成不利影响,为自动驾驶中的车辆检测任务带来极大的挑战性。
在车辆检测的过程中,距离传感器近的目标通常点云数量较多,形状较为完整,而距离传感器远的目标点云较为稀疏,且形状不完整;在三维目标检测研究中,不同分辨率的特征层对于不同尺度的目标具有不同的相应已经被研究学者们所证明,近处点云较完整的车辆目标,可以通过低分辨率的特征层较为容易的检测,而远处点云稀疏的车辆目标检测,则需要不同分辨率特征的融合。
目前,在基于点云的车辆检测方法中,在三维区域建议内部通常规则的采样相同数量的网格点,并对他们进行特征聚合以获得三维区域建议特征,但对于稀疏车辆目标来说,采样点往往取在空体素中,这在一定程度上增加了计算负担,同时,对于稀疏目标,仅靠三维区域内部特征无法进行准确检测;由鸟瞰图特征生成的粗略的三维区域建议框也可以为刚性较强的车辆目标检测提供一定的几何信息,这些信息有利于最终检测框的预测,但这些几何特征往往在其他基于点云的车辆目标检测中被忽略,因此,亟需设计一种新型的车辆目标检测方法。
发明内容
本发明的目的在于解决基于激光雷达点云在远处车辆目标中较为稀疏从而导致检测性能下降的问题,设计提供一种基于激光雷达点云的车辆目标检测方法。
为实现上述目的,为实现上述目的,本发明采实现车辆目标检测的具体过程为:
(4)、在步骤(3)生成的三维区域建议框基础上,引入一种基于体素金字塔的动态
特征聚合策略,根据三维区域建议框的大小和内部非空体素稀疏性比值的不同,自适应在中选择不同的三维特征层聚合多尺度的感兴趣区域特征;
(5)、在步骤(4)基于体素金字塔的动态特征聚合策略中,设计一个可形变的感兴趣区域池化模块,在三维区域建议框中规则采样相同数量的网格点,为每个网格点学习一个偏移量来对齐语义信息,并聚合三维建议框内部和外部特征,获取丰富语义上下文信息,以提高采样点特征的表征能力;
(6)、根据步骤(3)生成的三维区域建议框,设计一种建议框几何信息融合模块,将三维框中规则网格点到框中心点和角点的距离信息与步骤(5)中提取的感兴趣区域特征相融合,最终得到车辆特征;
(7)、将步骤(6)中提取的融合车辆特征送入检测头,对车辆进行分类和定位的预测,并训练具有稀疏点云检测能力的车辆目标检测模型。
作为本发明的进一步技术方案,所述步骤(1)具体包括如下步骤:
作为本发明的进一步技术方案,所述步骤(2)具体包括如下步骤:
(21)、为提高特征提取的速度,对每个体素取体素内原始点云的坐标平均值作为三维体素初始特征,作为三维卷积神经网络的输入;
作为本发明的进一步技术方案,所述步骤(3)具体包括如下步骤:
作为本发明的进一步技术方案, 所述步骤(4)具体包括如下步骤:
作为本发明的进一步技术方案,所述步骤(5)具体包括如下步骤:
(53)、为将采样点集中在三维区域建议框内外的非空体素上,通过网格点邻
域体素集的坐标和特征向量,训练学习生成偏移量对齐语义信息,并聚合形变后网格
点周围特征,获取丰富语义上下文信息,以提高采样点特征的表征能力。
作为本发明的进一步技术方案,所述步骤(6)具体包括如下步骤:
作为本发明的进一步技术方案,所述步骤(7)具体包括如下步骤:
步骤(72)、将特征向量分别输入两个平行分支对车辆进行置信度预测和边界框的回归。
本发明与现有技术相比,具有以下优点:
1、引入的基于体素金字塔的动态特征聚合策略,根据三维区域建议框的大小和内部非空体素稀疏性,自适应地选择不同分辨率特征层聚合特征信息,使稀疏的车辆目标可以从多层三维体素特征层中聚合网格点特征,并且提高了计算效率;
2、本发明设计的可形变的感兴趣区域池化模块,为每个网格点学习一个偏移量来对齐语义信息,并聚合三维区域建议外部上下文信息的特征,以提高采样点特征的表征能力,通过网格点偏移量从而减少了空体素的计算量,提高了检测效率;
3、设计的建议框几何信息融合模块利用网格点到区域建议框的中心点和角点的距离信息以丰富特征,从而获得更加准确的车辆检测结果。
附图说明
图1为本发明的流程图。
图2为本发明的网络框架图。
图3为本发明提出的金字塔特征聚合模块示意图。
图4 为本发明提出可形变的感兴趣区域池化模块示意图。
具体实施方式
下面通过实施例并结合附图对本发明作进一步说明。
实施例:
本实施例基于激光雷达点云对车辆目标进行检测方法的流程如图1所示,具体为:
(4)、在步骤(3)生成的三维区域建议框基础上,引入一种基于体素金字塔的动态
特征聚合策略,根据三维区域建议框的大小和内部非空体素稀疏性比值的不同,自适应在中选择不同的三维特征层聚合多尺度的感兴趣区域特征;
(5)、在步骤(4)基于体素金字塔的动态特征聚合策略中,设计一个可形变的感兴趣区域池化模块,在三维区域建议框中规则采样相同数量的网格点,为每个网格点学习一个偏移量来对齐语义信息,并聚合三维建议框内部和外部特征,获取丰富语义上下文信息,以提高采样点特征的表征能力;
(6)、根据步骤(3)生成的三维区域建议框,设计一种建议框几何信息融合模块,将三维框中规则网格点到框中心点和角点的距离信息与步骤(5)中提取的感兴趣区域特征相融合,最终得到车辆特征;
(7)、将步骤(6)中提取的融合车辆特征送入检测头,对车辆进行分类和定位的预测,并训练具有稀疏点云检测能力的车辆目标检测模型。
具体的,对于步骤(1),为从不规则的激光雷达点云中提取车辆特征,首先在激光
雷达传感器返回的原始点云信息中取轴坐标作为车辆目标检测框架输入;
再按照轴采样范围和轴采样范围以及规则体素大小,将不规则的原始点云转换为等间距的三维体素表示。
对于步骤(2),为提高特征提取的速度,取每个体素取体素内原始点云的坐标平均
值作为三维体素初始特征,作为三维卷积神经网络的输入;然后将三维体素初始特征输入
到三维卷积神经网络中通过稀疏卷积操作提取不同尺度下的三维特征层。
对于步骤(3),首先,将三维卷积神经网络生成的特征层,按照Z轴方向压缩
为二维鸟瞰图特征,将二维鸟瞰图特征输入二维卷积神经网络中,分别生成维度为
[128,200,256]和[64,100,512]特征,通过反卷积操作将低分辨率特征图转换为高分辨率,
并进行特征融合,最终融合成维度为[128,200,512]的鸟瞰图特征;
其次,通过融合后鸟瞰图特征生成粗略的三维区域建议框,并进行训练,损失函数定义如下:
其中,表示前景锚框的数量,和分别表示分类的预测和标签,表
示只有前景锚框计算回归损失,和分别代表回归分支的预测和标签,在分类损失函数中,为调制系数,用于实现控制正负样本权重和控制容易分类和难分类样本权
重,在回归损失中,超参数决定损失函数对异常值的敏感度,越大,对异常值敏感度
越弱。
对于步骤4,体素金字塔的动态特征聚合策略主要由以下两个步骤完成:
步骤(41)、为增强稀疏点云目标特征,同时提高特征聚合的效率,引入一种基于体
素金字塔的动态特征聚合策略,将步骤(3)生成的三位区域建议框映射会原始体素,计算三
维区域建议框内部非空体素的数量占三维区域建议框内部所有体素数量的比值
,定义如下:
步骤(42)、设设置稀疏性权值,根据三维区域建议框内部非空体素稀疏性自适应地在中选择不同的三维特征层聚合多尺度的三维区域建议
框特征如果大于,说明三维区域建议框点云数量多,且形状较为完整,选择Conv4特征
层聚合特征以提高计算效率,如果小于且大于,则选择Conv3,Conv4中共同聚合特
征;如果小于,证明该目标车辆点云较为稀疏,形状不完整,选择Conv2,Conv3,Conv4
共同聚合特征,选择策略定义如下:
对于步骤(5),在步骤(4)基于体素金字塔的动态特征聚合策略中,设计了一个可形变的感兴趣区域池化模块,在三维区域建议框中规则采样相同数量的网格点,为每个网格点学习一个偏移量来对齐语义信息,并聚合三维建议框内部和外部特征,获取丰富语义上下文信息,以提高采样点特征的表征能力,具体实现过程如下:
(52)、根据检测车辆的点云稀疏程度,利用体素查询操作,首先将查询点量化成一
个体素,然后通过所以转换得到相邻体素,在体素查询过程中,计算体素之间的曼哈顿距
离,并在一个阈值范围内采样N个体素,即在步骤(4)中自适应选择的不同三维特征层中找
到网格点邻域中的体素集,体素和体素之间的曼哈顿距离定义如下:
其中,为邻域体素特征向量,W1,W2为可学习权值,学习形变后的新网格点位置为,对于每个新网格点,采用PointNet模块聚合相邻体素特征得到新特征,获取
丰富语义上下文信息,以提高采样点特征的表征能力。
对于步骤(6),基于步骤(3)生成的三维区域建议框,设计了一种建议框几何信息
融合模块,以进一步丰富三位区域建议特征,具体来说,首先计算三维框中规则网格点
到框中心点的欧式距离和角点的欧式距离,其中,,,
对于每个网格点来说,网格点特征定义入下:
对于步骤(7),首先将步骤(6)中提取的融合车辆特征送入检测头,通过多层感
知器将融合车辆特征转换为特征向量,然后将特征向量分别输入两个平行分支对车辆进行
置信度预测和边界框的回归,用于训练的检测头损失函数由分类损失和回归损失组成,其
中分类损失函数为二元交叉熵损失,回归损失函数为Huber损失,分类分支中,置信度将三
维区域建议框和相应的地面真值框之间的IoU值作为软标签,定义如下所示:
本实施例先引入一种基于体素金字塔的动态特征聚合策略,根据候选感兴趣区域的大小和内部非空体素稀疏性不同,自适应地选择不同分辨率特征层聚合特征信息;再设计一个可形变的感兴趣区域池化模块,为每个网格学习一个偏移量来对齐语义信息,并聚合三维区域建议外部上下文信息的特征,以提高采样点特征的表征能力;最后设计一种建议框几何信息融合模块,利用网格点到区域建议框的中心点和角点的距离信息以丰富特征,从而获得更加准确的车辆检测结果;需要指出的是,考虑到车辆检测的实时性,本实施例提出的可形变的感兴趣区域池化模块通过网格点偏移量从而减少了空体素的计算量,提高了检测效率,本实施例所提出的车辆目标检测方法优于国际上同类型的相关方法,通过体素金字塔和可形变的感兴趣区域池化模型提高了以激光雷达点云为输入的车辆检测能力。
以上公开的仅为本发明的具体实施例,根据本发明提供的技术思想,本领域的技术人员能思及的变化,都应落入本发明的保护范围内。
Claims (6)
1.一种基于激光雷达点云的车辆目标检测方法,其特征在于,具体过程为:
(4)、在步骤(3)生成的三维区域建议框基础上,引入一种基于体素金字塔的动态特征
聚合策略,根据三维区域建议框的大小和内部非空体素稀疏性比值的不同,自适应在中选择不同的三维特征层聚合多尺度的感兴趣区域特征,具体为:
(5)、在步骤(4)基于体素金字塔的动态特征聚合策略中,设计一个可形变的感兴趣区域池化模块,在三维区域建议框中规则采样相同数量的网格点,为每个网格点学习一个偏移量来对齐语义信息,并聚合三维建议框内部和外部特征,获取丰富语义上下文信息,以提高采样点特征的表征能力,具体为:
(53)、为将采样点集中在三维区域建议框内外的非空体素上,通过网格点邻域体
素集的坐标和特征向量,训练学习生成偏移量对齐语义信息,并聚合形变后网格点周
围特征,获取丰富语义上下文信息,以提高采样点特征的表征能力;
(6)、根据步骤(3)生成的三维区域建议框,设计一种建议框几何信息融合模块,由三维框中规则网格点到框中心点和角点的距离信息生成距离信息特征后与步骤(5)中提取的形变网格点特征相融合,最终得到车辆特征;
(7)、将步骤(6)中提取的融合车辆特征送入检测头,对车辆进行分类和定位的预测,并训练具有稀疏点云检测能力的车辆目标检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210865317.6A CN115082902B (zh) | 2022-07-22 | 2022-07-22 | 一种基于激光雷达点云的车辆目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210865317.6A CN115082902B (zh) | 2022-07-22 | 2022-07-22 | 一种基于激光雷达点云的车辆目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082902A CN115082902A (zh) | 2022-09-20 |
CN115082902B true CN115082902B (zh) | 2022-11-11 |
Family
ID=83241857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210865317.6A Active CN115082902B (zh) | 2022-07-22 | 2022-07-22 | 一种基于激光雷达点云的车辆目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082902B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180062683A (ko) * | 2016-12-01 | 2018-06-11 | 주식회사 만도 | 이미지 피라미드를 이용한 차량 인식 장치 및 방법 |
CN110738121A (zh) * | 2019-09-17 | 2020-01-31 | 北京科技大学 | 一种前方车辆检测方法及检测系统 |
CN110879994A (zh) * | 2019-12-02 | 2020-03-13 | 中国科学院自动化研究所 | 基于形状注意力机制的三维目测检测方法、系统、装置 |
CN111209825A (zh) * | 2019-12-31 | 2020-05-29 | 武汉中海庭数据技术有限公司 | 一种用于动态目标3d检测的方法和装置 |
CN111832655A (zh) * | 2020-07-16 | 2020-10-27 | 四川大学 | 一种基于特征金字塔网络的多尺度三维目标检测方法 |
CN113159151A (zh) * | 2021-04-12 | 2021-07-23 | 中国科学技术大学 | 面向自动驾驶的多传感器深度融合3d目标检测方法 |
CN113284163A (zh) * | 2021-05-12 | 2021-08-20 | 西安交通大学 | 基于车载激光雷达点云的三维目标自适应检测方法及系统 |
CN113920468A (zh) * | 2021-12-13 | 2022-01-11 | 松立控股集团股份有限公司 | 一种基于跨尺度特征增强的多分支行人检测方法 |
CN113920499A (zh) * | 2021-10-27 | 2022-01-11 | 江苏大学 | 一种面向复杂交通场景的激光点云三维目标检测模型及方法 |
CN114550161A (zh) * | 2022-01-20 | 2022-05-27 | 北京大学 | 一种端到端的三维目标稀疏检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429514B (zh) * | 2020-03-11 | 2023-05-09 | 浙江大学 | 一种融合多帧时序点云的激光雷达3d实时目标检测方法 |
CN111476822B (zh) * | 2020-04-08 | 2023-04-18 | 浙江大学 | 一种基于场景流的激光雷达目标检测与运动跟踪方法 |
-
2022
- 2022-07-22 CN CN202210865317.6A patent/CN115082902B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180062683A (ko) * | 2016-12-01 | 2018-06-11 | 주식회사 만도 | 이미지 피라미드를 이용한 차량 인식 장치 및 방법 |
CN110738121A (zh) * | 2019-09-17 | 2020-01-31 | 北京科技大学 | 一种前方车辆检测方法及检测系统 |
CN110879994A (zh) * | 2019-12-02 | 2020-03-13 | 中国科学院自动化研究所 | 基于形状注意力机制的三维目测检测方法、系统、装置 |
CN111209825A (zh) * | 2019-12-31 | 2020-05-29 | 武汉中海庭数据技术有限公司 | 一种用于动态目标3d检测的方法和装置 |
CN111832655A (zh) * | 2020-07-16 | 2020-10-27 | 四川大学 | 一种基于特征金字塔网络的多尺度三维目标检测方法 |
CN113159151A (zh) * | 2021-04-12 | 2021-07-23 | 中国科学技术大学 | 面向自动驾驶的多传感器深度融合3d目标检测方法 |
CN113284163A (zh) * | 2021-05-12 | 2021-08-20 | 西安交通大学 | 基于车载激光雷达点云的三维目标自适应检测方法及系统 |
CN113920499A (zh) * | 2021-10-27 | 2022-01-11 | 江苏大学 | 一种面向复杂交通场景的激光点云三维目标检测模型及方法 |
CN113920468A (zh) * | 2021-12-13 | 2022-01-11 | 松立控股集团股份有限公司 | 一种基于跨尺度特征增强的多分支行人检测方法 |
CN114550161A (zh) * | 2022-01-20 | 2022-05-27 | 北京大学 | 一种端到端的三维目标稀疏检测方法 |
Non-Patent Citations (2)
Title |
---|
《Data Augmentation Method fo r Improving Vehicle Detection and Recognition Performance》;Xiu-Zhi Chen等;《2022 IEEE International Conference on Consumer Electronics》;20220708;第419-420页 * |
《基于深度学习的视觉目标检测技术综述》;曹家乐等;《中国图象图形学报》;20220630;第27卷(第6期);第1697-1722页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115082902A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626217B (zh) | 一种基于二维图片和三维点云融合的目标检测和追踪方法 | |
CN111832655B (zh) | 一种基于特征金字塔网络的多尺度三维目标检测方法 | |
CN111242041B (zh) | 基于伪图像技术的激光雷达三维目标快速检测方法 | |
CN112347987A (zh) | 一种多模数据融合的三维目标检测方法 | |
CN115685185B (zh) | 一种4d毫米波雷达与视觉融合感知方法 | |
CN115393680B (zh) | 雾天场景下多模态信息时空融合的3d目标检测方法及系统 | |
CN116612468A (zh) | 基于多模态融合与深度注意力机制的三维目标检测方法 | |
CN116486368A (zh) | 基于自动驾驶场景下的多模态融合三维目标鲁棒检测方法 | |
CN114463736A (zh) | 一种基于多模态信息融合的多目标检测方法及装置 | |
CN113569313A (zh) | 基于激光雷达二次回波点云数据的铁路栅栏建模与识别方法 | |
CN116486396A (zh) | 一种基于4d毫米波雷达点云的3d目标检测方法 | |
Wang et al. | A survey of 3D point cloud and deep learning-based approaches for scene understanding in autonomous driving | |
CN113269147B (zh) | 基于空间和形状的三维检测方法、系统、存储及处理装置 | |
Luo et al. | Dynamic multitarget detection algorithm of voxel point cloud fusion based on pointrcnn | |
CN113255779A (zh) | 多源感知数据融合识别方法、系统及计算机可读存储介质 | |
CN110348311B (zh) | 一种基于深度学习的道路交叉口识别系统及方法 | |
CN116362318B (zh) | 基于自适应深度修正的纯视觉三维目标检测方法和系统 | |
CN115082902B (zh) | 一种基于激光雷达点云的车辆目标检测方法 | |
CN116129234A (zh) | 一种基于注意力的4d毫米波雷达与视觉的融合方法 | |
Ji et al. | Lane line detection system based on improved Yolo V3 algorithm | |
CN116664851A (zh) | 一种基于人工智能的自动驾驶数据提取方法 | |
Ding et al. | Animation design of multisensor data fusion based on optimized AVOD algorithm | |
Huang et al. | Lidar-camera fusion based high-resolution network for efficient road segmentation | |
Wei et al. | An Efficient Point Cloud-based 3D Single Stage Object Detector | |
CN115082869B (zh) | 一种服务于特种车辆的车路协同多目标检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |