检索结果

期刊

出版年

关键词

Please wait a minute...

选择:

导出引用
EndNote Ris BibTeX

显示/隐藏图片

Select

1. 基于深度学习的道路障碍物检测方法

彭育辉, 郑玮鸿, 张剑锋

计算机应用 2020, 40 (8): 2428-2433. DOI: 10.11772/j.issn.1001-9081.2019122227

摘要（825）

PDF （1655KB）（679）

针对基于激光雷达（LiDAR）的三维点云数据处理及道路障碍物检测的问题，提出一种基于深度学习的路障碍物检测方法。首先，采用统计滤波算法对原始点云进行离群点的剔除处理；其次，提出一种端到端的深度神经网络VNMax，利用最大池化对区域候选网络（RPN）架构进行优化，构建改进的目标检测层；最后，在KITTI数据集上进行了训练及测试实验。结果显示，经过滤波处理，点云中各点之间的平均距离得到有效减少。通过对在KITTI数据集的简单、中等和困难任务的车辆定位处理结果比较得出，所提方法的平均精度比VoxelNet（Unofficial）分别提高了11.3个百分点、6.02个百分点和3.89个百分点。实验测试结果表明，统计滤波算法仍是有效的三维点云数据处理手段，最大池化模块可以提高深度神经网络的学习性能和目标定位能力。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于深度学习的道路障碍物检测方法研究

彭育辉郑玮鸿张剑锋

《计算机应用》唯一官方网站 0, (): 0-0. DOI: 10.11772/j.issn.1001-9081.2019122227

摘要（100）

PDF （2366KB）（44）

摘要: 随着汽车无人驾驶技术研究和应用受到业内的普遍关注，基于激光雷达的道路障碍物检测逐渐成为感知系统的重要研究内容。基于车载激光雷达获取的外部车辆三维点云数据，提出一种基于深度学习的路障碍物检测方法。首先，采用聚类算法对原始点云进行离群点过滤、剔除处理，提高点云的光整度；其次，提出一种端到端的深度神经网络，利用最大池化对RPN架构进行优化，构建改进的目标检测层；实验测试结果表明，提出的算法在三维目标的检测精度方面得到显著提高，尤其在KITTI数据集的简单、中等和困难任务的车辆定位中，平均精度比Voxelnet(Unofficial)提高分别提高了11.30%、6.02%和3.89%。