基于激光雷達(dá)點(diǎn)云的車輛檢測(cè)方法研究.pdf

1、隨著經(jīng)濟(jì)發(fā)展水平的提高，汽車的數(shù)量持續(xù)攀升，交通事故的發(fā)生率也不斷增加。智能輔助駕駛系統(tǒng)可以通過(guò)給駕駛員提醒和指導(dǎo)來(lái)降低交通事故的發(fā)生率。車輛檢測(cè)是智能輔助駕駛系統(tǒng)的關(guān)鍵，不僅能夠?yàn)檎系K物檢測(cè)提供線索，也有利于車輛路徑規(guī)劃。車載激光雷達(dá)掃描測(cè)量是繼GPS之后測(cè)繪領(lǐng)域的一種高新測(cè)繪技術(shù)，能夠快速高效地獲取目標(biāo)物體表面詳細(xì)的三維信息，為數(shù)字城市、路況仿真、環(huán)境測(cè)量、地圖導(dǎo)航等領(lǐng)域?qū)崿F(xiàn)快速3D建模提供了一種全新的手段。因此，如何有效地處理激光

2、點(diǎn)云數(shù)據(jù)具有實(shí)際的應(yīng)用意義。在此背景下，本文以車載激光掃描系統(tǒng)作為三維信息的獲取方式，研究車載激光雷達(dá)點(diǎn)云數(shù)據(jù)的處理算法，重點(diǎn)解決激光點(diǎn)云的車輛檢測(cè)問(wèn)題。為了提高現(xiàn)有車輛檢測(cè)算法的準(zhǔn)確性和魯棒性，本文提出了一種在復(fù)雜道路環(huán)境下基于三維激光雷達(dá)的車輛檢測(cè)算法。
　　首先利用基于彩色布料模型的地面分割算法分離地面點(diǎn)與非地面點(diǎn)，在降低后續(xù)處理計(jì)算復(fù)雜度的同時(shí)，有利于后續(xù)局部特征的提取和后續(xù)目標(biāo)的聚類分割;
　　針對(duì)傳統(tǒng)聚類算法在復(fù)

3、雜場(chǎng)景下目標(biāo)粘連的問(wèn)題，本文提出利用超體聚類算法實(shí)現(xiàn)非地面分割，并用最小割算法對(duì)粘連目標(biāo)進(jìn)行分割精確性的優(yōu)化。實(shí)驗(yàn)結(jié)果表明超體聚類在保留點(diǎn)云數(shù)據(jù)局部邊界特征上具有較好的效果;
　　最后，本文提出了一種結(jié)合3D CNN和車牌檢測(cè)的車輛識(shí)別方法。設(shè)計(jì)合適的3D CNN網(wǎng)絡(luò)從大量樣本中自動(dòng)學(xué)習(xí)樣本的特征。針對(duì)部分車輛信息不完整提出了車牌檢測(cè)法。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文所提車輛特征的有效性，降低了車輛檢測(cè)算法的漏檢率。
　　在公開(kāi)數(shù)據(jù)集上