無人車基于三維激光測距的室外場景理解.pdf

1、在智能無人車領(lǐng)域的研究中，實時環(huán)境感知與場景理解是保證無人車實現(xiàn)自主導航及地圖構(gòu)建的前提與基礎(chǔ)。本文研究了無人車基于三維激光測距的室外場景理解方法。為了簡化面向室外場景的點云分類過程，本文提出了三維激光數(shù)據(jù)的二維最優(yōu)方位角(Optimal Bearing Angle，OBA)圖模型。該模型可兼顧定點掃描與行進掃描兩種不同數(shù)據(jù)獲取方式，并能解決傳統(tǒng)二維模型表述中的灰度突變、視點選取及細節(jié)表現(xiàn)力差等問題。本文基于三維激光測距的室外場景理解研

2、究以O(shè)BA圖模型為基礎(chǔ)，重點解決大范圍三維點云數(shù)據(jù)的多標簽分類問題。
　　為了降低點云分類的計算復雜度，本文在OBA圖基礎(chǔ)上采用超像素算法完成三維場景的快速分割。從每個超像素塊及其對應(yīng)點云中可提取空間幾何信息、紋理信息等大量局部特征。由于單一弱特征無法有效用于物體分類，本文提出了基于Gentle-AdaBoost算法與局部再分類策略的快速場景理解方法，其中Gentle-AdaBoost可將多種弱特征分類器提升為強分類器，從而實現(xiàn)場

3、景點云的快速初分類。為了進一步提升分類正確率，將初始分類結(jié)果中置信度較低的區(qū)域還原至原始點云，進而通過輪廓及點云分層特性完成局部場景的再分類。
　　單純依賴局部特征的點云分類結(jié)果難以實現(xiàn)全局最優(yōu)的場景理解。本文提出了一種利用超像素塊構(gòu)建條件隨機場（Conditional Random Fields，CRF）節(jié)點的新方法，通過超像素塊之間所構(gòu)成的二階團來完成場景上下文信息的建模，從而保證場景理解結(jié)果的全局最優(yōu)性。與傳統(tǒng)基于CRF的點

4、云分類方法相比，本文所提方法利用超像素塊替代原始三維點作為隨機場節(jié)點，從而有效解決了由于節(jié)點數(shù)量巨大而導致的推斷過程迭代效率低的問題。為了保證分類準確率，研究中采用局部點云形狀、鄰域點云分布以及OBA圖紋理等一系列特征來完成CRF的訓練及推斷。
　　本文選用四個三維點云數(shù)據(jù)集來測試上述兩種場景理解方法的有效性，其中包括利用自主研發(fā)的無人車實驗平臺所獲取的DUT1和DUT2兩個數(shù)據(jù)集，以及韓國KAIST數(shù)據(jù)集和牛津大學New Col