由于激光点云数据具有一定的离散性和冗余性,在进行图像目标检测时,通常会因对点云数据滤波程度较低而导致检测精度不佳。对此,提出基于计算机图像融合的激光点云数据处理与目标检测方法。首先对高斯卷积核尺寸进行设定,并通过调整高斯...由于激光点云数据具有一定的离散性和冗余性,在进行图像目标检测时,通常会因对点云数据滤波程度较低而导致检测精度不佳。对此,提出基于计算机图像融合的激光点云数据处理与目标检测方法。首先对高斯卷积核尺寸进行设定,并通过调整高斯核的方差以及半径对滤波效果进行优化,同时结合线性插值算法计算出相邻点云数据间的插值,增加激光点云数据的密度。然后采用SURF(Speeded Up Robust Features)算法对Hessian矩阵行列式的局部极大值进行检测,从而定位出特征点。将匹配的特征点的描述符进行加权平均操作,通过计算融合后特征点之间的相似度,实现特征点映射匹配处理。最后采用仿射变换矩阵对匹配点的几何关系进行计算,实现目标区域定位。同时针对像素值的类间方差设定分割阈值,从而实现目标区域提取与检测。在实验中,对提出方法进行了检测精度的检验。最终的测试结果表明,采用提出方法对图像进行目标检测时,算法的IoU(Intersection over Union)值较高,具备较为理想的目标检测精度。展开更多
为了快速准确地检测无人驾驶方程式大赛中赛道锥桶的特征信息,提出一种融合激光雷达点云数据和相机图像数据的检测方法.首先对点云数据进行感兴趣区域(region of interest, ROI)提取并对噪点进行滤波,针对目前地面欠分割和过分割问题引...为了快速准确地检测无人驾驶方程式大赛中赛道锥桶的特征信息,提出一种融合激光雷达点云数据和相机图像数据的检测方法.首先对点云数据进行感兴趣区域(region of interest, ROI)提取并对噪点进行滤波,针对目前地面欠分割和过分割问题引入自适应地面分割算法,并采用欧式聚类对锥桶空间位置信息进行提取;其次采集和标注图像数据集,并使用YOLOv5进行训练后检测,完成锥桶颜色信息的提取;然后将激光雷达检测的锥桶空间位置信息和相机检测的锥桶颜色信息进行融合;最后设计试验进行验证,结果表明:所提出的融合检测方法能够弥补单传感器检测锥桶带来的问题,快速准确地检测出赛道中的锥桶,为规划和决策提供了保障.展开更多
文摘由于激光点云数据具有一定的离散性和冗余性,在进行图像目标检测时,通常会因对点云数据滤波程度较低而导致检测精度不佳。对此,提出基于计算机图像融合的激光点云数据处理与目标检测方法。首先对高斯卷积核尺寸进行设定,并通过调整高斯核的方差以及半径对滤波效果进行优化,同时结合线性插值算法计算出相邻点云数据间的插值,增加激光点云数据的密度。然后采用SURF(Speeded Up Robust Features)算法对Hessian矩阵行列式的局部极大值进行检测,从而定位出特征点。将匹配的特征点的描述符进行加权平均操作,通过计算融合后特征点之间的相似度,实现特征点映射匹配处理。最后采用仿射变换矩阵对匹配点的几何关系进行计算,实现目标区域定位。同时针对像素值的类间方差设定分割阈值,从而实现目标区域提取与检测。在实验中,对提出方法进行了检测精度的检验。最终的测试结果表明,采用提出方法对图像进行目标检测时,算法的IoU(Intersection over Union)值较高,具备较为理想的目标检测精度。
文摘为了快速准确地检测无人驾驶方程式大赛中赛道锥桶的特征信息,提出一种融合激光雷达点云数据和相机图像数据的检测方法.首先对点云数据进行感兴趣区域(region of interest, ROI)提取并对噪点进行滤波,针对目前地面欠分割和过分割问题引入自适应地面分割算法,并采用欧式聚类对锥桶空间位置信息进行提取;其次采集和标注图像数据集,并使用YOLOv5进行训练后检测,完成锥桶颜色信息的提取;然后将激光雷达检测的锥桶空间位置信息和相机检测的锥桶颜色信息进行融合;最后设计试验进行验证,结果表明:所提出的融合检测方法能够弥补单传感器检测锥桶带来的问题,快速准确地检测出赛道中的锥桶,为规划和决策提供了保障.
