基于深度学习和激光点云的目标检测--自动驾驶感知（基础知识和原理）

最新推荐文章于 2024-04-22 00:30:00 发布

LidarXin

最新推荐文章于 2024-04-22 00:30:00 发布

阅读量2.4k

点赞数 5

分类专栏：深度学习

本文链接：https://blog.csdn.net/a_123456598/article/details/107484750

版权

深度学习专栏收录该内容

7 篇文章 1 订阅

订阅专栏

基于深度学习和激光点云的目标检测--自动驾驶感知

【简介】

1、优缺点分析

（1）传统图像VS深度学习图像

a、传统方法

特征提取主要依赖人工设计的提取器，需要有专业知识及复杂的调参过程，同时每个方法都是针对具体应用，泛化能力及鲁棒性较差。

b、深度学习

数据驱动进行特征提取，根据大量样本的学习能够得到深层的、数据集特定的特征表示，其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力更好，并且可以是端到端的。缺点是样本集影响较大，算力要求较高。

总体来讲，一种是人工认知驱动的方法，一种是数据驱动的方法。应用的话看场景，只不过深度学习一直在不断拓展其应用的场景，传统方法在某些时候扔具有一定价值。

（2）点云VS图像

激光雷达：数据简单但精确，适合做几何感知。

视觉数据：丰富但多变，适合做语义感知。

在高级别自动驾驶里，无论是从优势互补还是传感器冗余的角度，二者缺一不可。

2.关于激光点云数据。

（1）激光点云文件是.bin格式的，每一个.bin文件代表一个点云图。每一个点云图由很多点组成，又名体素。

（2）激光雷达点云bin文件读取和显示：

这里读取的是KITTI数据集中的.bin文件：

import mayavi.mlab
import torch
import numpy as np

mypointcloud=np.fromfile(r"E:\MANY_PROJECT_SOURCE\3_LIDAR\MY_SOLUTION\dataset\train\velodyne\000001.bin",dtype=np.float32,count=-1).reshape([-1,4])
mypointcloud=torch.from_numpy(mypointcloud)
print(mypointcloud.size())
print(mypointcloud.type())

def viz_mayavi(points,vals="distance"):  # 可视化只用到了3维数据(x,y,z)！
    x=points[:,0]
    y=points[:,1]
    z=points[:,2]
    r=points[:,3]
    d=torch.sqrt(x**2+y**2)

    if vals=="height":
        col=z
    else:
        col=d

    fig=mayavi.mlab.figure(bgcolor=(0,0,0),size=(1280,720))
    mayavi.mlab.points3d(x,y,z,
                         col,
                         mode="point",
                         colormap='spectral',
                         figure=fig,
                         )

    mayavi.mlab.show()

if __name__=="__main__":
    viz_mayavi(mypointcloud,vals="height")