点云从入门到精通技术详解100篇-双传感器模式的非结构化环境检测与识别（续）

目录

3.3 KD-Tree算法点云特征提取

3.3.1 KD-Tree算法的基本原理

3.3.2边沿点提取

3.4道路边沿线拟合验证

3.5实验与结果分析

3.5.1点云数据采集

3.5.2结果与分析

基于YOLOv5模型的负障碍物检测

4.1可通行区域障碍物类型

4.2负障碍物图像预处理及数据集构建

4.2.1数据采集

4.2.2图像预处理

4.2.3数据集构建

4.3 YOLOv5算法原理

4.3.1输入端

4.3.2主干特征提取网络

4.3.3颈部特征融合网络

4.3.4检测头部预测网络

4.4实验评估

4.4.1环境配置

4.4.2评价指标与分析

4.4.3实验结果分析

改进YOLOv5模型的负障碍物检测

5.1注意力机制

5.2基于ECA的模型改进

5.3实验结果分析

5.4对比分析

---

本文篇幅较长，分为上下两篇，上篇详见双传感器模式的非结构化环境检测与识别

3.3 KD-Tree算法点云特征提取

点云数据在经过预处理后，过滤了采集过程中的干扰信息，最大程度过滤了路面噪 点和离群点。一些研究者结合高度差和平滑特征提取道路特征，但是其实验的非结构化 道路结构化特征较为明显且障碍物较少。还有的方法使用双向扫描线提取道路边沿点， 同样存在道路中不可出现大型障碍物，否则会影响检测精度问题。本研究考虑到非结构 化道路的特殊情况，为了驾驶时的安全性，将不过滤道路中间的所有点云数据。在点云
数据量十分庞大的情况下，许多检索算法检测出道路边沿点需要较多的时间，而KD-Tree （K-Dimensional Tree）搜索则可以减少时间消耗，有效提高道路边沿点检测的性能。本 节将对KD-Tree的方法进行介绍。