基于激光雷达点云数据的目标检测

前言

自动驾驶领域好像更为关注的是二维图像的物体检测,二维图像的语义特征比较丰富,对复杂特征有比较好的检测精度。现在比较流行的做法是,在二维图像上进行目标检测,后期结合雷达等测距信息,将二维数据映射到三维空间中。对语义特征比较复杂的情景,这种方式很有效,但是对一些比较简单的物体,基于三维点云方式的检测更精确。

基于三维点云的目标检测

传统方式:

主要步骤:分割地面->点云聚类->特征提取->分类。

基于深度学习的方式:

Frustum PointNets方式。

基于深度学习方式的挑战:

  • 非结构化数据,只是一堆点xyzi,没有网格之类的组织结构。
  • 无序性,相同的点云可以由多个完全不同的矩阵表示。
  • 数量变化大:图像中像素数量是常数,点云的数量可能会有很大。
  • 表现形式变化大:一辆车向左转,同一辆车向右转,会有不同的点云代表同一辆车。
  • 缺少数据:没有图片数据多,扫描时通常被遮挡数据会有丢失
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值