無(wú)人車基于三維激光測(cè)距的室外場(chǎng)景理解.pdf

1、在智能無(wú)人車領(lǐng)域的研究中，實(shí)時(shí)環(huán)境感知與場(chǎng)景理解是保證無(wú)人車實(shí)現(xiàn)自主導(dǎo)航及地圖構(gòu)建的前提與基礎(chǔ)。本文研究了無(wú)人車基于三維激光測(cè)距的室外場(chǎng)景理解方法。為了簡(jiǎn)化面向室外場(chǎng)景的點(diǎn)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(diǎn)掃描與行進(jìn)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(diǎn)選取及細(xì)節(jié)表現(xiàn)力差等問題。本文基于三維激光測(cè)距的室外場(chǎng)景理解研

2、究以O(shè)BA圖模型為基礎(chǔ)，重點(diǎn)解決大范圍三維點(diǎn)云數(shù)據(jù)的多標(biāo)簽分類問題。
　　為了降低點(diǎn)云分類的計(jì)算復(fù)雜度，本文在OBA圖基礎(chǔ)上采用超像素算法完成三維場(chǎng)景的快速分割。從每個(gè)超像素塊及其對(duì)應(yīng)點(diǎn)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(wú)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(chǎng)景理解方法，其中Gentle-AdaBoost可將多種弱特征分類器提升為強(qiáng)分類器，從而實(shí)現(xiàn)場(chǎng)

3、景點(diǎn)云的快速初分類。為了進(jìn)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(diǎn)云，進(jìn)而通過輪廓及點(diǎn)云分層特性完成局部場(chǎng)景的再分類。
　　單純依賴局部特征的點(diǎn)云分類結(jié)果難以實(shí)現(xiàn)全局最優(yōu)的場(chǎng)景理解。本文提出了一種利用超像素塊構(gòu)建條件隨機(jī)場(chǎng)（Conditional Random Fields，CRF）節(jié)點(diǎn)的新方法，通過超像素塊之間所構(gòu)成的二階團(tuán)來(lái)完成場(chǎng)景上下文信息的建模，從而保證場(chǎng)景理解結(jié)果的全局最優(yōu)性。與傳統(tǒng)基于CRF的點(diǎn)

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(diǎn)作為隨機(jī)場(chǎng)節(jié)點(diǎn)，從而有效解決了由于節(jié)點(diǎn)數(shù)量巨大而導(dǎo)致的推斷過程迭代效率低的問題。為了保證分類準(zhǔn)確率，研究中采用局部點(diǎn)云形狀、鄰域點(diǎn)云分布以及OBA圖紋理等一系列特征來(lái)完成CRF的訓(xùn)練及推斷。
　　本文選用四個(gè)三維點(diǎn)云數(shù)據(jù)集來(lái)測(cè)試上述兩種場(chǎng)景理解方法的有效性，其中包括利用自主研發(fā)的無(wú)人車實(shí)驗(yàn)平臺(tái)所獲取的DUT1和DUT2兩個(gè)數(shù)據(jù)集，以及韓國(guó)KAIST數(shù)據(jù)集和牛津大學(xué)New Col