为了解决点云处理过程中空间信息损失的问题,同时在融合过程中最大程度地提取可见光图像的纹理信息,本文提出了一种基于特征切片的激光点云与可见光图像融合车辆检测方法(FVOIRGAN-Detection)。在CrossGAN-Detection方法中加入了FVOI(Fr...为了解决点云处理过程中空间信息损失的问题,同时在融合过程中最大程度地提取可见光图像的纹理信息,本文提出了一种基于特征切片的激光点云与可见光图像融合车辆检测方法(FVOIRGAN-Detection)。在CrossGAN-Detection方法中加入了FVOI(Front View Based on Original Information)的点云处理思路,将点云投影到前视角度并把原始点云信息的各个维度切片为特征通道,在不降低网络性能的情况下显著提高点云信息利用效率。并且引入了相对概率的思想,采用鉴别器鉴别图像的相对真实概率替代绝对真实概率,使得融合图像提取的纹理信息更加接近真实的纹理信息。在KITTI数据集上进行检测性能实验验证结果表明,本文方法在容易、中等和困难三个类别中的AP指标分别达到97.67%、87.86%和79.03%。在光线受限的场景下,AP指标达到了88.49%,与CrossGAN-Detection方法相比提高了2.37%,提高了目标检测的性能。展开更多
文摘为了解决点云处理过程中空间信息损失的问题,同时在融合过程中最大程度地提取可见光图像的纹理信息,本文提出了一种基于特征切片的激光点云与可见光图像融合车辆检测方法(FVOIRGAN-Detection)。在CrossGAN-Detection方法中加入了FVOI(Front View Based on Original Information)的点云处理思路,将点云投影到前视角度并把原始点云信息的各个维度切片为特征通道,在不降低网络性能的情况下显著提高点云信息利用效率。并且引入了相对概率的思想,采用鉴别器鉴别图像的相对真实概率替代绝对真实概率,使得融合图像提取的纹理信息更加接近真实的纹理信息。在KITTI数据集上进行检测性能实验验证结果表明,本文方法在容易、中等和困难三个类别中的AP指标分别达到97.67%、87.86%和79.03%。在光线受限的场景下,AP指标达到了88.49%,与CrossGAN-Detection方法相比提高了2.37%,提高了目标检测的性能。