基于激光雷达的点云配准算法综述

点云配准是基于激光雷达的同时定位与建图(SLAM)的关键技术之一。点云配准最终目的是求解出相同坐标系下不同姿态点云的变换矩阵,利用该矩阵实现多次扫描点云的精确配准,从而获得车身位置和姿态的变换。文章首先介绍点云配准的思想,对迭代最近点(ICP)算法和正态分布变换(NDT)算法的发展现状概括并进行说明,然后主要介绍ICP和NDT两种经典点云配准算法,最后进行总结。

基于深度学习的目标检测算法综述

目标检测的目的是识别图像中特定物体的类别和图像中的位置,实际可以应用于行人、物体、人脸检测和智能交通等人工智能领域,现如今,基于深度学习的神经网络技术已经逐渐融入人们的生活,深度卷积神经网络也在计算机视觉各个领域取得了显著的成就。文章将介绍基于深度学习的目标检测算法的研究进展、常用数据集特点以及性能指标评价关键参数,系统阐述目标检测主流算法的提出、基本框架以及优缺点,并对当前目标检测算法的问题和研究趋势进行了展望。

基于Yolo算法的交通锥标颜色检测

为了解决中国大学生无人驾驶方程式大赛的赛车检测交通锥标速度较慢和鲁棒性差的问题,文章采用自制数据集,提出一种使用自制数据集的Yolo实时目标检测方法。针对交通锥标较为细长、尺寸小的特点,Yolo使用K-means聚类算法对数据集中的真值进行聚类,选取合适的边界框数量,使目标检测算法融合本数据集的类别并实现锥桶检测以及三种颜色的分类。实验结果表明,在不同的外界环境中,Yolov5网络的交通锥标颜色分类检测模型的检测准确率高、鲁棒性好、计算速度快。在少量数据的情况下召回率达到88.84%,准确率达到86.87%,比Yolov3算法提高了36.78%,比原始算法提高了44.8%,检测速度(34 f/s)满足赛事需求。