融合OTSU与形态学图像处理的非结构化道路分割

非结构化道路通常具有不规则的道路边界,缺少车道线和道路标识,背景环境较为复杂。针对非结构化道路场景中的道路区域分割问题,提出了融合OTSU算法与形态学图像处理的道路分割算法,即首先将摄像头获得的彩色场景图像转换为灰度图像;其次进行高斯滤波,减少噪声;再次利用OTSU算法计算出合适的分割阈值,得到初始分割二值图像;从次使用形态学图像处理减少噪声和平滑图像;最后对得到的分割图像进一步处理,保留分割图像中最大的连通区域,得到道路区域分割结果。实验结果表明,融合算法可以更加精确地分割非结构化道路场景中的道路区域,可为非结构化道路场景下无人驾驶车辆的安全运行提供参考。

基于深度学习的点云三维目标检测方法综述

点云作为一种三维环境数据因其具有较高的精度一直被广泛关注并应用于多种场景任务之中。近年来,深度学习进入点云领域,让点云数据处理得到快速发展。针对基于深度学习的点云三维目标检测任务,首先分析了点云数据的特性并列举了日常任务中常用的点云数据集;随后通过单模态的三维目标检测与多模态的三维目标检测两个方向进行分类阐述,并通过单模态与多模态方法在数据集上的表现作比对;最后对当前点云三维目标检测研究的发展趋势进行展望与总结。