基于原始点云的三维目标检测算法

针对当前三维目标检测中存在的数据降采样难、特征提取不充分、感受野有限、候选包围盒回归质量不高等问题,基于3DSSD三维目标检测算法,提出了一种基于原始点云、单阶段、无锚框的三维目标检测算法RPV-SSD(random point voxel single stage object detector),该算法由随机体素采样层、3D稀疏卷积层、特征聚合层、候选点生成层、区域建议网络层共五个部分组成,主要通过聚合随机体素采样的关键点逐点特征、体素稀疏卷积特征、鸟瞰图特征,进而实现对物体类别、3D包围盒以及物体朝向的预测。在KITTI数据集上的实验表明,该算法整体表现良好,不仅能够命中真值标签中的目标并且回归较好的包围盒,还能够从物体的不完整点云推测出物体的类别及其完整形状,提高目标检测性能。

基于点云的自动驾驶下三维目标检测

针对当前三维目标检测算法对行人、骑行人等小目标检测效果不佳的缺点,提出一种改进PV-RCNN的三维目标检测算法。改进关键点下采样方式,通过滤除背景及离群点提高关键点在目标上的命中率;设计多尺度区域建议网络,尺度匹配的特征图提高边界框的生成质量;使用加入方向感知的DIoU损失函数优化边界框的回归。实验结果表明,与基准网络相比,算法在KITTI测试集的车辆、行人和骑行人的mAP分别提高了0.77%、6.33%和2.05%,有效提高了网络性能。

利用原始激光雷达点云数据提取渐进式建筑物轮廓线

建筑物是城市三维建模的重要元素,其轮廓信息的提取既是难点又是重点。本文提出了原始激光雷达点云数据的渐进式建筑物轮廓线提取方法。首先对原始点云数据采用渐进数学形态学滤波分离非地面点;然后使用改进的三维Hough转换分类出建筑物点云;进一步提取建筑物轮廓点,并根据相邻点方位角阈值确定建筑点云轮廓的关键点,以此简化并拟合建筑物轮廓线;最后基于轮廓线长度加权方向将建筑物轮廓规则化。结果表明,该方法大大提高了点云处理的效率和精度,可以直接从采集到的初始数据中自动化渐进式得到建筑物轮廓线信息。同时该方法对解决中小城镇建筑物体积小,距离近和屋顶坡度较大等问题具有较好的效果。

机载LiDAR点云数据质量检查方法

机载LiDAR技术近年来得到快速发展,该技术是快速、大规模、高精度获取三维地理信息数据的重要手段之一。机载LiDAR集成了众多的系统,数据获取、数据处理过程繁多且复杂,只要其中一个环节出现问题,都会影响最终数据的使用。本文结合实际项目,在机载LiDAR点云原始数据检查中,论述了飞行姿态航高、IMU数据、CROS数据,点云精度、点云密度等检查内容和方法,可为同类工作检查做一个参考。

机载LiDAR点云数据质量检查内容及方法研究

机载LiDAR系统是实现地面三维坐标和影像数据同步、快速、高精度获取,并快速实现地物三维、实时再现的一种国际领先的测绘高新技术,而机载LiDAR原始点云数据质量检查是后期制图的基础。本文详细介绍了原始激光点云数据质量检查的具体内容、标准和方法。