融合多注意力机制与PointRCNN的三维点云目标检测

针对三维不规则的点云格式和密度不均匀的问题,提出了一种融合多注意力机制与PointRCNN网络用于三维点云目标检测。本实验主要对PointRCNN两阶段网络分别进行改进,首先,把通道注意力与空间注意力机制串行通过调节输入到第一阶段各网络层的分布,批量归一化进一步快速识别三维特征;其次,引入交叉位置注意力机制到第二阶段网络为了避免交叉路径出现位置偏差,从而进一步精细化三维目标位置以进行特征提取。在KITTI数据集上实验结果表明:相比于PointRCNN检测网络,改进的网络在小汽车和行人测试上平均均值精度(mAP)分别提高了1.2%、1.9%。因此改进的方法在解决了点云格式不规则和密度不均匀问题的同时还保证了检测精度。

基于改进PointRCNN的3D点云目标检测

针对PointRCNN(3D Object Proposal Generation and Detection from Point Cloud)在面对不规则点云时很难提取出有区别特征的问题,提出了一种Point-ANN(3D Object Proposal Generation and Aggregation Neural Network)的方法。整个框架分为2个阶段。第一个阶段是自下而上生成3D建议,第二阶段执行建议的RoI的感知点云汇集操作,对每个3D方案中的点云信息进行分组,并在坐标中改进3D建议。引入RoI感知点云汇集模块来消除点云上进行区域合并时的模糊性,从而更容易地提取出有区别的特征。通过在KITTI数据集上证明了改进的Point-ANN方法相比于其他网络在3D点云目标检测时精度更高。

基于激光雷达点云的车辆目标检测算法改进研究

本文提出了一种基于PointRCNN的改进目标检测算法。该方法针对原始PointRCNN对远距离处的车辆检测效果较差的问题进行了优化,并提高了算法目标检测的平均精度值。改进算法第1阶段先将激光雷达点云进行伪图像处理,降维至二维,然后利用Point-Focus结构对其进行处理并还原至三维点云。再将其送入PointNet++主干网络中进行特征提取,得到点的分类与回归结果并进行第1阶段的3D框生成。第2阶段对3D框进行优化选择,引入Point-CSPNet结构进一步提升网络学习能力和鲁棒性。本文合理借鉴了YOLO系列算法中的Focus、CSPNet结构,充分提取了原始点云中的有效信息,有效整合了网络运算过程中的特征及梯度变化,提高网络的检测准确率。本文的改进算法在KITTI数据集的3D场景下平均精度值从81.10%提升至81.74%;BEV场景下平均精度值从86.87%提升至88.20%,可视化效果中远距离处的车辆目标检测效果也得到了一定程度的优化,对无人驾驶技术进一步优化和完善具有一定的积极意义。

基于彩色点云图像的不同成熟阶段番茄果实数量的测定方法

【目的】为测定温室中番茄不同成熟阶段的果实数量,提出一种基于彩色点云图像的测定方法。【方法】在移动平台上搭载KinectV2.0采集温室中行栽番茄的图像信息合成番茄植株点云,再将二视角的番茄植株点云合成1个点云,并通过深度信息截取得到近处番茄植株点云,将标注的点云数据输入到PointRCNN目标检测网络训练预测模型,并识别番茄植株点云中的番茄果实,最后利用基于特征矩阵训练的支持向量机(Support vector machine,SVM)分类器对已经识别出来的果实进行成熟阶段分类,获得不同成熟阶段番茄果实的数量。【结果】基于PointRCNN目标检测网络的方法识别番茄果实数量的精确率为86.19%,召回率为83.39%;基于特征矩阵训练的SVM分类器,针对番茄果实成熟阶段的预测结果在训练集上准确率为94.27%,测试集上准确率为96.09%。【结论】基于彩色点云图像的测定方法能够较为准确地识别不同成熟阶段的番茄果实,可以为评估温室番茄产量提供数据支撑。