一種決策級(jí)數(shù)據(jù)融合機(jī)載LiDAR點(diǎn)云的車輛提取方法

一種決策級(jí)數(shù)據(jù)融合機(jī)載LiDAR法LiDARLiDAR點(diǎn)云的車輛提取方LiDAR；點(diǎn)云分割；車輛提取；決策級(jí)3D視覺技術(shù)在無人駕駛、智能交通、智慧城市等領(lǐng)域具有廣泛的應(yīng)術(shù)。然而，機(jī)載LiDAR數(shù)據(jù)采集的點(diǎn)云數(shù)據(jù)非常龐大，其數(shù)據(jù)密度高，LR數(shù)據(jù)處理中的一個(gè)重要環(huán)節(jié)，其可以為無人駕駛、交通流量、道路狀況等提供重要信息。然而，現(xiàn)有的車輛提取方法很難同時(shí)實(shí)現(xiàn)高精度、高效率，且對(duì)復(fù)雜的道路和車型識(shí)別仍存在一點(diǎn)云的車輛提取方法至關(guān)重要。LiDAR點(diǎn)云的車輛提取LiDAR數(shù)據(jù)采集和處理時(shí)由于氣象、地形等因素會(huì)產(chǎn)生噪的數(shù)量降低到一定程度（0.1-1m），從而減少數(shù)據(jù)的存儲(chǔ)和計(jì)算量。LiDAR數(shù)據(jù)處理中的一個(gè)重要環(huán)節(jié)，其旨在將整個(gè)PointNet++算法，該算法以點(diǎn)云為輸入，提LiDAR數(shù)據(jù)處理中另一個(gè)重要的環(huán)節(jié)，其通過運(yùn)用CNN的分類算法，以提高車輛的提車率和精度。具體來說，本算法選用了SqueezeSegV2算法，該算法旨在提高整體芯片本文提出的決策級(jí)數(shù)據(jù)融合機(jī)載LiDAR點(diǎn)云的車輛提取方法在KITTI數(shù)據(jù)集進(jìn)行的實(shí)驗(yàn)中取得了優(yōu)秀的結(jié)果。實(shí)驗(yàn)結(jié)果表明，本算法具真實(shí)車輛信息之間具有較高的重合度，使得下一步的點(diǎn)云分類大為簡(jiǎn)化。同時(shí)，在使用zeV2算法的分類過程中，本算法正確識(shí)別了90%以上的車輛信息，提取信息的速度也得到有效的優(yōu)化。LiDAR點(diǎn)云的車輛提取方法，高效地提取道路上的車輛信息。通過在KITTI數(shù)據(jù)集上的實(shí)驗(yàn)，該方法Chhatkuli,B.,&vanGemert,J.C.(2018).Sparsepoint-cloudlabelingusingconvolutionalnetworks.Ieeetransactionsonimageprocessing,27(9),4569-4584.Riegler,G.,Liao,M.,Urtasun,R.,&Geiger,A.(2017).Octnet:Learningdeep3drepresentationsathighresolutions.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.Holz,D.,&Behnke,S.(2018).Surfaceclassificationusing3Dconvolut