典型文献
基于激光点云与图像融合的3D目标检测研究
文献摘要：
目前基于激光雷达与摄像头融合的目标检测技术受到了广泛的关注,然而大部分融合算法难以精确检测行人、骑行人等较小目标物体,因此提出一种基于自注意力机制的点云特征融合网络.首先,改进Faster-RCNN目标检测网络以形成候选框,然后根据激光雷达和相机的投影关系提取出图像目标框中的视锥点云,减小点云的计算规模与空间搜索范围;其次,提出一种基于自注意力机制的Self-Attention PointNet网络结构,在视锥范围内对原始点云数据进行实例分割;然后,利用边界框回归PointNet网络和轻量级T-Net网络来预测目标点云的3D边界框参数,同时在损失函数中添加正则化项以提高检测精度;最后,在KITTI数据集上进行验证.结果表明,所提方法明显优于广泛应用的F-PointNet,在简单、中等和困难任务下,汽车、行人和骑行人的检测精度均得到较大的提升,其中骑行人的检测精度提升最为明显.同时,与许多主流的三维目标检测网络相比具有更高的准确率,有效地提高了 3D目标检测的精度.
文献关键词：
激光雷达;3D目标检测;点云融合;注意力机制;深度学习
中图分类号：
作者姓名：
刘永刚;于丰宁;章新杰;陈峥;秦大同
作者机构：
重庆大学机械与运载工程学院/机械传动国家重点实验室 重庆400044;吉林大学汽车仿真与控制国家重点实验室 长春 130025;昆明理工大学交通工程学院 昆明 650500
文献出处：
引用格式：
[1]刘永刚;于丰宁;章新杰;陈峥;秦大同-.基于激光点云与图像融合的3D目标检测研究)[J].机械工程学报,2022(24):289-299
A类：
B类：
激光点云,图像融合,激光雷达,摄像头,融合算法,精确检测,骑行,小目标,自注意力机制,点云特征,特征融合网络,Faster,RCNN,目标检测网络,候选框,关系提取,出图,视锥,小点,搜索范围,Self,Attention,PointNet,始点,点云数据,实例分割,利用边界,边界框回归,轻量级,标点,损失函数,正则化,高检,检测精度,KITTI,精度提升,三维目标检测,点云融合
AB值：
0.388223
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
