基于点云和图像融合的三维目标检测算法研究

作     者：郭嘉智 

作者单位：北京化工大学 

学位级别：硕士

导师姓名：王君

授予年度：2024年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：自动驾驶 三维目标检测 深度学习 

摘      要：目前,智能驾驶技术逐步走入大众的视野之中,许多人购车的首选也成为了拥有智驾系统的车辆。智能驾驶系统有着控制,感知和决策规划模块,而感知模块是车辆的大脑,三维目标检测也是感知模块的核心之一。 本论文分别研究了基于激光雷达点云的算法和基于点云和图像融合的算法,并且针对这两种路线的三维目标检测进行了理论学习、算法设计、实验验证以及可视化结果分析。这些工作在深入了解和优化自动驾驶感知系统、提高智能车辆行驶安全性和智能性等方面具有重要意义。本文研究内容如下: (1)基于点云的三维目标检测算法研究。我们提出了一种融合了多种注意力机制的三维物体检测算法MA-Point Pillars。首先,在点云柱特征提取模块中增加了额外的局部注意力机制网络。这个注意力机制网络使得特定的点云在特征提取阶段更全面地融合周围点云的特征信息。其次,在二维图像主干网络中引入了通道注意力机制模块。之后在官方的KITTI数据集上进行了实验,证实了该算法的有效性。结果显示,与原始算法相比,提出的算法平均准确度显著提高,表明我们的方法有效提升了自动驾驶场景中目标检测的性能。 (2)基于多模态的三维目标检测方法研究。在自动驾驶的感知模块中,传感器特征提取对三维目标检测算法的准确性具有重要的影响。目前单一模态传感器的特征内容不足以实现高精度目标检测,并且识别小目标如行人或自行车的检测任务仍存在诸多不足,常常导致检测精度不高以及误检漏检的问题。本章针对性地提出了一种新颖的检测算法,首先,该算法在点云特征提取层中采用了具有更大感受野的空间金字塔池化空洞卷积,同时使用Res-Net50网络提取图像的特征,并与点云特征级联拼接,将融合融合后的特征送入二维卷积层进行后处理,最终输入到单阶段多框检测器(SSD)算法进行目标检测。采用金字塔池化空洞卷积这一方法有助于增强模型对目标特征的多尺度感知,提高检测精度和鲁棒性;加入图像特征能够丰富已有的点云特征,进一步优化真实场景下目标检测的性能表现。通过在官方的KITTI数据集上进行的实验证实了该算法的有效性。结果显示,与原始算法相比,小目标的平均准确度显著提高,表明我们的方法有效提升了自动驾驶场景中对小目标检测的性能。