概述
前言
自动驾驶领域好像更为关注的是二维图像的物体检测，二维图像的语义特征比较丰富，对复杂特征有比较好的检测精度。现在比较流行的做法是，在二维图像上进行目标检测，后期结合雷达等测距信息，将二维数据映射到三维空间中。对语义特征比较复杂的情景，这种方式很有效，但是对一些比较简单的物体，基于三维点云方式的检测更精确。
基于三维点云的目标检测
传统方式：
主要步骤：分割地面->点云聚类->特征提取->分类。
基于深度学习的方式：
Frustum PointNets方式。
基于深度学习方式的挑战：
- 非结构化数据，只是一堆点xyzi，没有网格之类的组织结构。
- 无序性，相同的点云可以由多个完全不同的矩阵表示。
- 数量变化大：图像中像素数量是常数，点云的数量可能会有很大。
- 表现形式变化大：一辆车向左转，同一辆车向右转，会有不同的点云代表同一辆车。
- 缺少数据：没有图片数据多，扫描时通常被遮挡数据会有丢失
最后
以上就是难过航空为你收集整理的基于激光雷达点云数据的目标检测前言基于三维点云的目标检测的全部内容，希望文章能够帮你解决基于激光雷达点云数据的目标检测前言基于三维点云的目标检测所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复