基于激光雷达点云的车辆检测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 智能辅助驾驶系统研究现状 | 第9-11页 |
| 1.2.2 3D激光雷达车辆检测技术研究现状 | 第11-14页 |
| 1.3 当前方法存在的问题及本文研究内容 | 第14-16页 |
| 1.3.1 当前存在的问题 | 第14-15页 |
| 1.3.2 本文研究内容 | 第15-16页 |
| 1.4 本文章节安排 | 第16-17页 |
| 第二章 地面分割算法研究 | 第17-35页 |
| 2.1 地面分割算法概述 | 第17-20页 |
| 2.1.1 基于栅格映射的地面分割算法 | 第17-18页 |
| 2.1.2 基于局部凹凸性特性的地面分割算法 | 第18页 |
| 2.1.3 基于体素的向上生长方法的地面分离算法 | 第18-19页 |
| 2.1.4 地面分离算法优缺点分析 | 第19-20页 |
| 2.2 布料仿真技术 | 第20-28页 |
| 2.2.1 布料仿真概述 | 第20-21页 |
| 2.2.2 粒子模型 | 第21-22页 |
| 2.2.3 有限元模型 | 第22页 |
| 2.2.4 质点-弹簧模型 | 第22-25页 |
| 2.2.5 基于彩色布料模型的地面分割算法 | 第25-28页 |
| 2.3 滤波 | 第28页 |
| 2.4 实验结果与分析 | 第28-33页 |
| 2.4.1 实验数据库介绍 | 第28-31页 |
| 2.4.2 基于彩色布料仿真技术的地面分割 | 第31-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 结合超体聚类与Min-Cut的分割算法 | 第35-45页 |
| 3.1 DBSCAN聚类算法 | 第35-37页 |
| 3.2 欧氏距离聚类 | 第37-38页 |
| 3.3 超体聚类 | 第38-41页 |
| 3.3.1 超体聚类概述 | 第38-39页 |
| 3.3.2 超体素构造 | 第39-40页 |
| 3.3.3 超体聚类 | 第40-41页 |
| 3.4 最小割算法优化 | 第41-43页 |
| 3.5 实验结果与分析 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 车载激光雷达点云的车辆检测 | 第45-59页 |
| 4.1 3D CNN概述 | 第45-46页 |
| 4.2 基于VoxNet的框架 | 第46-47页 |
| 4.3 3D CNN网络结构对比分析 | 第47-52页 |
| 4.3.1 3D CNN网络结构设计 | 第48-50页 |
| 4.3.2 基于VD-CNN网络的车辆识别 | 第50-52页 |
| 4.4 车牌检测 | 第52-54页 |
| 4.5 实验结果及分析 | 第54-58页 |
| 4.5.1 评价指标 | 第54-55页 |
| 4.5.2 实验对比及分析 | 第55-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文工作总结 | 第59页 |
| 5.2 后续工作展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 发表论文和参加科研情况 | 第65-67页 |
| 致谢 | 第67页 |
