三维点云场景动态目标检测跟踪与语义标注技术研究
| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 车辆智能驾驶技术发展与应用 | 第13-16页 |
| 1.1.1 激光雷达发展与应用 | 第13-14页 |
| 1.1.2 主动安全技术 | 第14-15页 |
| 1.1.3 无人驾驶技术及其发展 | 第15-16页 |
| 1.2 三维点云场景中的感知问题与应用 | 第16-19页 |
| 1.2.1 障碍物检测 | 第16-17页 |
| 1.2.2 场景重构 | 第17-18页 |
| 1.2.3 动态障碍跟踪 | 第18-19页 |
| 1.2.4 场景的分类与标注 | 第19页 |
| 1.3 本文主要研究内容 | 第19-22页 |
| 第二章 基于三维点云场景的目标检测跟踪系统基础 | 第22-40页 |
| 2.1 相关工作与本章涉及背景内容简介 | 第23-24页 |
| 2.2 状态空间 | 第24-25页 |
| 2.3 基于贝叶斯理论的目标跟踪技术 | 第25-26页 |
| 2.3.1 非线性贝叶斯滤波 | 第25-26页 |
| 2.4 动态目标检测与跟踪 | 第26-39页 |
| 2.4.1 三维激光雷达点云感知模型的分析 | 第27-28页 |
| 2.4.2 三维激光雷达里程计 | 第28-30页 |
| 2.4.3 动态多目标检测与跟踪技术 | 第30-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 三维点云场景动态目标跟踪 | 第40-56页 |
| 3.1 非线性滤波量测模型推导 | 第41-43页 |
| 3.2 状态空间采样跟踪算法具体过程及改进 | 第43-46页 |
| 3.3 实验分析与讨论 | 第46-54页 |
| 3.3.1 与现有跟踪方法的横向比较 | 第47-51页 |
| 3.3.2 与固定最小采样分辨率的对比 | 第51-53页 |
| 3.3.3 结论 | 第53-54页 |
| 3.4 本章小结 | 第54-56页 |
| 第四章 三维点云场景结构分析与语义标注 | 第56-70页 |
| 4.1 三维点云场景分类识别及标注的相关研究工作 | 第56-57页 |
| 4.2 三维点云空间结构分析 | 第57-60页 |
| 4.2.1 体素近邻结构机制 | 第57-58页 |
| 4.2.2 点云特征转换为直方图特征 | 第58-59页 |
| 4.2.3 产生多尺度体素集合 | 第59-60页 |
| 4.3 随机森林分类器学习 | 第60-61页 |
| 4.4 条件随机场的能量建模 | 第61-63页 |
| 4.5 实验分析与讨论 | 第63-69页 |
| 4.5.1 数据集简介 | 第63页 |
| 4.5.2 点特征选择 | 第63-65页 |
| 4.5.3 随机森林参数选择与评价标准 | 第65-66页 |
| 4.5.4 结果讨论 | 第66-69页 |
| 4.6 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文总结 | 第70-71页 |
| 5.2 未来展望 | 第71-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 作者在学期间取得的学术成果 | 第80页 |
