用于驾驶场景点云车辆检测与跟踪的反卷积网络
计算机视觉与模式识别
2018-08-27 v1
摘要
车辆检测与跟踪是开发城市场景自动驾驶应用的核心要素。近期基于图像的深度学习(DL)技术在这些感知任务中取得了突破性成果。然而，深度学习研究在 processing 来自激光雷达测距仪的 3D 点云方面进展尚少。这类传感器在自动驾驶车辆中十分常见，因为尽管其提供的语义信息不如图像丰富，其在恶劣天气条件下的性能比视觉传感器更稳健。本文提出一个仅使用 3D 激光雷达信息的完整车辆检测与跟踪系统。我们的检测步骤使用一个卷积神经网络(CNN)，其输入为 Velodyne HDL-64 传感器所提供的 3D 信息的特征表示，输出为每个点是否属于车辆的逐点分类。随后对分类后的点云进行几何处理，为多目标跟踪系统生成观测值，该系统由多个多假设扩展卡尔曼滤波器(MH-EKF)实现，用于估计周围车辆的位置与速度。系统在 KITTI 跟踪数据集上进行了充分评估，并展示了我们基于 CNN 的车辆检测器相对于标准几何方法的性能提升。我们基于激光雷达的方法仅使用了基于图像的检测器所需数据的约 4%，却取得了具有可比性的竞争结果。
引用
@article{arxiv.1808.07935,
title = {Deconvolutional Networks for Point-Cloud Vehicle Detection and Tracking in Driving Scenarios},
author = {Victor Vaquero and Ivan del Pino and Francesc Moreno-Noguer and Joan Solà and Alberto Sanfeliu and Juan Andrade-Cetto},
journal= {arXiv preprint arXiv:1808.07935},
year = {2018}
}
备注
Presented in IEEE ECMR 2017. IEEE Copyrights: Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses