基于激光雷达点云序列的实时目标检测技术

（Instant Object Detection in Lidar Point Clouds）

本文研究提出了一种新的用于从城市地区采集的连续流激光雷达点云对象分类算法。该算法的基本框架输入是由Velodyne HDL-64型激光雷达捕获的原始三维点云序列，主要目标是从这些点云序列中提取出移动传感器附近的所有车辆和行人目标。本文还提出了一个专门为区分室外三维城市物体而开发的完整流程：首先，将所采集到的点云分为地面区域、短物体（即低前景）和高物体（即高前景）。然后，利用算法中开发的新型双层网格结构，对前景区域进行有效的连通分量分析，生成代表不同城市对象的不同组点。接下来，从候选对象中创建出深度图像，并通过卷积神经网络的应用对物体的外观进行初步分类。最后，考虑到可能存在的预期场景拓扑，需要通过用上下文特征来细化分类。本文在真实激光雷达测量实验中测试了所提出的算法，实验中包含从不同城市场景中捕获的1485个物体。

总之，为了能够实现在城市环境下的车辆和行人进行实时检测，本文提出了一种从稀疏点云中快速提取和分类的端到端部署流水线，其中同时利用基于深度学习的对象外观模型和上下文场景分析。该方法在在激光雷达传感器的实际测量中得到验证，并将其效率与基线技术进行比较，表明了其可行性。