科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对城市道路场景中杆状地物分类自动化与智能化程度低的问题，提出一种基于深度学习的方法实现杆状地物的有效分类。利用改进的随机抽样一致（random sample consensus,RANSAC）算法滤除车载激光雷达（light detection and ranging,LiDAR）获取的地面点云，基于二值图像法实现点云数据分割并提取杆状地物样本，对点云数据进行归一化、下采样等处理，并将杆状地物样本按7∶3的比例制作训练集与测试集。通过改进的Point Net增强点云局部特征提取能力，将数据集送入改进的Point Net进行分类。结果表明，改进的Point Net的杆状地物分类精度为98.4%，比Point Net提高了1.8%。之后，将样本点云数量分别采样为1 024、512、256、128，并制作成数据集送入网络进行训练，结果验证了该网络对杆状地物分类的鲁棒性。
- 单位
