研究目的
利用机器学习从三维激光雷达获取的3D点云数据中准确区分行人和车辆，特别是提高对汽车、自行车骑行者和行人的识别精度并降低处理时间。
研究成果
基于支持向量机（SVM）的八维特征方法相比随机森林和26维特征方法具有更高的识别准确率（95.5%）和更低的处理时间，适用于低计算环境。未来工作包括将该方法嵌入跟踪系统并在不同环境中进行测试。
研究不足
该数据集未包含与公交车、卡车及各类行人（如打伞者或推婴儿车者）相关的激光雷达数据，限制了其泛化能力。该方法可能无法在所有道路环境中良好运行，需在不同场景下进一步评估。
1：实验设计与方法选择：
本研究采用基于径向基函数（RBF）核的支持向量机（SVM）分类器，通过从三维激光雷达数据中提取的八维特征进行多类别分类（汽车、自行车骑行者、行人）。多类SVM采用一对一方法实现。
2：样本选择与数据来源：
使用斯坦福轨迹采集数据集，包含70米范围内激光雷达测量的汽车、自行车骑行者和行人数据。训练数据包含32,346帧扫描，测试数据包含16,846帧扫描。
3：实验设备与材料清单：
采用Velodyne HDL-64ES2 64线激光雷达进行数据采集。处理设备为搭载Intel Core i7-6700K处理器、32GB内存、Windows 10操作系统并使用C++编程语言的计算机。
4：实验流程与操作步骤：
通过背景差分法对激光雷达数据进行聚类，提取特征（如点数、距离、反射强度、尺寸比例、速度等），并执行SVM分类。通过网格搜索和交叉验证优化超参数（C和γ）。
5：数据分析方法：
评估并比较识别准确率、精确率、召回率、F值和处理时间，对照随机森林算法及26维特征方法。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Lidar
HDL-64ES2
Velodyne
Used for acquiring 3D point cloud data of the environment, including object positions and reflection intensities, for object recognition.
-
CPU
i7-6700K
Intel
Used for processing the lidar data, running the SVM classification, and measuring processing time.
-
RAM
DDR 32.0 GB
Provides memory for data processing and algorithm execution.
-
Operating System
Windows 10 Home 64 bit
Microsoft
Platform for running the C++ based processing software.
-
SVM Library
LIBSVM
Used for implementing the support vector machine classifier in the object recognition method.
-
登录查看剩余3件设备及参数对照表
查看全部
