论文部分内容阅读
随着智能技术在水上运输领域的研究和应用,国内外众多研究机构对智能船舶的发展投入大量的人力和物力。环境感知作为智能船舶的重要组成部分,是船舶安全航行的重要前提。狭窄水域内有诸多不确定性,存在诸多静态障碍物以及不断航行的动态船舶目标,为航行环境感知带来了困难。激光雷达作为先进的高精度环境感知设备,可以感知周围目标的三维信息、强度信息以及深度信息等,不受光照变化影响,在船舶会遇、背景复杂等情况下,表现良好。卷积神经网络作为深度学习在图片检测中的重要手段,在实现船舶目标识别方面具有很好的效果。本文利用可见光图像数据和激光雷达所产生的点云数据分别实现了狭窄水域内的目标检测,并进行了融合分析,主要工作如下:第一,利用激光雷达和相机进行实船试验,获取原始点云和图像数据,将原始点云数据解析,在数据预处理过程中,通过统计分析的滤波方法将噪声点和冗余点进行剔除,分析点云强度值,对不同物体的强度值进行量化分析,将材质单一的目标点云强度值以平均值的方法进行处理;第二,分析船舶尾迹的点云数据特征,利用以平面为模型的随机采样一致性估计算法,将点云的强度值作为阈值参数,获得适应于本文的改进的随机采样一致性估计算法模型,并分析比较了多种目标聚类方法,利用欧几里得聚类分割的方法实现目标之间的几何分割和聚类,以包围盒的形式将目标聚类结果作为检测目标,实现了基于点云数据的目标检测;第三,利用相关方法获得大量不同类别的船舶图像数据,进行人工筛选并利用LabelImg插件对已筛选数据进行标注,获得清晰有效的网络训练数据,利用卷积神经网络的预权重值,对标注数据进行30000次迭代训练,获得了高效可靠的目标识别与分类模型;最后,实现了激光雷达和相机在时间上的配准,并对配准后的传感器检测目标进行融合分析。