《表3 聚类准确率:适应不同距离的三维激光雷达数据处理方法》
为了验证上述障碍物检测算法的准确性和有效性,将本文算法与上文提到的最邻近聚类算法和八连通区域标记算法进行了对比。图10为障碍物检测过程中去噪和精简效果的对比图,其中图10(a)单独采用了八连通区域标记算法,图10(b)单独采用了最邻近聚类算法,图10(c)采用本文所提的算法,图10(d)为同一时刻下相机采集的路面图片。可以看出,在检测距离较远的障碍物时,激光雷达返回的点分布稀疏,简单的八连通区域标记聚类和最邻近聚类算法都存在过分分割的现象;而采用本算法后,可将离散的的障碍物栅格点重新聚类为一个障碍物块,降低了过分分割的几率,并且得到了比较完整的障碍物轮廓。通过随机抽取KITTI数据集中200帧数据场景下的点云数据进行聚类,并与同一时刻下的相机图像进行对比分析,得到障碍物的聚类分割准确率(见表3)。
图表编号 | XD00144829600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.15 |
作者 | 江浩斌、羊杰、孙军、朱剑、高列 |
绘制单位 | 江苏大学汽车与交通工程学院、江苏大学汽车与交通工程学院、上汽大通汽车有限公司南京分公司、上汽大通汽车有限公司南京分公司、上汽大通汽车有限公司南京分公司 |
更多格式 | 高清、无水印(增值服务) |