大规模道路场景致密语义地图构建

摘要

大规模道路场景的语义地图构建为实现无人驾驶、环境勘探等提供了很大帮助，目前即时地图构建和导航技术已经日益成熟，但是大规模场景的语义地图构建技术还存在很多需要完善的地方，如整个系统的合理构建、选择合适的语义地图的表达方式、提高运算效率等，该技术的发展已逐步受到研究者们的关注。本文针对这一技术，提出新的解决方案，并对方案进行了定性和定量的实验分析。
　　本文实现了一套完整的大规模道路场景致密几何地图构建系统，首先采用双目相机和激光雷达相结合的方式对输入的逐帧点云进行致密化处理，然后利用双目视觉里程计估算相机运动轨迹，最后逐帧拼接致密点云来构建致密的几何地图。
　　由于单纯依靠几何地图不能满足大规模场景理解的相关应用，本文实现了基于全局的条件随机场下的大规模道路场景致密语义地图构建的方法，即在完成整个三维地图的构建后，再对整个三维地图进行语义标注。该方案思路清晰，便于工程实现，但是在基于全局的方法框架下，每当新增一帧数据时，需要对加入新的数据后的三维地图重新进行整体的语义标注。
　　为了减少存储量，同时提升计算效率，本文又提出了基于增量计算的条件随机场下的大规模道路场景致密语义地图构建的方法，该方法首先完成上文提出的构建几何地图的工作，然后分四步构建语义地图:首先检测致密化处理后的输入帧相对前一帧的新增体素，然后对新增体素内部三维点过分割成超体素，再利用前后多帧的标注结果指导超体素的标注，最后逐帧地将新增体素融合到语义地图中。
　　KITTI数据集上定性和定量的实验表明:基于增量计算的方法能获取准确的大规模语义地图，同时有效减少冗余点的处理，改善图像上的标注结果，此外，基于全局的方法能得到更稳定的语义标注结构，但是基于增量计算的方法运算效率更高。

目录

声明

致谢

摘要

图目录

表目录

1 绪论

1．1 研究的背景与意义

1．2 研究的动态与现状

1．2．1 道路场景理解

1．2．2 大规模道路场景理解

1．3 论文内容与结构

2 大规模道路场景几何重建

2．1 三维点云致密化

2．1．1 三维点与图像间的投影变换

2．1．2 深度图升采样

2．1．3 KITTI数据集上的实验结果

2．2 基于特征点匹配的双目视觉里程计

2．2．1 算法实现过程

2．2．2 KITTI数据集上的实验结果

3 基于全局的大规模道路场景致密语义地图构建

3．1 单帧图像语义标注

3．2 有效的地图表达

3．3 基于条件随机场的模型构建

3．4 模型的求解

3．5 实验结果与分析

4 基于增量计算的大规模道路场景致密语义地图构建

4．1 新增点检测

4．2 基于条件随机场的模型构楚

4．2．1 超体素表达

4．2．2 超体素语义标注

4．3 模型的求解

4．4 实验结果与分析

4．4．1 算法的优势和细节处理

4．4．2 与基于全局的算法对比

5 总结与展望

5．1 本文工作总结

5．2 未来工作展望

参考文献

作者简历及在学期间所取得的科研成果