Rozpoznávání účastníků silničního provozu v bodových množinách z LiDARů

Abstract

Účastníky silničního provozu nasnímané senzorem LiDAR lze rozeznat i pouhým okem. V této práci představíme několik klasifikačních modelů pro automatické rozpoznávání dynamických objektů v městském prostředí. Všechny použité mechanismy jsou založené na tradičním strojovém učení, tj. k nejbližších sousedů, směs Gaussových rozdělení a náhodné lesy. Příznaky jsou rozděleny na momentovou rodinu a 3D Haarovu příznakovou rodinu. Experimenty se čtyřnásobnou křížovou validací byly provedeny na veřejném Sydney datasetu (347 segmentů) i na interním Wolfsburg datasetu (3203 segmentů; zatím není zvěřejněný). Oba dva nasnímané LiDARem Velodyne. Segmenty jsou rozdělené do sedmi tříd: chodec, cyklista, motocyklista, osobní automobil, dodávka, autobus a kamion. V případě nejistoty o třídě je objektům přiřazena univerzální třída. Část validačního datasetu je navíc tvořena těmito univerzálními objekty a je použita pro část experimentů. Výkon klasifikace na sedmi konkrétních třídách dosahuje state-of-the-art přesnosti přes 96 %.Road traffic participants captured by LiDAR sensor can be recognized even by the human eye. In this thesis we present several classification models for automatic recognition of dynamic objects in the urban environment. All the mechanisms used are based on traditional machine learning, i.e., k-Nearest Neighbors rule, Gaussian Mixture Model and Random Forest. The features applied are essentially divided into moment family and 3D Haarlike feature family. Experiments are performed with the 4-fold cross-validation on a public Sydney dataset (347 segments) as well as on an internal Wolfsburg dataset (3203 segments; not yet public). Both scanned by Velodyne LiDAR. Segments are labeled into seven classes: pedestrian, cyclist, biker, car, van, bus and truck. In case of uncertainty about the class, objects are labeled as an outlier. In addition, a small portion of undefined objects is added to the validation dataset and is used for a part of the experiments. The classification performance on seven specific classes reaches a state-of-the-art accuracy of over 96 %.