Show simple item record

Recognition of Road Traffic Participants in LiDAR Point Clouds



dc.contributor.advisorŠára Radim
dc.contributor.authorJosef Čech
dc.date.accessioned2019-06-04T14:51:53Z
dc.date.available2019-06-04T14:51:53Z
dc.date.issued2019-06-03
dc.identifierKOS-773337304905
dc.identifier.urihttp://hdl.handle.net/10467/82239
dc.description.abstractÚčastníky 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 %.cze
dc.description.abstractRoad 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 %.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjectpočítačové viděnícze
dc.subjectrozpoznávání objektůcze
dc.subjectLiDAR datacze
dc.subjectsilniční provozcze
dc.subjectcomputer visioneng
dc.subjectobject recognitioneng
dc.subjectLiDAR dataeng
dc.subjectroad trafficeng
dc.titleRozpoznávání účastníků silničního provozu v bodových množinách z LiDARůcze
dc.titleRecognition of Road Traffic Participants in LiDAR Point Cloudseng
dc.typebakalářská prácecze
dc.typebachelor thesiseng
dc.contributor.refereeObdržálek Štěpán
theses.degree.grantorkatedra kybernetikycze
theses.degree.programmeKybernetika a robotikacze


Files in this item





This item appears in the following Collection(s)

Show simple item record