薛其威,伍錫如

(1. 桂林電子科技大學(xué) 電子工程與自動(dòng)化學(xué)院, 廣西 桂林 541004; 2. 廣西高校非線性電路與光通信重點(diǎn)實(shí)驗(yàn)室(廣西師范大學(xué)), 廣西 桂林 541004)

隨著人工智能和機(jī)器人技術(shù)的不斷發(fā)展與深入，無(wú)人駕駛系統(tǒng)作為人工智能領(lǐng)域的一個(gè)重要分支已經(jīng)成為國(guó)內(nèi)外的研究熱點(diǎn)[1-3]。無(wú)人駕駛系統(tǒng)通過(guò)三維車(chē)輛檢測(cè)對(duì)主體實(shí)現(xiàn)路徑規(guī)劃與決策控制，其中雷達(dá)、攝像機(jī)、GPS等傳感器的多模態(tài)特征融合是三維車(chē)輛檢測(cè)中的重要內(nèi)容[4-6]。

毫米波雷達(dá)和攝像機(jī)的多模態(tài)特征融合因其檢測(cè)分辨率和精度高、抗干擾性強(qiáng)、感知范圍廣、不受光照和陰影遮擋的特性，有利于實(shí)現(xiàn)復(fù)雜交通環(huán)境下的無(wú)人駕駛[7-9]。因此基于多模態(tài)特征融合的車(chē)輛檢測(cè)算法在過(guò)去幾年里發(fā)展得較為迅速，大量?jī)?yōu)秀算法廣泛應(yīng)用[10-12]。

Nie等[13]利用多模態(tài)融合深度神經(jīng)網(wǎng)絡(luò)對(duì)不同模態(tài)的特征進(jìn)行多通道分層，并在隱藏層提取多通道特征張量實(shí)現(xiàn)特征融合以預(yù)測(cè)車(chē)輛位姿、轉(zhuǎn)向角以及速度。Zhang等[14]根據(jù)歸一化像素距離加權(quán)平均值對(duì)點(diǎn)云插值處理并與像素點(diǎn)融合，通過(guò)注意力機(jī)制分配特征通道權(quán)重，抑制干擾通道并增強(qiáng)車(chē)輛特征通道信息。王肖等[15]通過(guò)隨機(jī)樣本一致性算法定位校準(zhǔn)稀疏點(diǎn)云，提取點(diǎn)云結(jié)構(gòu)并與像素直接對(duì)齊，避免多坐標(biāo)轉(zhuǎn)換以及校準(zhǔn)的誤差累積，根據(jù)圖像中目標(biāo)角點(diǎn)與點(diǎn)云位置匹配確定車(chē)輛位置。李明磊等[16]先將點(diǎn)云實(shí)時(shí)柵格化篩選路面信息，再根據(jù)道路粗粒度特性將特征拓展到扇形檢測(cè)單元格減少路面紋理的干擾，最后通過(guò)八叉樹(shù)的三維占用柵格融合障礙物檢測(cè)結(jié)果。吳毅華等[17]采用定向包圍體來(lái)描述目標(biāo)障礙物并用RANSAC算法找出點(diǎn)云分布與方向航向角。上述算法為無(wú)人駕駛系統(tǒng)的障礙物檢測(cè)提供了重要的參考依據(jù)，但存在精度低、多尺度車(chē)輛檢測(cè)困難、遮擋車(chē)輛檢測(cè)框合并等狀況，因此針對(duì)多模態(tài)特征融合的車(chē)輛檢測(cè)精度低與時(shí)間長(zhǎng)的問(wèn)題亟需解決[18-23]。

本文采用基于多模態(tài)特征融合的方法，通過(guò)攝像頭和毫米波雷達(dá)的多模態(tài)特征融合完成車(chē)輛檢測(cè)。對(duì)傳感器聯(lián)合標(biāo)定實(shí)現(xiàn)時(shí)空間配準(zhǔn)減小采樣誤差，加入統(tǒng)計(jì)濾波算法剔除點(diǎn)云離群點(diǎn)降低干擾；預(yù)處理后傳入車(chē)輛檢測(cè)模塊，通過(guò)多模態(tài)特征融合模塊結(jié)合特征金字塔對(duì)采集到的特征進(jìn)行融合并提取，提升多尺度對(duì)車(chē)輛的檢測(cè)精度；最后，融合特征傳入檢測(cè)框生成模塊篩選車(chē)輛位置，使用非極大值抑制去除冗余的三維檢測(cè)框，將檢測(cè)框與車(chē)輛位置匹配輸出三維車(chē)輛檢測(cè)結(jié)果。

1 數(shù)據(jù)采集

1.1 算法框架及數(shù)據(jù)采集平臺(tái)

本文算法框架如圖1所示，毫米波雷達(dá)與攝像機(jī)聯(lián)合標(biāo)定后對(duì)道路環(huán)境采集，收集點(diǎn)云及圖像信息，將多模態(tài)數(shù)據(jù)輸入車(chē)輛檢測(cè)模塊，融合后進(jìn)行車(chē)輛檢測(cè)并輸出結(jié)果。

圖1 車(chē)輛檢測(cè)算法總體框架Fig. 1 Overall framework of vehicle detection algorithm

采用?？低晹z像機(jī)和24 GHz毫米波雷達(dá)聯(lián)合對(duì)車(chē)輛進(jìn)行檢測(cè)。毫米波雷達(dá)通過(guò)可調(diào)螺栓固定于車(chē)輛前保險(xiǎn)杠中央，攝像機(jī)固定于后視鏡下方，如圖2所示。NRA24毫米波雷達(dá)采樣頻率為20 Hz，每幀數(shù)據(jù)的采集時(shí)間間隔為50 ms，每秒采集20幀雷達(dá)數(shù)據(jù)；攝像機(jī)采樣頻率是50 Hz，每幀數(shù)據(jù)采集間隔為20 ms。

圖2 傳感器裝配位置Fig. 2 Diagram of sensor installation

1.2 毫米波雷達(dá)和攝像機(jī)聯(lián)合標(biāo)定

聯(lián)合標(biāo)定是多模態(tài)融合的準(zhǔn)備條件，毫米波雷達(dá)與攝像機(jī)存在不同采樣頻率及坐標(biāo)系，因此要把傳感器坐標(biāo)轉(zhuǎn)換到相同坐標(biāo)系并時(shí)間配準(zhǔn)才可融合。毫米波雷達(dá)和攝像機(jī)的空間標(biāo)定需要找到同一時(shí)刻點(diǎn)云和圖像中對(duì)應(yīng)的像素點(diǎn)。

假設(shè)車(chē)體坐標(biāo)系中物點(diǎn)P為(xl,yl,zl)，對(duì)應(yīng)圖像坐標(biāo)系中像點(diǎn)Q為(x,y)，其像素級(jí)融合方程為

zc(x,y,1)T=K(Rc(xl,yl,zl)T+Tc)。

(1)

式中：zc為物點(diǎn)P在攝像機(jī)坐標(biāo)系中Z軸方向的坐標(biāo)；K為攝像機(jī)內(nèi)部參數(shù)矩陣；Rc和Tc為攝像機(jī)外部參數(shù)，分別代表旋轉(zhuǎn)矩陣和平移向量。

毫米波雷達(dá)將三維信息呈現(xiàn)為極坐標(biāo)系的二維信息。毫米波雷達(dá)與目標(biāo)徑向距離為R，與中心所成角度為α，坐標(biāo)系所在的平面與環(huán)境坐標(biāo)系平行，且兩者之間的距離為H0，則環(huán)境坐標(biāo)系中的物點(diǎn)P的坐標(biāo)(xn,yn,zn)與毫米波雷達(dá)坐標(biāo)系中物點(diǎn)P的坐標(biāo)(R,α)的相互轉(zhuǎn)化關(guān)系為

(2)

聯(lián)立式(1)與式(2)可得毫米波雷達(dá)坐標(biāo)系與圖像像素坐標(biāo)系的轉(zhuǎn)化關(guān)系為

(3)

空間標(biāo)定的車(chē)體坐標(biāo)系和像素坐標(biāo)系之間轉(zhuǎn)換關(guān)系如圖3所示。

圖3 坐標(biāo)系轉(zhuǎn)換關(guān)系Fig. 3 Coordinate system conversion diagram

時(shí)間配準(zhǔn)包含總數(shù)據(jù)采集、毫米波雷達(dá)數(shù)據(jù)采集和圖像采集，對(duì)每一幀數(shù)據(jù)給定一個(gè)以系統(tǒng)時(shí)間為準(zhǔn)的標(biāo)簽，將數(shù)據(jù)傳輸?shù)骄彌_區(qū)隊(duì)列。在總數(shù)據(jù)采集中啟動(dòng)毫米波雷達(dá)數(shù)據(jù)采集和圖像采集，以采樣頻率低的毫米波雷達(dá)數(shù)據(jù)為基準(zhǔn)，每采集到1幀毫米波雷達(dá)數(shù)據(jù)則觸發(fā)圖像采集，從緩沖區(qū)隊(duì)列中選取相同時(shí)間標(biāo)簽的圖像數(shù)據(jù)，以實(shí)現(xiàn)數(shù)據(jù)的同步采集和存儲(chǔ)，流程如圖4所示。

圖4 時(shí)間配準(zhǔn)流程Fig. 4 Time registration flowchart

1.3 統(tǒng)計(jì)濾波預(yù)處理

毫米波雷達(dá)對(duì)目標(biāo)物體掃描時(shí)，軟硬件的誤差使得某個(gè)點(diǎn)集區(qū)域內(nèi)點(diǎn)的三維坐標(biāo)產(chǎn)生偏移，會(huì)出現(xiàn)離群點(diǎn)，產(chǎn)生多余的特征信息，使算法模型訓(xùn)練達(dá)不到全局最優(yōu)。

通過(guò)最小二乘迭代方法來(lái)估計(jì)曲率張量，并在迭代的時(shí)候根據(jù)點(diǎn)云周?chē)泥徲驗(yàn)闃颖痉峙錂?quán)重，細(xì)化每個(gè)點(diǎn)周?chē)拿恳粋€(gè)鄰域。利用計(jì)算獲得的曲率以及統(tǒng)計(jì)權(quán)重來(lái)重新校正正態(tài)分布[24]。求得全局量的最小化，并計(jì)算出曲率和法線把離群點(diǎn)剔除，從而較好地保持車(chē)輛點(diǎn)云的紋理特征。

在笛卡爾坐標(biāo)系下，點(diǎn)云的每個(gè)點(diǎn)以x、y、z三維坐標(biāo)形式存在。假設(shè)某個(gè)點(diǎn)云樣本為

D={pi∈R3}i=1,2,…,n，

(4)

式中：n表示采樣點(diǎn)云點(diǎn)的總個(gè)數(shù)；pi表示采樣樣本D中的無(wú)序點(diǎn)，只取每個(gè)無(wú)序點(diǎn)的x、y、z三維坐標(biāo)。計(jì)算點(diǎn)的距離閾值dmax:

(5)

(6)

(7)

圖5為點(diǎn)云樣本的初始視圖，近端點(diǎn)云分布分散，地面點(diǎn)云不清晰，遠(yuǎn)端點(diǎn)云在障礙物周邊存在較為雜亂的離群點(diǎn)且分布不均，給車(chē)輛檢測(cè)增加檢測(cè)難度；圖6為數(shù)據(jù)預(yù)處理后的視圖，局部區(qū)域的點(diǎn)分布較為均勻，近端地面點(diǎn)云平整，易于后續(xù)的地面分割實(shí)現(xiàn)，遠(yuǎn)端點(diǎn)僅保留車(chē)輛及墻面點(diǎn)云信息，分布均勻。

圖5 點(diǎn)云數(shù)據(jù)過(guò)濾前Fig. 5 Point cloud data before filtering

圖6 點(diǎn)云數(shù)據(jù)過(guò)濾后Fig. 6 Point cloud data after filtering

2 三維車(chē)輛檢測(cè)算法

2.1 算法總體思路

針對(duì)車(chē)輛特征的多樣性和復(fù)雜性，引入深度神經(jīng)網(wǎng)絡(luò)以實(shí)現(xiàn)車(chē)輛檢測(cè)，算法框架如圖7所示。首先，將預(yù)處理后的點(diǎn)云與圖像信息使用ResNet[25]進(jìn)行特征提??；通過(guò)縮放點(diǎn)云和圖像特征圖大小，實(shí)現(xiàn)多視圖具有相同長(zhǎng)寬比進(jìn)行特征匹配；然后，傳入多模態(tài)特征融合模塊對(duì)多模態(tài)特征進(jìn)行逐像素平均操作，實(shí)現(xiàn)多模態(tài)特征融合并加入特征金字塔[26]提取高階特征；最后，將高階特征輸入檢測(cè)框生成模塊，與剪裁后視圖聚合生成三維車(chē)輛檢測(cè)框。

圖7 算法框架Fig. 7 Algorithm framework

2.2 多模態(tài)特征融合模塊

多模態(tài)特征融合模塊由特征融合、特征金字塔、1×1卷積組成。將特征提取后的稀疏點(diǎn)云與圖片匹配，同步輸入特征金字塔中，實(shí)現(xiàn)目標(biāo)特征的提取，最后通過(guò)1×1卷積降維處理。

本文采用多模態(tài)特征融合模塊對(duì)輸入的特征值進(jìn)行剪裁實(shí)現(xiàn)區(qū)域選取并調(diào)整大小，將統(tǒng)一分辨率的多視圖特征圖做逐像素平均，融合點(diǎn)云信息與圖像信息高級(jí)特征。融合圖像傳入特征金字塔中并進(jìn)行上采樣，采用橫向結(jié)構(gòu)將其連接至前一層特征，使特征增強(qiáng)，結(jié)構(gòu)如圖8所示。

圖8 特征金字塔Fig. 8 Feature pyramid Network

P1～P5每一層輸出所用特征圖融合不同分辨率、不同語(yǔ)義強(qiáng)度的特征，實(shí)現(xiàn)對(duì)不同分辨率車(chē)輛進(jìn)行檢測(cè)，保證每一層都有合適的分辨率以及強(qiáng)語(yǔ)義特征，以解決車(chē)輛檢測(cè)中的多尺度問(wèn)題。如圖9所示，由于特征金字塔在256維的特征地圖上會(huì)提取10萬(wàn)個(gè)7×7的特征，大大增加計(jì)算量，因此在特征金字塔后方加入1×1卷積降維處理。通過(guò)1×1的卷積減少卷積核的個(gè)數(shù)，用于在不改變特征圖尺寸大小的前提下減少特征數(shù)量實(shí)現(xiàn)降維。

2.3 檢測(cè)框生成模塊

融合后的特征信息傳入車(chē)輛檢測(cè)模塊完成回歸與分類(lèi)。車(chē)輛檢測(cè)模塊由區(qū)域建議、RoI pooling和全連接層構(gòu)成。

本文提出特征融合區(qū)域建議結(jié)構(gòu)，如圖10所示。通過(guò)投影到柵格的俯視圖與主視圖融合傳入?yún)^(qū)域建議生成建議特征圖，RoI pooling將建議特征圖縮放至7×7傳入全連接層，以輸出每個(gè)車(chē)輛檢測(cè)框回歸、方向估計(jì)和類(lèi)別分類(lèi)，最后使用非極大值抑制去除冗余的三維檢測(cè)框。

圖9 高級(jí)特征提取Fig. 9 Advanced feature extraction

圖10 特征融合區(qū)域建議模塊Fig. 10 Feature pyramid Network

本文采用了一個(gè)多任務(wù)損失，設(shè)計(jì)為

(8)

式中Nc與Np分別為點(diǎn)云點(diǎn)的個(gè)數(shù)和下采樣后點(diǎn)云個(gè)數(shù)。

分類(lèi)損失Lc為交叉熵?fù)p失，其中si為預(yù)測(cè)分類(lèi)得分，ui為中心點(diǎn)i的標(biāo)簽。

(9)

回歸損失Lr包括距離回歸損失Ldist、大小回歸損失Lsize。Ldist和Lsize使用SmoothL1函數(shù)使得損失函數(shù)對(duì)離群點(diǎn)魯棒性更強(qiáng)，其中

(10)

角度損失Ls包括角損失Lcorner和角度回歸損失Langle，表示如下：

(11)

(12)

為了消除重疊的檢測(cè)，使用閾值為0.7的非極大值抑制刪除車(chē)輛附近重疊較大的邊界框。最終采用檢測(cè)框頂點(diǎn)匹配的方式對(duì)齊減少計(jì)算參數(shù)，并利用車(chē)輛相對(duì)于地平面的偏移，得到更精確的三維矩形框定位。

2.3.2 水提工藝正交試驗(yàn)結(jié)果及統(tǒng)計(jì)分析 按照處方比例稱取藥材適量，根據(jù)L9（34）設(shè)計(jì)表進(jìn)行9組試驗(yàn)，將水提液濃縮后置于已恒重的蒸發(fā)皿中，水浴濃縮蒸干，移入105℃烘箱中，干燥至恒重，取出，置干燥器中冷卻30 min后，取出稱重，計(jì)算浸膏得率。精密稱取L9（34）試驗(yàn)項(xiàng)下1～9號(hào)浸膏樣品適量，按“2.2.1”供試品溶液制備方法，進(jìn)行測(cè)定，計(jì)算樣品中葛根素的含量。以葛根素含量和浸膏得率為指標(biāo)，將葛根素含量的權(quán)重系數(shù)設(shè)為0.8，浸膏得率設(shè)為0.2，進(jìn)行統(tǒng)計(jì)分析。見(jiàn)表5～6。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 平臺(tái)及參數(shù)

本實(shí)驗(yàn)在TensorFlow框架下進(jìn)行，計(jì)算機(jī)處理器為Intel Core i7-6700，內(nèi)存32 GiB，同時(shí)使用NVIDIA GeForce RTX 2080Ti來(lái)實(shí)現(xiàn)GPU加速訓(xùn)練。學(xué)習(xí)率為0.001，在KITTI數(shù)據(jù)集[27]上訓(xùn)練120個(gè)周期，每個(gè)周期為1 000，衰減系數(shù)為0.8。

3.2 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證改進(jìn)網(wǎng)絡(luò)模型在不同交通場(chǎng)景下的多目標(biāo)檢測(cè)能力，選擇訓(xùn)練周期數(shù)為120的網(wǎng)絡(luò)模型進(jìn)行測(cè)試，在10%測(cè)試樣本集中分類(lèi)選取樣本開(kāi)展多組對(duì)比實(shí)驗(yàn)，結(jié)果如圖11～14所示。

圖11為自然交通場(chǎng)景下車(chē)輛檢測(cè)結(jié)果。從檢測(cè)結(jié)果可知，三維車(chē)輛檢測(cè)算法能夠有效實(shí)現(xiàn)車(chē)輛檢測(cè)，檢測(cè)結(jié)果與實(shí)際判定結(jié)果相符合，且目標(biāo)的標(biāo)定框范圍較精準(zhǔn)。

圖11 自然場(chǎng)景實(shí)驗(yàn)結(jié)果Fig. 11 Natural scene experiment results

圖12為光照交通場(chǎng)景下實(shí)驗(yàn)結(jié)果，圖12(a)為陰影遮擋情況，圖12(b)為光照遮擋情況。從圖中可以看出，即使圖像中車(chē)輛的攝像機(jī)受光照影響變化較大，顏色以及紋理受到干擾，但由于加入多模態(tài)特征融合使點(diǎn)云彌補(bǔ)了圖像信息的缺失，本文提出的方法可以很好地完成車(chē)輛檢測(cè)任務(wù)。

圖13為復(fù)雜場(chǎng)景下的實(shí)驗(yàn)結(jié)果，針對(duì)圖12(a)遠(yuǎn)距離車(chē)輛、圖12(b)遮擋車(chē)輛，本文方法對(duì)于多目標(biāo)也能夠有效檢測(cè)，在應(yīng)對(duì)多目標(biāo)的復(fù)雜狀況下，具有較好的魯棒性。

圖14給出了復(fù)雜路段場(chǎng)景檢測(cè)結(jié)果，圖14(a)為單向路段，圖14(b)為交叉路段。由于道路環(huán)境錯(cuò)綜復(fù)雜，同時(shí)存在來(lái)向車(chē)輛、去向車(chē)輛以及側(cè)向來(lái)車(chē)，車(chē)輛方向各不相同且存在車(chē)輛遮擋，導(dǎo)致車(chē)輛點(diǎn)云特征不明顯。由實(shí)驗(yàn)結(jié)果可知，通過(guò)攝像機(jī)對(duì)車(chē)輛二維信息的采集以及毫米波雷達(dá)對(duì)車(chē)輛在三維環(huán)境的位姿匹配，車(chē)輛檢測(cè)能夠保證復(fù)雜環(huán)境下的車(chē)輛檢測(cè)精度。

圖12 光照?qǐng)鼍皩?shí)驗(yàn)結(jié)果Fig. 12 Illumination scene experiment results

圖13 多目標(biāo)場(chǎng)景實(shí)驗(yàn)結(jié)果Fig. 13 Multi-target scene experiment results

圖14 復(fù)雜路段場(chǎng)景檢測(cè)結(jié)果Fig. 14 Complex road section scene detection results

實(shí)驗(yàn)結(jié)果表明，對(duì)于自然道路環(huán)境以及復(fù)雜道路環(huán)境，本文算法通過(guò)多模態(tài)融合彌補(bǔ)攝像機(jī)與毫米波雷達(dá)不足，對(duì)遮擋車(chē)輛、光照車(chē)輛以及多尺度多目標(biāo)車(chē)輛能夠有效檢測(cè)。

網(wǎng)絡(luò)訓(xùn)練時(shí)，分別選取迭代周期為60、80、100以及120的模型進(jìn)行評(píng)估，網(wǎng)絡(luò)訓(xùn)練損失與檢測(cè)精度如圖15所示。隨著網(wǎng)絡(luò)訓(xùn)練周期的增加以及學(xué)習(xí)率的改變，網(wǎng)絡(luò)損失能夠有效下降且趨于收斂，這表明改進(jìn)網(wǎng)絡(luò)模型檢測(cè)精度是不斷提升的(如表1)。

圖15 訓(xùn)練損失圖Fig. 15 Training loss chart

表1 網(wǎng)絡(luò)訓(xùn)練損失與檢測(cè)精度

本文算法在同數(shù)據(jù)集同環(huán)境下與目前主流算法進(jìn)行對(duì)比，測(cè)試結(jié)果如表2所示。對(duì)比實(shí)驗(yàn)根據(jù)三維檢測(cè)方法分為原始點(diǎn)云方法、多視角方法、圖像點(diǎn)云融合方法。選擇不同方法中主流算法在本文實(shí)驗(yàn)平臺(tái)上用KITTI數(shù)據(jù)集進(jìn)行測(cè)試。本文算法檢測(cè)平均精度為84.71%，毫米波雷達(dá)數(shù)據(jù)信息相比于圖像信息，冗余數(shù)據(jù)量小、分類(lèi)特征維度低的特點(diǎn)使本文算法精確度高于其他方法。由于加入特征金字塔導(dǎo)致檢測(cè)時(shí)間略有上升，檢測(cè)時(shí)間略高于基于原始點(diǎn)云方法的Complexer-YOLO與3DSSD算法，但仍優(yōu)于其他主流算法。

表2 主流算法時(shí)間及精度對(duì)比

在原始點(diǎn)云方法、多視角方法、圖像點(diǎn)云融合方法中各選擇一種算法與本文算法進(jìn)行結(jié)果對(duì)比，如圖16所示。在陰影遮擋、車(chē)輛遮擋以及遠(yuǎn)距離車(chē)輛的情況下，本文算法的誤檢率及漏檢率均低于其他算法，對(duì)車(chē)輛的三維檢測(cè)框匹配準(zhǔn)確度也高于其他算法。實(shí)驗(yàn)結(jié)果表明，本文算法能夠快速準(zhǔn)確地完成自然場(chǎng)景以及復(fù)雜場(chǎng)景的車(chē)輛三維檢測(cè)，該方法有效可行。

圖16 算法效果對(duì)比Fig. 16 Algorithm effect comparison diagram

4 結(jié)論

本文采用基于多模態(tài)特征融合的方法，通過(guò)攝像頭和毫米波雷達(dá)的多模態(tài)特征融合完成車(chē)輛檢測(cè)。該算法采用統(tǒng)計(jì)濾波算法預(yù)處理剔除點(diǎn)云冗余信息；通過(guò)多模態(tài)特征融合并結(jié)合特征金字塔提取高層特征，提高復(fù)雜道路場(chǎng)景下車(chē)輛檢測(cè)精度；最終使用區(qū)域建議與三維檢測(cè)框匹配生成車(chē)輛檢測(cè)框。該算法的車(chē)輛識(shí)別準(zhǔn)確率為84.71%，對(duì)自然道路以及復(fù)雜道路場(chǎng)景表現(xiàn)出良好的穩(wěn)定性。單幀融合數(shù)據(jù)的平均總處理時(shí)間為0.14 s，具有較好的實(shí)時(shí)性。本文算法使無(wú)人駕駛系統(tǒng)能在復(fù)雜道路場(chǎng)景下實(shí)現(xiàn)三維車(chē)輛檢測(cè)。