无人驾驶车辆目标检测：高性能、实时性实现

本章介绍了基于视觉和激光雷达的目标检测。对于基于视觉的目标检测，本章针对自动驾驶车辆车载嵌入式平台对高性能、轻量化网络的需求，提出密集卷积和统一预测网络DupNet。DupNet 网络由卷积层、批标准化层、ReLU激活层、连接层等基础层以及Dense_Block、Enet_Block、FPN_Block 等3 个模块组成。DupNet 结合SSD 网络、ResNet 网络和PeleeNet 网络的优点，使用残差连接解决梯度消失、梯度爆炸的问题，用三通道的紧密连接层取代卷积层，减少参数、加快网络运行速度，并有效地保留输入图像的表征信息。试验表明，DupNet 既达到了较高精度，也满足了实时性要求。

针对基于激光雷达的目标检测，本章主要介绍了两种方法：第一种目标检测方法基于栅格地图，在栅格地图中进行障碍物分割，对障碍物栅格进行目标聚类，最终进行目标包围盒的拟合；第二种目标检测方法基于三维点云神经网络，主要讨论了PointNet 系列网络模型，PointNet 系列网络直接在点云数据上应用深度学习模型，解决点云数据的无序性、稀疏性、转换不变性等属性带来的影响。试验验证了两个检测方法的有效性。(www.xing528.com)

最后，论述了视觉和激光雷达融合的目标检测方法，分别考虑了基于传统方法和神经网络方法的两种融合思路：第一种思路是利用基于视觉的目标检测结果提取目标点云数据，对目标进行几何结构的验证和包围盒拟合，完成目标检测工作；第二种思路是采用Frustum PointNet 网络，利用基于视觉的目标检测结果获得每个目标的点云数据，将获得的目标锥体点云数据送入点云网络中完成目标检测。试验结果表明，融合目标检测方法可以进一步提高目标检测的稳定性和准确性。