在低光条件下使用EfficientNet和在LiDAR点云数据上的图像增强进行细粒度车辆识别
Guanqiang Ruan1, Tao Hu1, Chenglin Ding2
11Automotive Structure and Energy Storage Engineering Center, School of Mechanical Engineering, Shanghai Dianji University, Shanghai, 201306, China.
Scientific reports
|February 7, 2025
概括
本研究介绍了一种使用LiDAR进行细粒度车辆模型识别的新方法,即使在低光条件下也能达到98.88%的准确性. 这种方法增强了LiDAR数据,用于精确的自动驾驶感知.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 传感器融合式传感器
背景情况:
- 环境感知对于自动驾驶至关重要,相机和LiDAR作为常见的传感器.
- 摄像头的性能在不利的照明下下降,而LiDAR提供了稳定性,但分类细节有限.
- 现有的激光雷达 (LiDAR) 方法难以识别细粒度的车辆模型,特别是在低光场景中.
研究的目的:
- 引入一种使用LiDAR数据进行细粒度车型识别的新方法.
- 为了解决当前传感器在低光下自动驾驶感知方面的局限性.
- 从LiDAR点云来提高车辆分类的准确性和细节性.
主要方法:
- 收集了各种车型的LiDAR数据.
- 在LiDAR数据中应用投影转换.
- 使用对比度有限的适应性直方体平衡和马校正增强数据.
- 实现了使用EfficientNet深度学习架构的车辆模型识别.
主要成果:
- 在细粒度车辆模型识别中实现了98.88%的准确性.
- 在提出的方法中获得了98.86%的F1得分.
- 在低光条件下表现出强大的性能.
结论:
- 拟议的基于LiDAR的方法显著改善了细粒度车辆模型识别.
- 数据增强技术在低光条件下有效提高LiDAR数据质量.
- 这种方法为自动驾驶系统的感知增强提供了一个有希望的解决方案.
