船舶点云目标检测算法研究.pdf

船舶点云目标检测算法研究

摘要

随着计算机科学技术和人工智能的快速发展，智能船、无人船应运而生。船舶在

海上自主航行的过程中经历感知、决策、控制三个阶段，在感知环境的部分，激光雷

达的点云数据包含距离信息，且受到环境因素的影响较小，在无人船航行等方面更具

优势。而现有激光雷达的探测距离有限，能够满足海上实景采集点云数据的设备较少，

导致目前船舶点云数据集较为缺乏，对于船舶点云目标检测算法的研究成果较少。

为解决上述问题，本文基于水面船舶点云数据集，依托聚类方法与深度学习技术，

对船舶点云目标检测算法展开研究。完成的主要工作包括：

针对水面场景下船舶类别点云目标数据集资源较少的问题，并考虑到现有激光雷

达探测距离有限，难以满足实景采集的要求，本文选用船舶自航模与Rs-Ruby128线激

光雷达等硬件设备进行数据采集，之后针对采集方案的特点，设计标注软件，完成数

据集的标注工作，最后对数据集中船舶类型的目标进行随机扩增，完成数据集的构建；

本文设计一种基于聚类的船舶目标检测方法，首先确定点云数据参与运算的范围，

将远处的建筑物等无用数据滤除，在剩余的数据中选择合适的聚类算法进行聚类，然

后对船舶点云目标与其他噪点的特征进行比较分析，选取合适的特征将二者区分，得

到结果向量，最后在船舶点云数据集中进行实验，得到BEV的检测精度为94.04%，

3D的检测精度为42.79%；

由于船舶点云数据集的精度和数量有限，首先在更为成熟的KITTI数据集中进行

算法分析。在对经典的点云目标检测算法原理进行阐述，分析各种方法的优缺点后，

选取更适合在实际场景中实时检测的PointPillars方法，在训练过程中加入在线数据增

广，并改进其二维骨干网络，最后将其在KITTI数据集中进行实验，与原始的

PointPillars方法相比，在检测精度上有所提升；

将改进的PointPillars方法应用于船舶点云目标的检测任务中，并结合水面点云数

据特性，设置合适的网络参数并优化特征提取部分，最后在船舶点云数据集中进行实

验，证明该方法在船舶点云目标检测任务的应用是可行的，且相比于原始网络，3D的

检测精度提升了4.35%，BEV的检测精度提升了3.81%；将该方法与基于聚类的目标

检测方法进行对比，验证改进PointPillars网络的鲁棒性更强，在实际应用中更有优势。

关键词：船舶数据集；聚类方法；体素划分；特征提取

船舶点云目标检测算法研究

Abstract

Withtherapiddevelopmentofcomputerscienceandtechnologyandartificial

intelligence,smartshipsandunmannedshipshaveemergedtomeettheevolvingdemandsof

themodernera.Autonomousnavigationofshipsatseainvolvesthreecrucialstages:

perception,decision-making,andcontrol.Inthedomainofenvironmentalperception,lidar-

generatedpointclouddataprovidesvaluabledistanceinformationandremainsless

susceptibletoenvironmentalfactors.Thismakesitadvantageousforapplicationssuchas

unmannedshipnavigation.However,