Detección de Automóviles en Escenarios Urbanos Escaneados por un Lidar

Resumen

En este trabajo se desarrollaron algoritmos computacionales los cuales permiten segmentar y detectar los automóviles que se encuentran dentro de una nube de puntos 3D pertenecientes a un entorno urbano. Las nubes son adquiridas con el sistema LIDAR velodyne HDL-64E, el cual es capaz de reconstruir objetos que se encuentran a una distancia de 3 a 120 metros. El desarrollo del trabajo está dividido en dos etapas: la segmentación de objetos 3D y la indexación. Se considera que el ambiente es semi estructurado debido a que objetos como las fachadas de los edificios y el suelo pueden ser modelados por planos. La segmentación está compuesta por tres módulos: el primero consiste en la extracción del plano principal o suelo; en el segundo módulo se extraen los planos perpendiculares al suelo, los cuales son segmentados por una adaptación al método de Hough; y en el último módulo se aplica una segmentación a los objetos restantes usando el método MeanShift. La indexación está dividida en dos módulos: en el primero, los objetos segmentados son modelados por histogramas usando las direcciones de las normales de los puntos 3D de los objetos; en el segundo módulo, los histogramas son usados para comparar con una biblioteca de datos previamente construida. En este trabajo hemos usado el análisis ROC para optimizar los umbrales empleados. Se utilizan dos bases de datos: la primera es de entrenamiento y está compuesta por 4500 objetos; mientras que la segunda corresponde a la de prueba, la cual está compuesta por 3000 objetos y fue usada para verificar los resultados de entrenamiento. La aportación de este trabajo es presentar un nuevo sistema para detectar automóviles utilizando puntos 3D.

Abstract

Detection of vehicles on 3D point clouds is performed by using the algorithm presented in this work. Point clouds correspond to urban environments and were acquired with the LIDAR Velodyne HDL-64E. The environment is considered semi-structured so that can be modeled using planes.

Vehicle detection is carried out on to stages, segmentation and indexation. First stage is at the same time composed of three sub-stages. In the first one the principal plane (in this case the floor) is extracted, in the second sub-stage secondary planes are extracted using a tailored version of Hough's method, secondary planes are those perpendicular to the main plane. Finally in the third sub-stage and using MeanShift method, the remaining objects are segmented.

Indexation on its side is divided into two sub-stages, in the first one, last segmented objects using MeanShift method are modeled using histograms according to the direction of the object's 3D points normal; in the second stage histograms are compared to those previously stored on a database of object's histograms. Optimizing of detection thresholds was carried out through ROC analysis. Two databases were used during the experiments, the first DB have 4500 objects and was used for ROC analysis training; the second one contained 3000 objects and was used for verification.

Referencias no citadas

Atanacio-Jiménez et al., 2011, Barnea and Filin, 2008, BIMP, 2008, Brostow et al., 2008, Douillard et al., 2011, García-Moreno et al., 2013, Golovinskiy et al., 2009, Gonzalez-Barbosa and Lacroix, 2002, Goron et al., 2010, Hernández-García et al., 2011, Himmelsbach et al., 2009, Huber, 2002, Lai and Fox, 2010, Liang-Chia Chen et al., 2013, Luber, 2013, Park et al., 2004, Jaime and Zalama Eduardo, 2012, Schnabel et al., 2007, Sohn et al., 2012, Steder et al., 2010, Sun and Salvaggio, 2013, Truong et al., 2010, Wang et al., 2003, Xu and Fujimura, 2003 and Zhou and Neumann, 2008.