Resumen

La clasificación de objetos en movimiento es esencial para que los vehículos autónomos realicen tareas de alto nivel como la comprensión de la escena y la planificación del movimiento. En este artículo, proponemos un enfoque novedoso para clasificar objetos en movimiento en cuatro clases de interés utilizando nubes de puntos 3D en entornos de tráfico urbano. A diferencia de la mayoría de los trabajos existentes sobre reconocimiento de objetos que utilizan nubes de puntos densas, nuestro enfoque combina una amplia extracción de características con la optimización de la clasificación multiframe para resolver la tarea de clasificación cuando se produce una oclusión parcial. En primer lugar, la nube de puntos del objeto en movimiento se segmenta mediante un procedimiento de preprocesamiento de datos. A continuación, se seleccionan las características eficientes mediante el criterio del índice de Gini aplicado al conjunto de características ampliado. A continuación, se emplea la Teoría de la Decisión de Bayes (BDT) para incorporar los resultados preliminares del clasificador de Máquina de Vectores de Soporte (SVM) de probabilidad posterior en fotogramas consecutivos. Para validar el método de clasificación de objetos en movimiento propuesto en los experimentos se utilizan los datos de nubes de puntos adquiridos con nuestro propio LIDAR, así como el conjunto de datos público KITTI. Los resultados muestran que el clasificador SVM-BDT propuesto, basado en 18 características seleccionadas, puede reconocer eficazmente los objetos en movimiento.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:máquina de vectores soporte de probabilidad posterior, nube de puntos 3d, teoría de la decisión de bayes, criterio del índice de gini, procedimiento de preprocesamiento de datos, nube de puntos densa, extracción extensiva de características, optimización de la clasificación multitrama, método de clasificación de objetos, datos de nube de puntos
• Keywords:posterior probability support vector machine, 3d point cloud, bayes decision theory, gini index criterion, data preprocessing procedure, dense point cloud, extensive feature extraction, multiframe classification optimization, object classification method, point cloud data