在计算机视觉系统中一直存在物体识别时3D数据表示形式的问题。大多数研究人员将其转化为多视图和体素化网格的深度学习方法,这会出现庞大的数据,使计算量增加,提高了运算的时间复杂度。这里采用直接消耗点云数据方法在欧式空间中通过深度学习神经网络进行识别分类,这种方法与其他方法相比减少了数据运算量,而且很高效。通过分层神经网络进行学习,避免了只学习全局特征而不能学习由度量空间引起的局部结构。在改进现有的深度学习神经网络架构,通过训练在训练集中最高可以学习到96.88%的准确率,并且使训练曲线和测试曲线的准确率更加接近,避免了过拟合现象。最后测试了获取到的点云数据并达到了预期的效果。

对车辆和行人进行快速且准确的检测是机器人视觉和自动驾驶领域的一个难题,为了解决这个难题,提出一种基于深度学习网络的行人车辆检测算法,这是一种端到端的单阶段检测方法。主要使用多级跳跃连接网络和多级特征融合网络。多级跳跃链接网络在特征提取阶段避免了反向传播过程中的梯度消失、爆炸和退化等优化问题,从而提高检测精度和模型的收敛速度。多级特征融合网络对来自不同层次的多尺度特征变化尺度后进行特征信息融合,可以提取到比较低层的信息以提高算法的精度。这里的算法在多个公开的数据集上进行实验,实验结果表明,与目前的一些主流算法相比,行人和车辆的平均检测精度大幅提高,在精度提高的情况下,具有更快的检测速度,有较高的应用潜力。