객체 검출 및 분류

딥러닝 신경망을 사용하여 라이다 포인트 클라우드 데이터에서 객체를 검출하고 분류

Lidar Toolbox™ 함수를 사용하면 딥러닝 신경망을 이용해 포인트 클라우드에서 객체를 검출하여 사전 정의된 범주로 분류할 수 있습니다. 객체 검출에는 PointPillars 신경망과 Voxel R-CNN 신경망을 사용하고 객체 분류에는 PointNet++ 신경망을 사용할 수 있습니다. 이러한 신경망을 훈련시키거나 사용 가능한 사전 훈련된 신경망을 사용하여 자신의 응용 사례에 맞게 추가로 조정할 수 있습니다. 이 툴박스에는 PointPillars 신경망과 SqueezeSegV2 신경망을 위한 CUDA® MEX 코드 생성 프로세스도 포함되어 있습니다.

Deep learning-based object detection in lidar point clouds.

함수

모두 확장

groundTruthLidarObject for storing labeled lidar data
lidarObjectDetectorTrainingDataCreate training data for lidar object detection (R2022a 이후)
fileDatastore사용자 지정 파일 리더를 사용하는 데이터저장소
boxLabelDatastoreDatastore for bounding box label data
combine여러 데이터저장소의 데이터 결합
sampleLidarDataSample 3-D bounding boxes and corresponding points from training data (R2022a 이후)
pcBboxOversampleRandomly augment point cloud data using objects (R2022a 이후)
transform데이터저장소 변환
pctransform3차원 포인트 클라우드 변환
randomAffine3dCreate randomized 3-D affine transformation
bboxwarpApply geometric transformation to bounding boxes
voxelRCNNObjectDetectorCreate Voxel R-CNN object detector (R2024b 이후)
trainVoxelRCNNObjectDetectorTrain Voxel R-CNN object detector for lidar data (R2024b 이후)
pointPillarsObjectDetectorCreate PointPillars object detector (R2021b 이후)
trainPointPillarsObjectDetectorTrain PointPillars object detector (R2021b 이후)
lidarLaneDetectorCreate lane detector for lidar data (R2023b 이후)
pointNetPlusClassifierCreate PointNet++ classifier to classify 3-D point clouds (R2025a 이후)
trainPointNetPlusClassifierTrain PointNet++ point cloud classifier (R2025a 이후)
evaluateObjectDetectionEvaluate object detection data set against ground truth (R2023b 이후)
objectDetectionMetricsObject detection quality metrics (R2023b 이후)

도움말 항목

추천 예제

Detect Risk Trees Near Power Lines

Detect Risk Trees Near Power Lines

Use point cloud data collected from aerial lidar scanning (ALS) to detect at-risk trees near power lines.

Determine Safe Landing Area for Aerial Vehicles

Determine Safe Landing Area for Aerial Vehicles

Demonstrates how to determine a safe landing area for aerial vehicles, such as helicopters and UAVs, by using aerial lidar data.

Lidar Object Detection Using Complex-YOLO v4 Network

Lidar Object Detection Using Complex-YOLO v4 Network

Detect objects in point clouds using you only look once version 4 (YOLO v4) deep learning network. In this example, you will

Code Generation for Lidar Object Detection Using SqueezeSegV2 Network

Code Generation for Lidar Object Detection Using SqueezeSegV2 Network

Generate CUDA® MEX code for a lidar object detection network. In the example, you first segment the point cloud with a pretrained network, then cluster the points and fit 3-D bounding boxes to each cluster. Finally, you generate MEX code for the network.

PointPillars 딥러닝을 사용한 라이다 3차원 객체 검출

PointPillars 딥러닝을 사용한 라이다 3차원 객체 검출

포인트 클라우드에서 객체 검출을 위해 PointPillars 신경망을 훈련시킵니다.

PointPillars 딥러닝을 사용하여 라이다 객체 검출을 위한 코드 생성하기

PointPillars 딥러닝을 사용하여 라이다 객체 검출을 위한 코드 생성하기

이 예제에서는 PointPillars 객체 검출기에 대한 CUDA® MEX를 생성하는 방법을 보여줍니다. 자세한 내용은 Lidar Toolbox™의 PointPillars 딥러닝을 사용한 라이다 3차원 객체 검출 예제를 참조하십시오.

Data Augmentations for Lidar Object Detection Using Deep Learning

Data Augmentations for Lidar Object Detection Using Deep Learning

Perform typical data augmentation techniques for 3-D object detection workflows with lidar data.

Lane Detection in 3-D Lidar Point Cloud

Lane Detection in 3-D Lidar Point Cloud

Detect lanes in lidar point clouds. You can use the intensity values returned from lidar point clouds to detect ego vehicle lanes. You can further improve the lane detection by using a curve-fitting algorithm and tracking the curve parameters. Lidar lane detection enables you to build complex workflows like lane keep assist, lane departure warning, and adaptive cruise control for autonomous driving. A test vehicle collects the lidar data using a lidar sensor mounted on its rooftop.

Curb Detection and Tracking in 3-D Lidar Point Cloud

Curb Detection and Tracking in 3-D Lidar Point Cloud

Detect and track curbs in lidar point clouds. A curb is a line of stone or concrete, that connects the roadway to the sidewalk. Curbs act as delimiters for the drivable area of the road.

Detect, Classify, and Track Vehicles Using Lidar

Detect, Classify, and Track Vehicles Using Lidar

Detect, classify, and track vehicles by using lidar point cloud data captured by a lidar sensor mounted on an ego vehicle.

Track Vehicles Using Lidar: From Point Cloud to Track List

Track Vehicles Using Lidar: From Point Cloud to Track List

Track vehicles using measurements from a lidar sensor mounted on top of an ego vehicle. Lidar sensors report measurements as a point cloud. The example illustrates the workflow in MATLAB® for processing the point cloud and tracking the objects. For a Simulink® version of the example, refer to Track Vehicles Using Lidar Data in Simulink (Sensor Fusion and Tracking Toolbox).The lidar data used in this example is recorded from a highway driving scenario. In this example, you use the recorded data to track vehicles with a joint probabilistic data association (JPDA) tracker and an interacting multiple model (IMM) approach.

레이다 데이터 및 라이다 데이터의 트랙에서의 수준 융합

레이다 데이터 및 라이다 데이터의 트랙에서의 수준 융합

이 예제에서는 레이다 센서와 라이다 센서의 측정값에서 객체 수준 트랙 목록을 생성하고 트랙 수준에서의 융합 방식을 사용하여 이들을 더욱더 융합하는 방법을 보여줍니다. 확장 객체 추적기를 사용하여 레이다 측정값을 처리하고 JPDA(Joint Probabilistic Data Association) 추적기를 사용하여 라이다 측정값을 처리합니다. 트랙 수준에서의 융합 방식을 사용하여 이러한 트랙을 더욱더 융합할 수 있습니다. 워크플로 구성도가 아래에 나와 있습니다.

Transfer Learning Using Voxel R-CNN for Lidar 3-D Object Detection

Transfer Learning Using Voxel R-CNN for Lidar 3-D Object Detection

Detect 3-D objects in lidar data by using transfer learning with voxel region-based convolutional neural network (Voxel R-CNN).

Point Cloud Classification Using PointNet++ Deep Learning

Point Cloud Classification Using PointNet++ Deep Learning

Classify 3-D objects in point cloud data by using a PointNet++ deep learning network.