Klasifikace vozidel s použitím radaru
Loading...
Date
Authors
Gottwald, Vilém
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cílem této práce je rozpoznávání vozidel z radarových mračen bodů. Radar poskytuje informace o vzdálenosti a úhlu každého detekovaného cíle. Tyto informace lze převést do kartézského souřadnicového systému a získat tak 3D reprezentaci scény ve formě mračna bodů. V této práci jsou představeny stávající přístupy k rozpoznávání objektů v mračnech bodů. Metoda zvolená pro tuto práci spočívá v detekci objektů pomocí shlukování bodů a následné klasifikaci pomocí rekurentní neuronové sítě. Shluky bodů reprezentující objekty jsou vytvářeny z mračen bodů pomocí modifikovaného algoritmu DBSCAN. Z jednotlivých objektů jsou extrahovány příznaky, které jsou využity pro klasifikaci na různé typy vozidel pomocí neuronové sítě s dlouhodobou krátkodobou pamětí (LSTM). Pro trénování a vyhodnocení modelu byla vytvořena datová sada obsahující 57 345 anotovaných objektů. Vyvinutý model dosáhl na těchto datech 83% přesnosti metriky F1-skóre.
The goal of this work is to recognize vehicles from radar point clouds. The radar produces the distance and angle for each target. This representation can be converted into the Cartesian coordinate system to obtain a point cloud 3D representation of the scene. In this thesis, existing approaches to object recognition in point clouds are presented. The method chosen for this thesis consists of object detection using point clustering and subsequent classification using a recurrent neural network. The objects are created from the point clouds using a modified DBSCAN algorithm. Features are extracted from each entity and utilized for classification into different types of vehicles using long short-term memory (LSTM) neural network. A dataset containing 57 345 annotated objects was created to train and evaluate the model. The developed model achieved an F1-score of 83 % on this data.
The goal of this work is to recognize vehicles from radar point clouds. The radar produces the distance and angle for each target. This representation can be converted into the Cartesian coordinate system to obtain a point cloud 3D representation of the scene. In this thesis, existing approaches to object recognition in point clouds are presented. The method chosen for this thesis consists of object detection using point clustering and subsequent classification using a recurrent neural network. The objects are created from the point clouds using a modified DBSCAN algorithm. Features are extracted from each entity and utilized for classification into different types of vehicles using long short-term memory (LSTM) neural network. A dataset containing 57 345 annotated objects was created to train and evaluate the model. The developed model achieved an F1-score of 83 % on this data.
Description
Keywords
FMCW radar v pásmu milimetrových vln, 3D mračno bodů, hluboké učení na mračnech bodů, anotace mračen bodů, extrakce příznaků, shlukování pomocí DBSCAN, rekurentní neuronová síť, dlouhodobá krátkodobá paměť, LSTM, silniční provoz, rozpoznávání vozidel, radarová klasifikace, Python, mmWave FMCW radar, 3D point cloud, deep learning on point clouds, point cloud annotation, feature extraction, DBSCAN clustering, recurrent neural network, long short-term memory, LSTM, road traffic, vehicle recognition, radar classification, Python
Citation
GOTTWALD, V. Klasifikace vozidel s použitím radaru [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Informační technologie
Comittee
prof. Dr. Ing. Jan Černocký (předseda)
doc. Ing. Zdeněk Vašíček, Ph.D. (člen)
Ing. Václav Šátek, Ph.D. (člen)
Ing. Filip Orság, Ph.D. (člen)
Ing. Vladimír Bartík, Ph.D. (člen)
Date of acceptance
2023-06-15
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení