文章摘要:针对三维点云时敏单目标跟踪问题，提出了一种基于深度霍夫优化投票的深度学习算法。该算法首先采用PointNet++网络分别从模板点云和搜索点云中计算种子点、提取几何特征，并通过面向目标的特征提取方法将目标模板信息编码到搜索区域中。其次，通过种子点投票计算并筛选出具有高置信度的潜在目标中心。最后，通过目标中心点的采样、聚集产生多个提议，选取具有最高得分的提议生成三维目标框。该算法能够有效避免耗时的三维全局搜索，且对点云的无序性、不规则性和稀疏性保持鲁棒。为了验证该网络的有效性，在公共数据集KITTI上进行测试。实验结果表明，该网络相较于当前最好的基于三维点云的方法，准确度提高了约10%，并可以在单个NVIDIA2080S图形处理器上以43.5FPS运行。

文章关键词:

论文分类号:TP391.41;TP18

文章来源：《信息记录材料》 网址: http://www.xxjlcl.cn/qikandaodu/2022/0124/2478.html