Název:
Klasifikace vozidel s použitím radaru
Překlad názvu:
Vehicle Classification Using Radar
Autoři:
Gottwald, Vilém ; Zemčík, Pavel (oponent) ; Maršík, Lukáš (vedoucí práce) Typ dokumentu: Bakalářské práce
Rok:
2023
Jazyk:
eng
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [eng][cze]
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.
Klíčová slova:
3D point cloud; DBSCAN clustering; deep learning on point clouds; feature extraction; long short-term memory; LSTM; mmWave FMCW radar; point cloud annotation; Python; radar classification; recurrent neural network; road traffic; vehicle recognition; 3D mračno bodů; anotace mračen bodů; dlouhodobá krátkodobá paměť; extrakce příznaků; FMCW radar v pásmu milimetrových vln; hluboké učení na mračnech bodů; LSTM; Python; radarová klasifikace; rekurentní neuronová síť; rozpoznávání vozidel; shlukování pomocí DBSCAN; silniční provoz
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/211028