随着计算机视觉技术犹如火箭般的飞速发展,自动驾驶的时代也正向我们一步步迈来。感知模块在自动驾驶的整个流程里起着不可替代的作用,其对于周围环境,车辆,行人等的感知对自动驾驶的决策和规划等模块提供了极其重要的信息。近年来,深度学习的相关研究如雨后春笋般层出不穷,在点云数据的目标检测的方法中,越来越多的人使用卷积神经网络。本文以车载32线激光雷达数据为基础,研究基于深度学习的点云数据的车辆检测,检测的类别包括:汽车、拖车、摩托车和货车。本文研究设计到的算法包括点云体素化、网络层结构的设计、anchor box设计,编解码技术,坐标转换和非极大值抑制等,本文的主要成果如下:(1)基于Fa F进行创新,将其由多任务网络改成端对端、单任务的目标检测网络。Fa F是基于激光雷达点云数据进行检测、分类和跟踪的多任务网络,因此网络每次需要输入多帧的点云数据进行前向传播,而本文为单任务的检测网络,每次输入为单帧的点云数据,网络的backbone部分使用的是VGG16,但与原网络不同的是,本课题去除了最后一个卷机组,并且将每个特征层的卷积数变为原来的一半,在网络的输出层添加两个分支,一个分支用来输出检测物体为4个类别的概率大小,另一个分支用来输出检测结果的边界框坐标。(2)本文所使用的参数初始化方法为Kaiming初始化,而非Xavier初始化。Xavier初始化方法是专门针对于线性的激活函数所设计的,但是深层的神经网络如果使用线性激活函数将无法实现复杂的功能,所以使用的都是Relu等非线性的激活函数。本文所使用的为Leaky Relu激活函数,Kaiming初始化对于Relu函数及其变种函数更加友好。(3)非极大值抑制的IoU计算为任意旋转角的矩形。传统的目标检测任务最终所画出的包围框往往为平行于坐标轴的矩形框,而本文所绘制的包围框为不平行于坐标轴,具有任意旋转角的矩形框,这样的包围框能够更贴合实际物体。在执行非极大值抑制阶段时,IoU的计算为任意旋转角的矩形。