Para resolver o problema da perda de informações espaciais durante o processamento de nuvens de pontos, ao mesmo tempo que extrai ao máximo as informações de textura das imagens visíveis durante o processo de fusão, este artigo propõe um método de detecção de veículos baseado na fusão de nuvens de pontos a laser e imagens visíveis com base em fatias de características (FVOIRGAN-Detection). No método CrossGAN-Detection, foi incorporada a ideia de processamento de nuvem de pontos FVOI (Visão Frontal Baseada na Informação Original), projetando a nuvem de pontos para o ângulo de visão frontal e dividindo as diferentes dimensões das informações originais da nuvem de pontos em canais de características, aumentando significativamente a eficiência do uso das informações da nuvem de pontos sem reduzir o desempenho da rede. Além disso, foi introduzido o conceito de probabilidade relativa, utilizando um discriminador para identificar a probabilidade relativa de realidade da imagem em vez da probabilidade absoluta, fazendo com que as informações de textura extraídas da imagem fundida estejam mais próximas da textura real. Os experimentos de desempenho no conjunto de dados KITTI mostraram que o método atingiu índices AP de 97,67%, 87,86% e 79,03% nas categorias fácil, média e difícil, respectivamente. Em cenários com iluminação limitada, o índice AP atingiu 88,49%, representando um aumento de 2,37% em comparação com o método CrossGAN-Detection, melhorando o desempenho da detecção de objetos.

processamento de nuvem de pontos;informação espacial;probabilidade relativa;GaN;fatias de características;detecção de veículos