[发明专利]一种基于可学习编码的3D目标检测方法及系统

权利要求书

1.一种基于可学习编码的3D目标检测方法，包括以下步骤：

S1、构建3D目标检测网络；

S2、获取点云数据，并对其进行切割处理，处理后的数据将一部分作为训练数据，另一部分作为待检测数据；其中，将训练数据输入到步骤S1建立的3D目标检测网络对其进行网络训练；

S3、将待检测数据输入到步骤S2训练好的网络，在该网络中，经过特征提取、特征分类和坐标回归后，进一步实现基于点云数据的3D目标检测。

2.根据权利要求1所述的3D目标检测方法，其特征在于，步骤S2中对通过对点云数据进行切割，得到若干个尺寸相同的3D体素网格，实现对输入数据的预处理操作；其中，基于三维空间，在X轴、Y轴和Z轴上分别使用0.2米,0.2米,0.4米的分辨率，对点云数据进行切割后，得到若干个体素网格。

3.根据权利要求2所述的3D目标检测方法，其特征在于，步骤S1中构建的3D目标检测网络包括特征编码网络、3D卷积神经网络、3D RPN网络、特征提取网络和特征分类网络；其中：

所述特征编码网络，用于针对体素网格中包含的点云数据集合，基于雷达特征编码算法，对点云数据集合进行处理，进一步将点云数据转变为3D数据；其中，编码处理后的数据将进一步输入到3D卷积神经网络，由其进行特征提取；所述3D卷积神经网络输出的特征数据将进一步作为3D RPN网络的输入，通过所述3D RPN网络进一步生成3D候选区域；

生成的3D候选区域输入到特征提取网络中，在该网络中采用反卷积操作，将低层特征与顶层特征进行融合，其中，融合后的特征提取数据将进一步输入到特征分类网络，在该网络中，计算并输出每个候选区域所属的类别概率，得到3D目标检测结果。

4.根据权利要求3所述的3D目标检测方法，其特征在于，所述特征编码网络中，采用2层LFE编码层对点云数据进行编码，其中，在2层LFE编码层之后使用一个最大池化层，将每个体素网格的特征表示为128维的向量，进一步将输入的点云数据转变为3D数据。

5.根据权利要求3所述的3D目标检测方法，其特征在于，所述3D卷积神经网络包括了3层3D卷积层，其中，每一层都包含1层3D卷积层、1个BN操作以及1个Relu激活函数；每一层的卷积核大小在x-y平面上均是3*3，在z轴上的卷积核大小也是3。

6.根据权利要求3所述的3D目标检测方法，其特征在于，在所述3D RPN网络中，对于每一个生成的3D候选区域，通过计算候选区域与GT框在鸟瞰图中的IOU值，并通过预设的IOU阈值，将所得的候选区域划分为正样本、负样本以及其余样本，当前待训练的3D目标检测网络中，将候选区域中包含相同点云数量的正样本和负样本作为训练样本，训练3D RPN网络的参数。

7.根据权利要求3所述的3D目标检测方法，其特征在于，特征提取网络包括了4层全2D卷积块，每层卷积块均包含了3层3D卷积层；其中，每层卷积层之间加入了反卷积操作，在将生成的候选区域输入到特征提取网络中后，通过反卷积操作将低层特征与顶层特征进行融合，融合后的特征提取数据将进一步输入到特征分类网络，在所述特征分类网络中采用softmax分类器，对目标进行分类，计算并输出每个候选区域所属的类别概率，得到3D目标检测结果。

8.一种基于可学习编码的3D目标检测系统，其特征在于，包括以下模块：

网络构建模块，用于构建3D目标检测网络；

数据获取、网络训练模块，用于获取点云数据，并对其进行切割处理，处理后的数据将一部分作为训练数据，另一部分作为待检测数据；其中，将训练数据输入到网络构建模块建立的3D目标检测网络对其进行网络训练；

目标检测模块，用于将待检测数据输入到数据获取、网络训练模块中训练好的网络，在该网络中，经过特征提取、特征分类和坐标回归后，进一步实现基于点云数据的3D目标检测。

9.根据权利要求8所述的3D目标检测系统，其特征在于，数据获取、网络训练模块中还包括数据切割模块，其用于对通过对点云数据进行切割，得到若干个尺寸相同的3D体素网格，实现对输入数据的预处理操作；其中，基于三维空间，在进程切割之前，还需根据预设的X轴、Y轴和Z轴的过滤范围，对输入的点云数据进行范围过滤，所述过滤具体为：在数据空间坐标超过预设的过滤范围时，去除超过该范围的数据部分，并进一步在X轴、Y轴和Z轴上分别使用0.2米,0.2米,0.4米的分辨率，对点云数据进行切割后，得到若干个体素网格。