[发明专利]三维目标检测方法及三维目标检测器

说明书

本发明提出了一种三维目标检测方法及三维目标检测器。所述三维目标检测方法主要包括以下步骤：对三维目标检测数据集的图像数据进行语义分割，得到语义预测；将语义预测投影到点云空间中，并筛选特定类别的点形成视锥；构建三维目标检测网络，并将视锥作为三维目标检测网络的输入；通过损失函数强化三维目标检测网络对目标的敏感程度；优化三维目标检测网络。本发明大大减少了三维检测的时间并且降低了计算需求，使得输入更加简单，具有很好的实时目标检测性能，在保持实时检测的同时也能获得很好的检测效果。

技术领域

本发明涉及一种三维目标检测方法及三维目标检测器，属于模式识别领域。

背景技术

基于点云的三维目标检测在现实生活中充当着重要的角色，例如自动驾驶、家庭机器人、增强现实和虚拟现实。相比较于传统的基于图像数据的目标检测方法，点云可以提供更加准确的深度信息用于定位物体和描绘物体形状。然而由于非均一化的三维空间采样、传感器的有效范围以及物体遮挡和相对位置等因素的限制，较于传统的图像数据，点云更加稀疏且各部分密度存在着较大的差异。

为了解决上述问题，目前，一般使用人工提取特征的方法使得三维点云可以被对应目标检测器检测，然而这需要将全部点云作为输入并耗费大量的计算资源，且无法做到实时检测。

有鉴于此，确有必要提出一种三维目标检测方法，以解决上述问题。

发明内容

本发明的目的在于提供一种三维目标检测方法，在保持实时检测的同时能够获得很好的检测效果。

为实现上述目的，本发明提供了一种三维目标检测方法，主要包括以下步骤：

步骤1：对三维目标检测数据集的图像数据进行语义分割，得到语义预测；

步骤2：将步骤1所得语义预测投影到点云空间中，并筛选特定类别的点形成视锥；

步骤3：构建三维目标检测网络，并将步骤2中所得视锥作为三维目标检测网络的输入；

步骤4：通过损失函数强化三维目标检测网络对目标的敏感程度；

步骤5：优化三维目标检测网络。

可选的，步骤1中使用DeepLabv3+算法对三维目标检测数据集的图像数据进行语义分割，具体包括以下步骤：

步骤11：通过DeepLabv3+算法在Cityscapes数据集上进行预训练；

步骤12：对三维目标检测数据集的图像数据进行手动标记，并通过DeepLabv3+算法在手动标记的语义标签上进行微调；

步骤13：通过语义分割对图像数据中的每一个像素进行分类，以得到语义预测。

可选的，步骤2具体包括以下步骤：

步骤21：利用已知的投影矩阵，将每个语义预测中的每个类别的区域投影到点云空间中，以使得点云空间的每个区域的类别属性与对应语义预测的每个区域的类别属性一致；

步骤22：将特定类别的点从原始点云空间中筛选并提取出来，形成视锥。

可选的，步骤3中，所述三维目标检测网络使用pytorch深度框架搭建形成，所述三维目标检测网络包括：使用网格的点云特征提取器、卷积中间提取层以及区域预选网络，且使用网格的点云特征提取器的输出作为卷积中间提取层的输入、区域预选网络的输入由卷积中间提取层提供。

可选的，使用网格的点云特征提取器由一个线形层，一个批标准化层和一个非线性激活层组成；

卷积中间提取层包括三个卷积中间模块，每个卷积中间模块由一个三维卷积层，一个批标准化层和一个非线性激活层顺序相连组成；

区域预选网络由三个全卷积模块组成。