[发明专利]一种基于GIoU的3D目标边界框的估计系统

权利要求书

1.一种基于GIoU的3D目标边界框的估计系统，其特征在于：包括雷达点云预处理模块、2D图像预处理模块以及基于GIoU的多源融合模块；所述的雷达点云预处理模块将输入的雷达点云数据转换为固定维度的数字特征表示形式，并将雷达点云数据的数字特征传递到基于GIoU的多源融合模块中；所述的2D图像预处理模块将输入的2D图像数据转换为固定维度的数字特征表示形式，并将2D图像数据的数字特征传递到基于GIoU的多源融合模块中；所述的基于GIoU的多源融合模块将雷达点云数据的数字特征和2D图像数据的数字特征融合成3D目标边界框估计结果，具体为预测的3D边界框的8个顶点的坐标B_P＝(x^P₁，y^P₁，z^P₁，…，x^P₈，y^P₈，z^P₈)；

所述的基于GIoU的多源融合模块是Dense神经网络模型，以GIoU LOSS作为损失函数；所述的GIoU LOSS计算方法为：

步骤1：输入真实的3D边界框的8个顶点坐标B_T＝(x^T₁，y^T₁，z^T₁，…，x^T₈，y^T₈，z^T₈)；

步骤2：计算真实的3D边界框的长度L_T、宽度W_T和高度H_T；计算预测的3D边界框的长度L_P、宽度W_P和高度H_P；

步骤3：选取真实的3D边界框和预测的3D边界框中，中心点距离原点较近的3D边界框，获取该3D边界框的右上角顶点坐标MAX＝(x_MAX，y_MAX，z_MAX)，获取中心点距离原点较远的3D边界框的左下角顶点坐标MIN＝(x_MIN，y_MIN，z_MIN)；

步骤4：选取真实的3D边界框和预测的3D边界框的所有顶点的坐标中，最小的x、y、z值x^MIN、y^MIN、z^MIN以及最大的x、y、z值x^MAX、y^MAX、z^MAX；

步骤5：计算可以包围真实的3D边界框和预测的3D边界框的最小包围框B_c的长度L_C、宽度W_C和高度H_C；

L_C＝x^MAX-x^MIN

W_C＝y^MAX-y^MIN

H_C＝z^MAX-z^MIN

步骤6：计算GIoU的值；

其中，V_T为真实的3D边界框的体积，V_T＝L_T*W_T*H_T；V_P为预测的3D边界框的体积，V_P＝L_P*W_P*H_P；V_c为B_c的体积，V_c＝L_c*W_c*H_c；

步骤7：计算损失函数GloU LOSS的值；

GIoU LOSS＝1-GIoU。