[发明专利]一种基于对称点生成的点云3D目标检测方法

说明书

本发明涉及一种基于对称点生成的点云3D目标检测方法。本发明首先对原始点云进行过滤并体素化检测空间，生成初始体素特征输入到对称点生成模块，通过其编解码结构获得高层语义特征并经过分类头和回归头进行前景点分割以及对称点预测，将预测的前景点对应的对称点集与非空体素中心点集组成增强点云作为区域提案网络的输入，通过其骨干网络进一步提取俯视图特征，并作为检测头的输入，检测头最终输出待检测物体的3D框。本发明利用检测对象的对称性，生成对称点，从根本上缓解了点云中物体结构缺失的问题，能够改善回归效果并提高检测精度，同时支持将RPN替换成其他基于体素的检测方法，使得原来检测效果较差的检测器也能产生具有竞争力的检测结果。

技术领域

本发明涉及自动驾驶、3D目标检测技术领域，具体地涉及一种基于对称点 生成的3D目标检测算法。

背景技术

三维目标检测由于其在自主驾驶、机器人等领域的广泛应用，越来越受到工 业界和学术界的关注。激光雷达传感器广泛应用于自动驾驶车辆和机器人中，以 点云形式捕捉三维场景信息，为三维场景的感知和理解提供重要信息。由于点云 可以保留物体的原始尺寸，所以不存在物体在图像中分辨率太低问题，而且即使 在夜晚，激光雷达也能正常工作。因此，在点云场景下进行物体检测成为3D目 标检测的热点。当前，3D目标检测方法主要分为两类，一种类基于图像的检测 方法，比如chen等人提出的面向自主驾驶的单目三维目标检测(Monocular 3D Object Detection for Autonomous Driving)。该方法将单目中的3D物体检测 问题看作两步完成：首先该方法提出了一个生成一组类相关的物体推荐候选框的 方法，然后利用一个CNN网络利用这组候选框提取出高质量的3D物体检测框， 是单目3D目标检测的开山之作。但是这类方法往往需要一系列假设条件，比如 所有的物体底部都与地平面相接等，在实际检测中效果并不是很好。另一种是基 于点云的检测方法，根据从点云提取特征方式的不同具体又可以划分为基于点的 方法和基于体素的方法。基于点的方法使用PointNet和其变体从原始点云中提 取逐点的特征，而基于体素的方法则是将整个3D空间划分成体素栅格，并使用 规则的3D卷积神经网络提取体素特征。这类方法取得了很好的检测效果，但是 也还存在一些问题。由于获取的点云稀疏且不规则，距离激光雷达较远的和被严 重遮挡的物体往往只含有少量的点，会缺失很多结构信息，导致这类物体的检测 精度较低。因此，人们开始研究如何在稀疏的点云里获得更多目标的结构信息去 进行3D目标检测。本发明属于基于体素的检测方法，我们提出的是一种利用目 标结构先验信息来补全目标在点云中缺失的对称部分的方法。将补全的对称部分 和原始点云组成增强点云，作为检测网络的输入，可以从根本上缓解一些物体在 点云中结构信息缺失较多问题。我们的方法不仅可以用于自动化驾驶领域汽车的 检测，而且适用于在点云场景下各种具有对称性的物体的检测。

现有已有一些关于3D目标检测的专利(包括发明授权专利和发明公布专利) 如下：

申请公布号为：CN110070025A的中国发明专利《基于单目图像的三维目标 检测系统及方法》。此方法的思想是将三维目标检测转换到二维图像下的预测， 然后应用摄像头标定参数将二维映射到摄像头三维坐标系下，重构出目标的三维 目标框，通过对映射出的三维目标框进行进一步修正，得到精确的三维目标框， 经两步法训练后进行精确三维目标检测。虽然这种方法成本较低，具有一定的应 用价值，但是此方法精度较低，不适合要求高的场景。

申请公布号为：CN111079652A的中国发明专利《一种基于点云数据简易编 码的3D目标检测方法》。此方法提出了一种点云数据的简易编码方式，该方法将 点云数据栅格化，然后通过计算单个栅格内的几何信息和密度信息完成对单个栅 格内点集的编码，通过特征拼接和M×N卷积的方式，进行高效的特征降维，最 终构建基于点云数据的可应用于卷积神经网络的二维特征图，最后采用一套多尺 度卷积的特征提取网络进行特征提取和3D目标检测。所述方法能够高效地将3D 特征图降维为2D特征图，从而可以应用于不同2D卷积神经网络进行特征提取和 3D目标检测，但是这种方法也因使用2D卷积从而不能很好地提取鲁棒的3D物 体特征。