[发明专利]一种解耦分类与回归任务的三维点云单阶段目标检测方法

说明书

本发明公开了一种解耦分类与回归任务的三维点云单阶段目标检测方法，步骤包括：(1)对于点云进行体素化处理，使数据从无须的点云变成有序的栅格结构，(2)利用三维稀疏卷积进行网络的特征提取从而得到高阶特征图，(3)在特征图中，使用双头的检测器聚合特征并预测出目标的分类、回归框以及方向。本发明为了解决目标检测子任务之间的特征纠缠问题，设计了双头的检测网络结构，能够在高维特征中分别提取分类与回归任务各自关注的特征，分别预测子任务。并且在解耦的基础上，利用联合检测的方法，将两个任务中相关信息相结合，共同预测目标类别。本发明提升了三维目标检测的准确率，并可以很容易的迁移到其他方法中。

技术领域

本发明涉及一种解耦分类与回归任务的三维点云单阶段目标检测方法，属于计算机视觉三维点云处理领域。

背景技术

物体检测是计算机视觉领域中二维和三维空间的基础工作之一。准确的目标检测结果是跟踪等任务的前序，在智能交通、室内智能家居等应用中至关重要。根据网络构造结构，目标检测框架分为一阶段结构和两阶段结构。一阶段结构能够直接检测物体，而两级结构则增加了一个能够聚合整个物体完整局部特征的网络，从而用更多的时间以及计算资源换取更高的精度。

目标检测通常包括两个子任务：分类和回归。在二维检测网络中，大多数方法的分类和回归任务都共用一个检测，因此这两个任务被迫共用大部分参数值。这将导致一些准确性的损失，这在3D对象检测任务中也会发生。IoU-Net首先讨论了两个任务之间会产生冲突的事实，并提出了一个单独的IoU预测头来提高回归任务的精度，3D检测方法STD中也采用了类似的结构。但是，这些改进的多头结构多用于两阶段检测框架的细化部分。对于单阶段检测方法来说，没有第二阶段对预测结果进行细化，所以两个任务的特征纠缠得比较紧密。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种使用两个头来共同预测目标类别的扩展结构的解耦分类与回归任务的三维点云单阶段目标检测方法，在解耦的同时，充分利用其相关信息。

为解决上述技术问题，本发明的一种解耦分类与回归任务的三维点云单阶段目标检测方法，包括以下步骤：

步骤1：输入整个场景的点云数据，利用体素化方式将三维点云从无序的点集转化为规则的三维矩阵结构；

步骤2：在体素化后的规则数据上采用三维稀疏卷积网络进行特征提取，缩小特征尺寸并得到高阶特征，将最终的高阶三维特征图使用维度相连的方式融合z轴方向的信息，使用得到的二维鸟瞰图特征进行最终的结果预测；

步骤3：在特征提取后的场景鸟瞰图高阶特征中，分类与回归两个子任务分别使用两个平行的特征提取头来进行信息提取，得到分类信息与回归信息，使得鸟瞰图中每个超像素点都获得相应的分类预测和边框预测，其中角度预测包含于边框预测中，与边框的预测共享一个特征提取头，分类特征头只预测类别结果回归头同时预测类别结果和边框结果；

步骤4：执行训练阶段：使用联合预测方式，在回归头中提取类别信息，并最终将此类别预测与分类头得到的类别预测结合共同确认区域建议框的类别，构造联合损失函数：

其中，是分类预测头的分类损失，是回归预测头的分类损失，是回归损失，L_dir表示方向的损失，α,β,γ是设定的调节分类损失、回归损失和方向损失所占比例的参数，λ是设定的调节分类预测头和回归预测头损失比例的参数；

预测结果包括分类预测分数s_cls和边框预测，预测结果与数据的标签做对比，通过损失函数计算两者之间的差距，通过计算损失函数梯度对网络参数进行学习优化，得到训练后的网络参数；

步骤5：执行应用阶段：将最终的预测分数进行排序，其中高于给定阈值的预测为最终结果，最终的预测结果为对应的预测框的结果，即预测到目标的位置与大小。

本发明还包括：