[发明专利]一种融合原始点云和体素划分的点云目标检测方法

权利要求书

1.一种融合原始点云和体素划分的点云目标检测方法，其特征在于，包括如下步骤：

步骤1，利用无损特征提取网络Pointnet++提取点云局部细节特征和语义特征；

步骤2，构建损失函数，监督步骤1特征提取的执行，促进无损特征提取网络Pointnet++感知特征信息；

步骤3，将无信息损失的局部细节特征和语义特征嵌入到基于体素划分的点云目标检测网络中；

步骤3.1，利用步骤1提取到的局部细节特征对体素特征进行初始化；

步骤3.2，使用3D稀疏卷积对步骤3.1初始化后的体素场景语义信息做特征提取；

步骤3.3，采用三线性插值将步骤1得到的语义特征转化为体素特征；

步骤3.4，采用注意力机制方式将步骤3.2经过稀疏卷积感知的语义特征与将步骤3.3转化得到的体素特征进行融合，得到融合两种感知模式的语义信息；

步骤4，将步骤3融合得到的语义特征投影到二维俯视图，通过二维卷积搭建区域提出网络RPN，在场景俯视图下对每个像素点预先设置的检测锚框进行分类和回归得到最终的检测目标。

2.如权利要求1所述的一种融合原始点云和体素划分的点云目标检测方法，其特征在于：所述步骤1包括以下几个子步骤：

步骤1.1，构建多层编码器；

利用最远点采样策略从原始点云中采集N个点作为输入点云，然后再利用最远点采样策略从输入点云数据中逐层采集数目为的点云，构成4层编码器，每一层输入的点云即为上一层输出的点集；

步骤1.2，通过局部点集特征提取模块无信息丢失地提取每一层点云的局部细节特征和语义特征；

步骤1.3，采用三线性插值将步骤1.2提取的细节特征和语义特征通过特征传递层赋予给原始场景中的所有点。

3.如权利要求2所述的一种融合原始点云和体素划分的点云目标检测方法，其特征在于：所述步骤1.2中每一层局部点集特征提取模块的输入为上一层经过最远点采样策略采样得到的固定数目的点集，设点p_i为当前层通过最远点采样策略采样得到的第i个点，为上一层中以点p_i为中心，半径为r的球邻域内部的点所构成的集合，点p_i输出特征的计算包括以下几步：

步骤1.2.1，从集合中随机采样k个点组成集合

步骤1.2.2，通过多层感知机对步骤1.2.1采样的点进行特征融合提取，计算公式如下：

其中，MLP表示多层感知机对点特征的高维映射，max()代表在点集合的特征维上取最大值，f(p_i)即是点p_i的输出特征；

步骤1.2.3，对每一层输入的点云重复最远点采样策略采样到对应数目的点云，然后对采样得到的点通过步骤1.2.2聚合邻域特征，由此完成无信息损失的特征提取，其中第一层提取到的是局部细节特征，后三层提取到的为语义特征。

4.如权利要求2所述的一种融合原始点云和体素划分的点云目标检测方法，其特征在于：所述步骤1.3中特征传递为特征提取的逆过程，从提取层的最后一层出发，依次向上一层做特征传递，即从层传递到层、层传递到层、层传递到层、层传递到N层，以层传递到层为例介绍特征的传递过程，假设点p_i为层需要传递特征的点，φ(P_i)表示层中欧式空间中距离P_i最近的k个点组成的组合，P_j表示φ(P_i)中的一点,三线性插值特征传递的计算方法如下：

式中，f(p_i)是需要传递的特征，f(p_j)表示在点P_i邻域内的第j个点P_j的特征，w_ij表示点P_i邻域内的第j个点P_j的特征加权权重。