[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

说明书

本发明涉及一种融合原始点云和体素划分的点云目标检测方法。首先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，然后构建损失函数进一步提升无损特征提取网络Pointnt++对局部邻域信息的感知能力，采用三线性插值在体素特征初始化阶段和稀疏卷积感知阶段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，最后通过二维RPN对预先设置的检测锚框进行分类、回归得到最终的检测目标。本发明通过将点云的无损编码多尺度嵌入到体素方法中，使检测网络具备多尺度多层级信息融合感知能力，而且本发明融合了基于原始点云和基于体素划分两类点云目标检测方法，同时具备高效的点云感知能力和无损特征编码能力。

技术领域

本发明属于3D点云目标检测技术领域，特别是涉及一种融合原始点云和体素划分的点云目标检测方法。

背景技术

随着车载激光雷达技术的不断升级，车载激光雷达能够快速、方便地获取当前场景的点云数据，利用场景点云的几何结构信息可以实现对场景中目标的提取，该技术方法已渗透到智慧城市建设、自动驾驶、无人配送等多个行业。由于激光点云散乱无序、密度和稀疏性差异巨大，如果采用传统目标检测算法对海量的点云数据进行统一的手工特征提取，无法适应在自动驾驶复杂道路场景下的目标的形体变化。因此，基于深度学习的点云目标检测算法在自动驾驶场景得到了快速地发展和应用。

当前较为通用的基于深度学习的点云目标检测方法主要有：基于原始点云的目标检测和基于体素划分的点云目标检测。

基于原始点云的3D目标检测算法不对场景点云做任何预处理，直接将原始点云坐标及对应的反射率数值输入由多层感知机(MLP)搭建的神经网络，采用最远点采样(FPS)由浅入深地对点云场景进行逐层采样，通过局部点集特征提取模块(Set Abstract)提取局部细节特征和语义特征，最后采用三线性插值将细节信息特征和语义信息特征通过特征传递层(Feature Propagation)赋予给原始场景中的所有点。该方法是无信息丢失的，但是多层感知器对无序点云的感知能力低于基于体素划分方法所采用的由卷积神经网络所搭建的结构。

基于体素划分的点云目标检测根据不同线型激光雷达扫描到的点云密集程度将场景点云划分成均匀的体素格网，再采用适应不同体素大小的的体素特征提取方式对每个体素做特征提取，然后利用3D卷积或者3D稀疏卷积对初始化后的体素场景语义信息做特征提取，并逐步将高度维压缩至一维，进一步采用二维卷积搭建区域提出网络(RPN)在场景俯视图下对每一个卷积格点预先设置的锚框进行分类和预测。该方法能够快速高效地在自动驾驶点云场景中分类出不易形变且点云密度大的物体，但是体素划分导致了原始点云结构几何形变，尤其是针对行人和自行车这种较小物体，体素划分带来的形变丢失了局部细节信息，使得检测的分类和回归效果偏离真实目标。

发明内容

本发明针对现有技术的不足，提供一种融合原始点云和体素划分的点云目标检测方法。首先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，然后构建损失函数进一步提升无损特征提取网络Pointnt++对局部邻域信息的感知能力，接着分别采用三线性插值在体素特征初始化阶段和稀疏卷积感知阶段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，最后通过二维RPN对每个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。

为了达到上述目的，本发明提供的技术方案是一种融合原始点云和体素划分的点云目标检测方法，包括以下步骤：

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1.1，构建多层编码器；

步骤1.2，通过SA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；