[发明专利]单阶段3D点云目标检测方法及装置、计算机设备、介质

说明书

本发明公开了一种单阶段3D点云目标检测方法及装置、计算机设备、介质。本方法为：根据3D点云中目标与获取3D点云的采样传感器距离不同，设置不同的聚类半径参数对3D点云进行聚类操作，用立体包围框将同类的点云包含起来得到最小立体包围框，并对每一所述最小立体包围框内的点集合进行下采样，得到数据增广后的点云数据；对数据增广后的点云数据进行基于球内最远距离采样，并对采样得到的点进行特征提取，得到语义特征和空间特征；根据空间特征和语义特征预测每个点的预测分数，然后按照预测分数从高到低完成点采样；对采样点的特征进行融合得到融合特征图；回归预测网络根据该融合特征图进行预测，得到点云当中目标的位置和类别。

技术领域

本发明涉及一种基于DBSCAN聚类数据增广的单阶段3D点云目标检测方法及装置、计算机设备、介质，属于计算机软件技术领域。

背景技术

室外点云场景的目标检测与识别是近年来的研究热点，其中目标检测是整个流程的核心部分，其任务是将立体目标从分布不规则、稀疏不均的点云中正确空间定位和识别其类别。随着深度学习的发展，基于点云的3D目标检测方法得到了飞速的进步，受到2D图片中目标检测方法的启发，目前主流的点云3D目标检测方法着重于如何通过主干网络从点云中提取具有表征力而且排布规则的特征，这样可以将适用于2D图片的卷积处理方法直接适用于3D点云特征。将主干网络得到的丰富的语义特征输入到头部网络当中，预测出点云中目标的空间位置和类别，并与3D标签计算相关的损失，给神经网络提供监督信号完成训练。

上述传统方案存在以下缺陷：

1,现有方法对于近距离、点分布密集的物体检测识别效果较好，而对于远距离、点分布稀疏的物体识别较差。

2,点云中的点数量较大，如果全部提取对应的特征，耗费的时间和需要的运算量较大。为了平衡性能和需要的资源，现有的单阶段点云3D目标检测方法，都需要一个采样的过程，现有的方法在编码的过程中只选择了模最大的特征作为候选特征，并没有考虑由于球形采样得到的特征之间存在着丰富的上下文信息，无法得到具有更强表征的语义特征。

3,现有方法最后的检测基于高层语义特征，对于识别性能较好，但是由于低层空间特征在卷积过程中损失较多，对于空间位置和旋转方向的预测性能不佳。

发明内容

针对现有技术中存在的技术问题，本发明的目的在于提供一种基于DBSCAN聚类数据增广的单阶段3D点云目标检测方法及装置、计算机设备、介质，其包括一种全新的数据增广方法和一个全新的掩膜采样方法以及一个全新的特征融合模块，进而提升3D点云目标检测的效果。

本发明的技术方案为：

一种单阶段3D点云目标检测方法，其步骤包括：

主干网络的训练阶段：

对于训练样本集中的3D点云，数据增广模块对所述3D点云中目标实例与获取所述3D点云的采样传感器距离不同，设置不同的聚类半径参数对所述3D点云进行聚类操作，用立体包围框将同类的点云包含起来得到最小立体包围框并将其放入3D立体框集合db_boxes；计算所述3D立体框集合db_boxes每个最小立体包围框与对应目标实例在点云中真实3D立体框gt_boxes的交并比，交并比大于设定阈值的，则将对应最小立体包围框保存到saved_boxes集合内，以及将对应最小立体包围框内的点从所述3D点云中剔除；然后将所述saved_boxes集合内的点进行下采样，得到数据增广后的点云数据；

所述主干网络对数据增广后的点云数据进行基于球内最远距离采样，并对采样得到的点进行特征提取，将提取的语义特征和空间特征输入所述主干网络的掩膜采样模块；

所述掩膜采样模块根据输入的空间特征和语义特征预测每个点的预测分数，然后按照预测分数从高到低完成点采样并输入到所述主干网络的特征融合模块；