[发明专利]一种点云目标检测方法、装置和域控制器

说明书

本发明公开了一种点云目标检测方法、装置和域控制器。该方法包括：将待检测点云数据转化为原始特征向量；将原始特征向量的最大池化特征与原始特征向量的平均池化特征进行自适应融合，生成通道维度的注意力权重值；通过预训练的卷积层从原始特征向量中提取空间维度的注意力权重值，预训练的卷积层基于原始特征向量和对应的向量标签训练得到；基于通道维度的注意力权重值和空间维度的注意力权重值对原始特征向量进行调整，以通过调整后的原始特征向量进行点云目标检测。本发明提供的技术方案，通过对注意力权重值进行自适应调整，从而进一步提高了点云数据目标检测的准确率。

技术领域

本发明涉及无人驾驶和无人作业的环境感知领域，具体涉及一种点云目标检测方法、装置和域控制器。

背景技术

点云数据作为无人驾驶和无人作业场景感知理解的数据来源，提供了原始的几何信息和丰富的形状比例信息。但是由于点云具有近密远疏的分布不均匀性和形状多样复杂性，导致在复杂场景中的远处稀疏点云目标识别精度较低。为了解决上述问题，现有技术在《基于高度-通道特征增强的点云目标检测方法》(CN113240038A)中提出了一种基于注意力机制点云目标检测方法，该方法首先将激光雷达实时接收到的点云数据转换成聚合特征向量；再提取聚合特征向量中高度维度的注意力权重值；之后提取聚合特征向量中通道维度的注意力权重值；然后利用高度维度的注意力权重值和通道维度的注意力权重值对聚合特征向量进行加权计算，得到经过注意力处理的特征向量；最后将经过注意力处理的特征向量输入经过训练的目标识别网络模型，从而实现对点云目标进行检测。该方法的效果与直接利用不具备注意力机制的神经网络进行分类得到的效果相比，目标检测准确度有着一定的提升。但是该方法中高度维度的注意力权重值和通道维度的注意力权重值仅通过一次卷积得到，权重值过于死板，对于目标类型多样的复杂点云数据，存在不能良好表达目标特征的问题，例如：若点云数据表征的场景中目标类型更多、目标更加重叠，其识别准确率会大大下降。因此，如何进一步提高点云数据目标检测的准确率，是亟待解决的问题。

发明内容

有鉴于此，本发明实施方式提供了一种点云目标检测方法、装置和域控制器，从而提高了点云数据目标检测的准确率。

根据第一方面，本发明实施例提供了一种点云目标检测方法，所述方法包括：将待检测点云数据转化为原始特征向量；将所述原始特征向量的最大池化特征与所述原始特征向量的平均池化特征进行自适应融合，生成通道维度的注意力权重值；通过预训练的卷积层从所述原始特征向量中提取空间维度的注意力权重值，所述预训练的卷积层基于所述原始特征向量和对应的向量标签训练得到；基于所述通道维度的注意力权重值和所述空间维度的注意力权重值对所述原始特征向量进行调整，以通过调整后的原始特征向量进行点云目标检测。

可选地，在所述将待检测点云数据转化为原始特征向量之前，所述方法还包括针对所述待检测点云数据进行预处理，其中对所述待检测点云数据进行预处理的步骤包括：在预设平面上将所述待检测点云数据划分为多个网格，得到多个点云数据的柱形子数据；遍历判断各个柱形子数据中的数据点个数与预设个数的大小关系；若当前柱形子数据中的数据点个数大于预设个数，则随机保留当前柱形子数据中预设个数的数据点；若当前柱形子数据中的数据点个数小于预设个数，则随机在空白坐标处填充预设数值，直至当前柱形子数据中的数据点个数等于所述预设个数为止；其中，数据点的数据信息包括该数据点的空间坐标信息、该数据点所在柱形子数据的几何中心信息以及该数据点相对几何中心的偏移信息。

可选地，所述将所述原始特征向量的最大池化特征与所述原始特征向量的平均池化特征进行自适应融合，生成通道维度的注意力权重值，包括：将所述原始特征向量分别进行全局最大池化和全局平均池化，得到所述最大池化特征和平均池化特征；利用预设的基础注意力单元分别将所述最大池化特征和平均池化特征转换为概率形式；将转换后的最大池化特征和平均池化特征进行两次拼接，得到系数向量和权重向量，其中所述系数向量和权重向量满足向量计算的尺寸匹配条件；利用预设的第二注意力单元对所述系数向量进行处理，将所述系数向量转换为概率形式的权重系数矩阵；将所述权重系数矩阵和所述权重向量进行加权计算，得到所述通道维度的注意力权重值。