[发明专利]一种带定位精度预测的三维目标检测方法

说明书

本发明公开了一种带定位精度预测的三维目标检测方法，首先，将点云输入到点特征提取主干网络中，通过3个集合抽象层逐步聚合局部特征。然后，通过候选生成层得到候选中心点及其特征。随后，将特征向量输入检测头，为每个候选中心点预测分类分数、边界框以及边界框的定位精度。最后对候选框进行后处理得到最终的预测结果。本发明公开的难度自适应定位精度预测方法，旨在为目标框预测合适的定位精度以解决单阶段目标检测器误检较多的问题。三维目标检测中，较之经典的检测头，本发明中添加定位精度预测分支的多任务检测头，通过结合定位精度预测值与分类分数预测值作为新的NMS排序指标，可以有效的提升定位精度并降低误检。

技术领域

本发明涉及一种带定位精度预测三维目标检测技术，属于计算机视觉技术领域。

背景技术

三维目标检测是一些三维理解任务的上游处理过程，其性能的好坏直接影响着三维目标分割、识别、跟踪等任务的结果。给定传感器输入，三维目标检测的任务是对三维空间中的对象进行分类和定位，每个对象由具有概率得分的类标签和3D边界框表示。智能驾驶系统中，主流的传感器解决方案包括激光雷达(LiDAR)、摄像头和毫米波雷达(RADAR)。根据使用的传感器不同，三维目标检测方法可以分为基于单目、基于双目、基于点云和基于多模态融合的方法。3DSSD提出了一种高效的单阶段三维目标检测器。为了获得更高的检测速度，3DSSD移除了特征传播层和细化模块，利用融合采样策略保留更多的前景点，并加入候选生成层使目标定位更加准确。DA-3DSSD在3DSSD的基础上对特征提取主干网络进行了改进，提出了密度敏感的最远点采样策略和中心密度注意力模块。对3DSSD和DA-3DSSD算法的检测结果分析后发现，DA-3DSSD提升了各个难度等级下的正检数量，也即是提升了召回率，但是误检数量仍然占检测结果数量的25％到45％，这使得准确率不高。

三维目标检测方法通常可以粗略的划分为主干网络和检测头(Detection Head)两个部分。检测头是输入点云经过共享的特征提取网络后，由于目标任务不同而分化出的不同分支的总称。检测任务最直接的目标是分类和定位，所以常见的检测头只包含分类分支和定位分支，但通过增加合适的任务分支可以在反向传播时调控主干网络学习的特征内容，在正向传播时利用新增的信息对网络的预测结果做进一步处理。通过添加定位精度预测分支，提出一种新的难度自适应的定位精度衡量指标HIoU，不但可以监督网络学习更加关注定位信息，而且通过结合定位精度预测值与分类分数预测值作为新的NMS排序指标，有效的提升定位精度并降低误检，这是本专利的主要内容。

发明内容

技术问题：

本发明旨在提供一种带定位精度预测的三维目标检测方法，从而解决置信度与定位精度不匹配以及误检较多的问题。

技术方案：

为了解决上述问题，本发明采用以下技术方案：

一种带定位精度预测的三维目标检测方法，该方法包括以下步骤：

S1、对输入原始雷达点云进行预处理；

S2、将预处理后的点云输入构建的点云特征提取主干网络，得到预测的候选目标中心点和相应的特征向量；

S3、构建多任务分支检测头，通过分类、定位和定位精度预测分支为每一个候选目标中心点预测分类分数、边界框以及定位精度；

S4、通过后处理算法对候选边界框进行筛选，得到最终预测结果；

S5、构建损失函数对网络参数进行优化训练；

所述的一种带定位精度预测的三维目标检测方法，步骤S1中所述的对输入原始雷达点云进行预处理的具体方法是：将点云根据二维图像范围进行区域裁剪，保留当前类别的标签而忽略其余类别标签；将每一幅点云中的当前类别的目标点云单独保存用于后续的数据增强；根据目标的遮挡、截断、高度等情况为目标分配简单(0)或复杂(1)标签，用于难度自适应的定位精度标签HIoU的预测分支的训练。