[发明专利]一种点云检测方法及系统

权利要求书

1.一种点云检测方法，其特征在于，步骤包括：

获取目标视觉场景中待检测图像的激光点云数据；

通过提高所述激光点云数据的回归框尺度精度，得到训练集；

对所述训练集进行优化，得到优化训练集；

利用所述优化训练集构建网络模型；并利用所述网络模型对点云数据进行目标检测。

2.根据权利要求1所述的点云检测方法，其特征在于，得到所述训练集的方法包括：构建知识蒸馏网络；所述知识蒸馏网络包括：教师检测网络和学生检测网络；所述教师检测网络和所述学生检测网络拥有相同的点云编码和特征提取结构。

3.根据权利要求2所述的点云检测方法，其特征在于，利用所述知识蒸馏网络得到所述训练集的方法包括：

对所述尺度精度进行连续值离散化后做概率拟合；

为所述学生检测网络增加约束；

利用增加约束后的所述学生检测网络对所述回归框进行蒸馏，得到所述训练集。

4.根据权利要求3所述的点云检测方法，其特征在于，对所述回归框进行蒸馏的方法包括：

对正样本回归框的尺度进行处理，并记录每条边的数据；

设定所述特征提取的回归框尺寸，并分别由所述教师检测网络和所述学生检测网表示；

将所述教师检测网络和所述学生检测网络转换为概率表示；

通过对所述概率进行蒸馏损失评价，得到评价结果；

根据所述数据和所述评价结果完成对所述回归框的蒸馏。

5.根据权利要求2所述的点云检测方法，其特征在于，得到所述优化训练集的方法包括：设计定位引导分类项来对正样本监督标签进行权重引导，得到所述优化训练集。

6.根据权利要求5所述的点云检测方法，其特征在于，进行所述权重引导的方法包括：

将正样本对应的预测边界框与真实边界框在BEV空间中的IOU值作为分类引导权重去抑制相对高质量正样本和相对低质量正样本和分类置信度之间的偏差，引入定位引导项g：

其中，目标监督值：

式中，g表示定位引导分类项、其中i表示预测边界框和真实边界框的IOU值、pos表示正样本、bev表示在BEV空间中边界框的维度表示、reg_pred表示预测的回归框偏差值、anchor表示先验框、bbox_perd表示预测回归框、表示one-hot向量表示的真实标签、f表示引入定位引导项的softlabel表示形式的正样本真实标签。

7.一种点云检测系统，其特征在于，包括：获取模块、蒸馏模块、优化模块和构建模块；

所述获取模块用于获取目标视觉场景中待检测图像的激光点云数据；

所述蒸馏模块用于通过提高所述激光点云数据的回归框尺度精度，得到训练集；

所述优化模块用于对所述训练集进行优化，得到优化训练集；

所述构建模块利用所述优化训练集构建网络模型；并利用所述网络模型对点云数据进行目标检测。

8.根据权利要求7所述的点云检测系统，其特征在于，所述蒸馏模块包括：教师单元和学生单元；

所述教师单元用于提供网络参数；

所述学生单元用于基于所述网络参数，完成蒸馏，得到所述训练集。