一种基于激光雷达点云的车辆目标检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115082902A(43)申请公布日2022.09.20(21)申请号202210865317.6G06V10/80(2022.01)(22)申请日2022.07.22G06V10/82(2022.01)G06N3/04(2006.01)(71)申请人松立控股集团股份有限公司G06N3/08(2006.01)地址266000山东省青岛市市南区宁夏路288号软件园6号楼11层(72)发明人刘寒松王国强王永刘瑞翟贵乾谭连胜李贤超焦安健董玉超(74)专利代理机构青岛高晓专利事务所(普通合伙)37104专利代理师黄晓敏(51)Int.Cl.G06V20/58(2022.01)G06V10/764(2022.01)G06V10/774(2022.01)权利要求书2页说明书7页附图4页(54)发明名称一种基于激光雷达点云的车辆目标检测方法(57)摘要本发明属于车辆检测技术领域，涉及一种基于激光雷达点云的车辆目标检测方法，先引入一种基于体素金字塔的动态特征聚合策略，根据候选感兴趣区域的大小和内部非空体素稀疏性不同，自适应地选择不同分辨率特征层聚合特征信息；再设计一个可形变的感兴趣区域池化模块，为每个网格学习一个偏移量来对齐语义信息，并聚合三维区域建议外部上下文信息的特征，以提高采样点特征的表征能力；最后设计一种建议框几何信息融合模块，利用网格点到区域建议框的中心点和角点的距离信息以丰富特征，从而获得更加准确的车辆检测结果。CN115082902ACN115082902A权利要求书1/2页1.一种基于激光雷达点云的车辆目标检测方法，其特征在于，具体过程为：（1）、为了从不规则的激光雷达点云中提取车辆特征，将点云坐标表示转换为等间距的三维体素表示；（2）、将三维体素输入到三维卷积神经网络中通过稀疏卷积操作提取不同尺度下的三维特征层；（3）、将步骤（2）生成的特征层压缩为二维鸟瞰图特征，并将二维鸟瞰图特征输入二维卷积神经网络中生成三维区域建议框；（4）、在步骤（3）生成的三维区域建议框基础上，引入一种基于体素金字塔的动态特征聚合策略，根据三维区域建议框的大小和内部非空体素稀疏性比值的不同，自适应在中选择不同的三维特征层聚合多尺度的感兴趣区域特征；（5）、在步骤（4）基于体素金字塔的动态特征聚合策略中，设计一个可形变的感兴趣区域池化模块，在三维区域建议框中规则采样相同数量的网格点，为每个网格点学习一个偏移量来对齐语义信息，并聚合三维建议框内部和外部特征，获取丰富语义上下文信息，以提高采样点特征的表征能力；（6）、根据步骤（3）生成的三维区域建议框，设计一种建议框几何信息融合模块，将三维框中规则网格点到框中心点和角点的距离信息与步骤（5）中提取的感兴趣区域特征相融合，最终得到车辆特征；（7）、将步骤（6）中提取的融合车辆特征送入检测头，对车辆进行分类和定位的预测，并训练具有稀疏点云检测能力的车辆目标检测模型。2.根据权利要求1所述基于激光雷达点云的车辆目标检测方法，其特征在于，所述步骤（1）具体包括如下步骤：（11）、为从不规则的激光雷达点云中提取车辆特征，在激光雷达传感器返回的原始点云信息中取轴坐标作为车辆目标检测框架输入；（12）、按照轴采样范围和轴采样范围以及规则体素大小，将不规则的原始点云转换为等间距的三维体素表示。3.根据权利要求2所述基于激光雷达点云的车辆目标检测方法，其特征在于，所述步骤（2）具体包括如下步骤：（21）、为提高特征提取的速度，对每个体素取体素内原始点云的坐标平均值作为三维体素初始特征，作为三维卷积神经网络的输入；（22）、将三维体素初始特征输入到三维卷积神经网络中通过稀疏卷积操作提取不同尺度下的三维特征层。4.根据权利要求3所述基于激光雷达点云的车辆目标检测方法，其特征在于，所述步骤（3）具体包括如下步骤：（31）、将三维卷积神经网络生成的特征层，按照Z轴方向压缩为二维鸟瞰图特征；2CN115082902A权利要求书2/2页（32）、将二维鸟瞰图特征输入二维卷积神经网络中，通过多尺度特征融合生成粗略的三维区域建议框。5.根据权利要求4所述基于激光雷达点云的车辆目标检测方法，其特征在于，所述步骤（4）具体包括如下步骤：（41）、为增强稀疏点云目标特征，同时提高特征聚合的效率，引入一种基于体素金字塔的动态特征聚合策略，计算三维区域建议框内部非空体素的数量占三维区域建议框内部所有体素数量的比值；（42）、设置稀疏性权值，根据三维区域建议框内部非空体素稀疏性自适应地在中选择不同的三维特征层聚合多尺度的三维区域建议框特征。6.根据权利要求5所述基于激光雷达点云的车辆目标检测方法，其特征在于，所述步骤（5）具体包括如下步骤：（51）、在步骤（4）基于体素金字塔的动态特