一种基于深度学习的激光雷达点云目标检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114155507A(43)申请公布日2022.03.08(21)申请号202111484378.XG06K9/62(2022.01)(22)申请日2021.12.07G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人奥特酷智能科技（南京）有限公司地址211800江苏省南京市浦口区桥林街道步月路29号12幢-289(72)发明人不公告发明人(74)专利代理机构南京行高知识产权代理有限公司32404代理人李晓(51)Int.Cl.G06V20/58(2022.01)G06V10/40(2022.01)G06V10/764(2022.01)G06V10/26(2022.01)G06V10/82(2022.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于深度学习的激光雷达点云目标检测方法(57)摘要本发明涉及一种基于深度学习的激光雷达点云目标检测方法，包括如下步骤：收集激光雷达采集的雷达点云数据；将雷达点云划分为w*h*m个立方体，其中在xy平面上划分为w*h个网格；对任一网格采样Ｎ个点，得到采样点云；对采样点云的每个采样点的属性进行扩展得到张量矩阵；将所述张量矩阵送入神经元数量为Ｃ的全连接层后接relu层激活，将所述采样点云编码为(C，h，w)的伪图像；利用Backbone对伪图像进行目标检测。本发明由于对点云进行了有效的编码，计算量更小，检测速度快；Backbone输出的特征融合了高分辨率特征图信息和低分辨率特征图信息，检测效果更精准。CN114155507ACN114155507A权利要求书1/1页1.一种基于深度学习的激光雷达点云目标检测方法，包括如下步骤：步骤一、在车辆顶部安装激光雷达，收集激光雷达采集的预设范围内的雷达点云数据；步骤二、以朝向车头方向为x轴、朝向车身左侧方向为y轴、垂直于地面方向为z轴，建立三维坐标系，将所述预设范围在x轴方向平均划分为w段，在y轴方向平均上划分为h段，在z轴方向平均分为m段，即在xy平面上划分为w*h个网格，并将所述预设范围划分为w*h*m个立方体；步骤三、对步骤二得到的任一网格采样Ｎ个点，得到采样点云，其采样方法如下：假设该网格对应的所有立方体中的雷达点云数量为D，对该网格内的某一立方体，该立方体的点云数量为S，则该立方体的采样点数量E=N*(S/D)；但是，若该网格内对应的点云数量为0，则放弃对该网格的采样，并记为空网格；步骤四、计算所述采样点云的每个采样点相对于所述预设范围的中心点的偏移坐标，对每个采样点的属性进行扩展，使每个采样点具有三个维度的坐标值、三个维度的偏移坐标值和采样值共7个属性，将所述采样点云表达为一个e*N*7的张量矩阵，其中e为非空网格的数量；步骤五、将所述张量矩阵送入神经元数量为Ｃ的全连接层后接relu层激活，得到e*C的输出，从而将每个采样点编码为一个C维向量，进而将采样点云编码为e*C的向量矩阵；同时将空网格编码为Ｃ维０向量，从而将所述采样点云编码为(C，h，w)的伪图像；其中，C大于7；步骤六、通过神经网络对伪图像进行目标检测，其中网络中的Backbone对伪图像进行特征提取。2.根据权利要求1所述的基于深度学习的激光雷达点云目标检测方法，其特征在于：步骤六中，网络中的backbone结构使用残差结构.并结合特征金字塔生成不同尺度的多个特征图，分别用于对不同大小的目标进行检测。3.根据权利要求1或2所述的基于深度学习的激光雷达点云目标检测方法，其特征在于：步骤三中，对某一网格采样Ｎ个点时，若该网格对应的点云数量不足Ｎ且不为0，则采样全部的点，不足的则以0补足。2CN114155507A说明书1/4页一种基于深度学习的激光雷达点云目标检测方法技术领域[0001]本发明涉及一种基于深度学习的激光雷达点云目标检测方法，属于目标检测技术领域。背景技术[0002]环境感知是自动驾驶中的重要任务，准确的感知直接影响到车辆的规划和控制。在环境感知中有基于激光雷达、单目摄像头和多目摄像头等多种实现方式，摄像头由于成本低廉，成像稳定，因此被大量使用。但是图像有其先天缺陷，会缺乏目标的距离信息，而点云数据含有物体精确的深度信息和几何结构信息，使用点云进行3d的目标检测会拥有更高的精度。[0003]但是，据申请人了解，在自动驾驶领域使用点云数据进行目标检测虽然精度较高，但处理比较复杂，计算量太大，导致检测速度比较慢，目前应用还比较少。发明内容[0004]本发明要解决的技术问题是：提供一种基于深度学习的检测精度较高、检测速度快的激光雷达点云目标检测方法。[0005]为了解决上述技术问题，本发明提出的技术方案是：一种基于深度学习的激光雷达点云目标检测方法，包括