[發(fā)明專利]基于多尺度單極三維檢測(cè)網(wǎng)絡(luò)的激光雷達(dá)目標(biāo)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910135184.5
• 申請(qǐng)日: 2019-02-22
• 公開(kāi)（公告）號(hào): CN109932730B
• 公開(kāi)（公告）日: 2023-06-23
• 發(fā)明（設(shè)計(jì)）人: 王宇嵐;李佳豪;孫韶媛;任正云;李大威
• 申請(qǐng)（專利權(quán)）人: 東華大學(xué)
• 主分類(lèi)號(hào): G01S17/89
• 分類(lèi)號(hào): G01S17/89;G06V10/82;G01S17/93;G06V10/80;G06V10/77
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 翁若瑩;吳小麗

1.一種基于多尺度單極三維檢測(cè)網(wǎng)絡(luò)的激光雷達(dá)目標(biāo)檢測(cè)方法，其特征在于，包括如下步驟：

步驟1：激光雷達(dá)點(diǎn)云數(shù)據(jù)預(yù)處理；

首先將激光雷達(dá)點(diǎn)云數(shù)據(jù)映射到三維空間中，然后將三維空間中激光雷達(dá)點(diǎn)云數(shù)據(jù)根據(jù)水平坐標(biāo)系分割成一系列網(wǎng)格，提取RGBMAP彩色特征圖；

步驟2：根據(jù)高度信息將激光雷達(dá)點(diǎn)云數(shù)據(jù)分割成若干層，對(duì)每一層提取最大高度特征，得到分層高度特征圖；最后將分層高度特征圖與RGBMAP彩色特征圖進(jìn)行疊加，得到信息豐富的特征向量；并分成訓(xùn)練集和測(cè)試集；

步驟3：構(gòu)建訓(xùn)練多尺度單極三維檢測(cè)網(wǎng)絡(luò)，將步驟2得到的信息豐富的特征向量輸入到訓(xùn)練好的多尺度單極三維檢測(cè)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，保存參數(shù)；

所述多尺度單極三維檢測(cè)網(wǎng)絡(luò)是一系列卷積、池化和激活的過(guò)程；其采用調(diào)整下采樣為16倍的Darknet作為卷積網(wǎng)絡(luò)，并且引入多尺度信息傳遞機(jī)制，通過(guò)多尺度連接層和最大池化層將上層特征傳遞給下層卷積神經(jīng)網(wǎng)絡(luò)，采用Leaky?ReLU作為網(wǎng)絡(luò)激活層；

步驟4：將測(cè)試集輸入訓(xùn)練好的網(wǎng)絡(luò)中，得到特征圖；

步驟5：網(wǎng)絡(luò)中的復(fù)數(shù)域目標(biāo)檢測(cè)層在卷積網(wǎng)絡(luò)提取的最后一層特征圖上進(jìn)行目標(biāo)檢測(cè)，得到目標(biāo)檢測(cè)結(jié)果張量；所述目標(biāo)檢測(cè)結(jié)果張量包含概率信息和位置信息。

2.如權(quán)利要求1所述的一種基于多尺度單極三維檢測(cè)網(wǎng)絡(luò)的激光雷達(dá)目標(biāo)檢測(cè)方法，其特征在于：所述步驟2中的激光雷達(dá)點(diǎn)云數(shù)據(jù)預(yù)處理部分，提取激光雷達(dá)點(diǎn)云數(shù)據(jù)最大高度特征、點(diǎn)云密度特征和最大反射強(qiáng)度特征和多維的分層高度特征。

3.如權(quán)利要求2所述的一種基于多尺度單極三維檢測(cè)網(wǎng)絡(luò)的激光雷達(dá)目標(biāo)檢測(cè)方法，其特征在于：所述步驟3中，多尺度連接層根據(jù)位置關(guān)系將輸入的上層特征圖重塑成四分之一大小和四倍維度的新特征圖；在這個(gè)過(guò)程中，特征圖的尺寸減少到原來(lái)的四分之一，維度增加了四倍，因此特征圖中所包含的信息都將保留；多尺度連接層重塑后的特征圖與由卷積神經(jīng)網(wǎng)絡(luò)下采樣的特征圖在維度上進(jìn)行簡(jiǎn)單疊加，輸入下層卷積神經(jīng)網(wǎng)絡(luò)，下層卷積神經(jīng)網(wǎng)絡(luò)將感受到不同尺度上的特征，并對(duì)多尺度特征進(jìn)行融合和抽象。

4.如權(quán)利要求3所述的一種基于多尺度單極三維檢測(cè)網(wǎng)絡(luò)的激光雷達(dá)目標(biāo)檢測(cè)方法，其特征在于：所述多尺度單極三維檢測(cè)網(wǎng)絡(luò)的損失函數(shù)將類(lèi)別損失和目標(biāo)損失定義為交叉熵?fù)p失，將邊框回歸損失定義為平滑損失；在訓(xùn)練時(shí)，正負(fù)樣本都會(huì)計(jì)算類(lèi)別損失和目標(biāo)損失，而只對(duì)正樣本計(jì)算邊框損失。