[發明專利]一種基于激光雷達點云數據的三維目標檢測方法

有效

• 申請號: 202010433849.3
• 申請日: 2020-05-21
• 公開（公告）號: CN111681212B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 郭裕蘭;張永聰;陳銘林;敖晟
• 申請（專利權）人: 中山大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

本發明公開了一種基于激光雷達點云數據的三維目標檢測方法，所述方法根據激光雷達點云的數據特征，采取一種稠密的數據表達形式，以得到稠密的特征并將三維特征轉換為二維特征，有效提高運算效率并提升運算精度。

技術領域

本發明涉及自動駕駛中的三維目標檢測技術領域，具體涉及基于激光雷達點云數據的三維目標檢測方法。

背景技術

激光雷達能獲取三維空間的物體信息，其通過物體表面的反射時間計算出物體在空間中的位置信息。

在車輛行使過程中，對位于車輛四周的三維目標檢測是自動駕駛中的基本組成部分。當前的自動駕駛車輛一般是通過融合圖像RGB信息與激光雷達點云信息進行目標檢測。本專利只使用激光雷達點云數據作為輸入進行感興趣物體的檢測。盡管在二維圖像里面的二維目標檢測已經獲得了重大進展，已經達到了極高的檢測精度，但是在在無人駕駛等場景下的三維激光雷達點云檢測效果仍然不佳，而這主要由激光雷達點云的稀疏性導致的。

進一步的說，蘋果公司在2018年提出了VoxelNet來對激光雷達點云輸入數據進行目標檢測。其將空間中的激光雷達點云數據進行體素化分割，將空間分割為一個個獨立體素并將體素內的點云數據使用類似PointNet的網絡VFELayer(特征學習網絡)進行特征提取。最后使用三維卷并在俯視圖方向對特征進行拼接后進行物體檢測。

但是，VoxelNet將三維空間進行三維分割，對每個分割出來的體素內的點云進行特征提取，形成了一張四維的特征圖(三維空間加一維特征)，從而需要使用三維卷積操作處理。其運算速度相較于二維卷積操作慢了一個量級。同時，由于點云的稀疏性，絕大部分的體素都是空的，因此三維卷積操作有極大的運算操作都是無用的卷積操作，但是仍需要浪費運算資源。

更進一步的說，PointPillars也是一種基于空間體素分割的網絡，與VoxelNet不同的是其在俯視圖方向上將空間切割成一條條長方體柱形，將柱形內的點云進行特征提取。這種方式處理出來的特征圖就是一張三維特征圖(二維空間加一維特征)，處理這種特征圖只需要使用二維卷積操作，與一般的RGB圖像物體檢測的特征圖一樣，因此可以直接采用二維RGB圖像檢測的后續框架進行處理。速度和精度性能相較于VoxelNet高許多。

PointPillars在柱形內特征提取的過程中，將同一豎直方向上的點云直接融合成了一個特征，這種融合方式較為粗糙，豎直方向上特征分布不明顯，同時鳥瞰特征圖中的特征也十分稀疏，導致二維卷積操作中有大量的算力被浪費。

發明內容

鑒于現有技術的不足，本發明探討一種基于激光雷達點云數據的三維目標檢測方法，旨在于解決VoxelNet與PointPillars的特征稀疏問題，構建一種稠密的特征表達形式。相比于VoxelNet，其擁有二維卷積的運算效率，相比于Pointpillars,其豎直方向上的點云特征并非強行壓縮在一起，保留了更多物體豎直方向上的特征，從而更好表達豎直方向上特征比較重要的目標。

更進一步的，本發明根據激光雷達點云的數據特征，采取一種稠密的數據表達形式，以得到稠密的特征并將三維特征轉換為二維特征，有效提高運算效率并提升運算精度。

為了實現上述目的，本發明采用如下技術方案：

一種基于激光雷達點云數據的三維目標檢測方法，所述方法包括以下步驟：

將點云表示成密集形的表面圖，圖中行數為K，其中K是激光雷達的通道數；給定一個激光雷達點p＝(x,y,z,r,)l，其中(x,y,z)，r和l∈{0,...,K-1}分別表示位置、反射率和點所在層數；點p位于表面圖S^h×w的網格(h,w)中，其中h＝l，

表面圖根據場景的表面，將三維點投影到二維網格中，對于表面圖的每個網格(h,w)，通過平均網格內的所有點，獲得質心點(h,w)網格內的深度的計算如下：