[發(fā)明專利]基于點(diǎn)云的目標(biāo)檢測方法

有效

• 申請?zhí)枺?/td>: 202011036882.9
• 申請日: 2020-09-28
• 公開（公告）號: CN112183330B
• 公開（公告）日: 2022-06-28
• 發(fā)明（設(shè)計）人: 劉博;王瑜;周付根
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/25;G06V10/46;G06V10/82;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于點(diǎn)云的目標(biāo)檢測方法，方法包括：采用最遠(yuǎn)點(diǎn)取樣FPS對點(diǎn)云采樣得到點(diǎn)的集合A；采用第一PointSIFT網(wǎng)絡(luò)提取集合A的特征集合B；根據(jù)特征集合B，將集合A中的點(diǎn)分為前景點(diǎn)和背景點(diǎn)；對每一個前景點(diǎn)回歸一個三維候選框，組成第一候選框集合C₁；采用NMS算法抑制噪聲，合并置信度高的候選框，組成第二候選框集合C₂；將集合C₂中所有候選框內(nèi)的點(diǎn)池化并轉(zhuǎn)換到規(guī)范坐標(biāo)，得到集合D；將集合D與集合B作為第二PointSIFT網(wǎng)絡(luò)的輸入，提取集合D中置信度高于第三閾值的候選框作為目標(biāo)。相比于現(xiàn)有技術(shù)，本發(fā)明方案采用PointSIFT進(jìn)行特征提取，以捕捉不同方向的局部特征，引入NMS算法來減少噪聲點(diǎn)和離群點(diǎn)的影響，減少了目標(biāo)檢測的計算量，也提高了準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明涉及三維點(diǎn)云處理領(lǐng)域，特別是涉及一種基于點(diǎn)云的目標(biāo)檢測方法。

背景技術(shù)

基于三維點(diǎn)云的目標(biāo)檢測廣泛應(yīng)用于自動駕駛領(lǐng)域，是感知道路場景中車輛及其他障礙物的關(guān)鍵技術(shù)之一。目前，自動駕駛領(lǐng)域場景感知的硬件系統(tǒng)主要有攝像頭，毫米波雷達(dá)，激光雷達(dá)，超聲波探測器。激光雷達(dá)通過發(fā)射激光束，然后接受來自目標(biāo)的返回激光束，根據(jù)時間差測量障礙物目標(biāo)與傳感器器之間的距離，獲得的點(diǎn)云數(shù)據(jù)能較好的還原目標(biāo)的結(jié)構(gòu)信息，且具有測量精度高、測距范圍廣、受光照、天氣影響小等優(yōu)點(diǎn)，被廣泛配備在無人駕駛汽車上，使基于激光的三維點(diǎn)云數(shù)據(jù)的目標(biāo)檢測算法受到了廣泛關(guān)注。

近年來，深度學(xué)習(xí)開始廣范應(yīng)用于圖像的目標(biāo)檢測領(lǐng)域，其通過學(xué)習(xí)深度非線性網(wǎng)絡(luò)結(jié)構(gòu)來表征輸入數(shù)據(jù)并實(shí)現(xiàn)復(fù)雜的函數(shù)逼近。在道路環(huán)境車輛無人駕駛等應(yīng)用場景下，不僅需要獲得車輛等目標(biāo)的位置及三維尺寸信息，還需要獲得目標(biāo)物體在三維空間中的旋轉(zhuǎn)角等數(shù)據(jù)。激光點(diǎn)云數(shù)據(jù)具有稀疏性、無序性，如何將不規(guī)則的點(diǎn)云數(shù)據(jù)，與深度學(xué)習(xí)結(jié)合是現(xiàn)有技術(shù)中研究的熱點(diǎn)。

2017年Charles R.Qi等人提出的PointNet首先將深度學(xué)習(xí)應(yīng)用于三維點(diǎn)云數(shù)據(jù)，直接使用點(diǎn)云數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，提取點(diǎn)云數(shù)據(jù)的特征，可以較好地完成分類、部件分割以及大場景語義分割等應(yīng)用任務(wù)。針對三維點(diǎn)云無序性的特點(diǎn)，PointNet通過MaxPooling對稱函數(shù)提取三維點(diǎn)云中每個點(diǎn)的特征，可以較好的獲得全局特征。為了保證點(diǎn)云數(shù)據(jù)的旋轉(zhuǎn)和平移不變性，PointNet訓(xùn)練了小型神經(jīng)網(wǎng)絡(luò)STN，通過點(diǎn)云的位置信息學(xué)習(xí)到一個最有利于網(wǎng)絡(luò)進(jìn)行分類或分割的旋轉(zhuǎn)矩陣，對激光點(diǎn)云數(shù)據(jù)的調(diào)整，從而實(shí)現(xiàn)數(shù)據(jù)對齊。但PointNet網(wǎng)絡(luò)在提取特征時只考慮了逐點(diǎn)特征以及全局特征，沒有局部結(jié)構(gòu)信息，此外實(shí)際場景中的點(diǎn)云是疏密不同的，而PointNet對點(diǎn)云進(jìn)行了均勻采樣，因此在實(shí)際應(yīng)用時準(zhǔn)確率較低。在現(xiàn)有工程實(shí)踐中，一系列新的網(wǎng)絡(luò)模型大多延續(xù)了PointNet，因此難以緩解其技術(shù)上的不足，使得檢測結(jié)果不佳。

鑒于此，本發(fā)明提出一種基于點(diǎn)云的目標(biāo)檢測方法，使用PointSIFT代替PointNet作為特征提取網(wǎng)絡(luò)，引入NMS算法以抑制噪聲目標(biāo)，提高目標(biāo)檢測的準(zhǔn)確率。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于點(diǎn)云的目標(biāo)檢測方法，包括：采用最遠(yuǎn)點(diǎn)取樣FPS對點(diǎn)云采樣得到點(diǎn)的集合A；采用第一PointSIFT網(wǎng)絡(luò)提取集合A的特征集合B；根據(jù)特征集合B，將集合A中的點(diǎn)分為前景點(diǎn)和背景點(diǎn)；對每一個前景點(diǎn)回歸一個三維候選框，組成第一候選框集合C₁；采用NMS算法剔除集合C₁中置信度分?jǐn)?shù)低于第一閾值的候選框，合并集合C₁中置信度高于第二閾值的候選框，組成第二候選框集合C₂；將集合C₂中所有候選框內(nèi)的點(diǎn)池化并轉(zhuǎn)換到規(guī)范坐標(biāo)，得到集合D；將集合D與集合B作為第二PointSIFT網(wǎng)絡(luò)的輸入，提取集合D中置信度高于第三閾值的候選框作為目標(biāo)。