[發明專利]一種基于CNN點云目標檢測的配準方法

在審

• 申請號: 202011545903.X
• 申請日: 2020-12-23
• 公開（公告）號: CN112700479A
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 文博;張劍;梁爽;陸天翼;熊祺;姜曉旭;賴豪文
• 申請（專利權）人: 北京超星未來科技有限公司
• 主分類號: G06T7/33
• 分類號: G06T7/33;G06N3/04;G06N3/08
• 代理公司: 北京清大紫荊知識產權代理有限公司 11718
• 代理人: 彭一波

1.一種基于CNN點云目標檢測的配準方法，其特征在于，包括以下步驟:

獲取源點云數據；

將所述源點云數據輸入CNN模型，計算得到中心偏移預測信息和物體預測信息，所述中心偏移預測信息用于判定是否為相同物體的點，所述物體預測信息用于判定是否為障礙物點；

在GPU上對所述源點云中的障礙物點進行剔除并生成用于點云配準的輸入點云；

利用所述輸入點云進行點云配準。

2.根據權利要求1所述的基于CNN點云目標檢測的配準方法，其特征在于，所述將所述源點云數據輸入CNN模型，得到中心偏移預測信息和物體預測信息，具體步驟為：

將所述源點云輸入到所述CNN模型的前處理模塊，在局部坐標系中構建俯視圖2D網格，所述2D網格包含若干個單元格；

基于所述源點云中點的X、Y坐標數據，將所述源點云中的每個點均映射到各自所屬的所述單元格中；

映射結束后，計算所述2D網格內每個單元格中點的若干個統計測量，并將所述若干個統計測量分別傳遞給所述CNN模型的輸入通道特征，所述統計測量與所述輸入通道特征一一對應；

將所述輸入通道特征輸入至所述CNN模型進行計算，得到中心偏移預測信息和物體預測信息。

3.根據權利要求2所述的基于CNN點云目標檢測的配準方法，其特征在于，所述在GPU上對所述源點云中的障礙物點進行剔除并生成用于點云配準的輸入點云，具體步驟為：

將所述源點云從CPU內存拷入GPU顯存；

在所述GPU顯存中創建局部坐標系俯視圖2D網格，所述2D網格包含若干個單元格；

為所述源點云中的每一個點分配一個GPU線程，根據點的X，Y坐標將每一個點映射到所述2D網格中各自所屬的單元格；

為每一個所述2D網格的單元格分配一個GPU線程，每一個單元格都被看作是一個節點，利用所述CNN模型輸出的所述物體預測信息判定各個節點是否為障礙物節點，利用所述中心偏移預測確定各個節點的中心節點；

為每一個所述2D網格的單元格分配一個GPU線程，根據確定的每一節點的中心節點，結合快慢指針算法，將所有屬于相同物體的節點進行鏈接形成鏈表；

為每一個所述2D網格的單元格分配一個GPU線程，隨機為每個節點分配置信度；

為每一個所述2D網格的單元格分配一個GPU線程，利用快慢指針和GPU原子操作為每一個節點搜尋父節點，一個鏈表中置信度最大的節點被選為該鏈表的父節點，鏈表當中的所有節點擁有相同的父節點和中心節點，并根據所述物體預測信息將所有鏈表中的節點更新為障礙物節點；

為所述源點云中的每一個點分配一個GPU線程，檢查該點是否被標記為障礙物節點，若是，則剔除該點，若不是，則保留該點；

濾除障礙物點后生成配準模塊的輸入點云。

4.根據權利要求1所述的基于CNN點云目標檢測的配準方法，其特征在于，所述CNN模型為CNNSeg模型、PointPillars模型、Complex-YOLO模型和SECOND模型中的一種。

5.根據權利要求2所述的基于CNN點云目標檢測的配準方法，其特征在于，所述統計測量為單元格中點的最大高度、單元格中點的最大強度、單元格中點的平均高度、單元格中點的平均強度、單元格中的點數、單元格中心相對于原點的角度、單元格中心與原點之間的距離和二進制值標示單元格是空還是被占用。

6.根據權利要求3所述的基于CNN點云目標檢測的配準方法，其特征在于，所述每個節點的置信度互不相等。