[發明專利]一種無需后處理操作的3D目標檢測方法

有效

• 申請號: 202110276978.0
• 申請日: 2021-03-15
• 公開（公告）號: CN113052031B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 劉子立;蔡登;徐國棟;楊鴻輝;何曉飛
• 申請（專利權）人: 浙江大學
• 主分類號: G06V20/64
• 分類號: G06V20/64;G06V10/774;G06K9/62
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 彭劍

本發明公開了一種無需后處理操作的3D目標檢測方法，包括：(1)初始化K個3D候選框和1個物體嵌入特征；(2)對輸入的點云樣本進行特征提取，得到點特征；(3)在點特征上提取K個3D候選框特征；(4)使用物體嵌入特征對3D候選框特征進行篩選和提取，得到K個特征；(5)使用自注意力模型讓K個特征交換特征信息，得到K個提議特征；(6)根據提議特征預測K個預測結果，并與標注信息一對一匹配后訓練；(7)用步驟(6)預測的K個預測結果的3D候選框替代步驟(1)的K個3D候選框，用步驟(5)得到的特征提議替代步驟(1)的物體嵌入；重復步驟(3)～(7)多次得到檢測結果。本發明可以解決現有3D目標檢測器存在冗余預測的問題。

技術領域

本發明屬于計算機視覺領域，尤其是涉及一種無需后處理操作的3D 目標檢測方法。

背景技術

3D目標檢測是一項廣泛應用于無人駕駛、室內物體檢測、機器人導航等的技術。3D目標檢測任務的輸入為點云數據，輸出的預測結果包括 3D框的位置，3D框中物體的類別，以及3D框的置信度。

近年來3D目標檢測器的檢測精度有了大幅提升，其中典型的工作包括：《DeepHough Voting for 3D Object Detection in Point Clouds》，《A Hierarchical GraphNetwork for 3D Object Detection on Point Clouds》，《H3dnet:3d object detectionusing hybrid geometric primitives》，《Mlcvnet: Multi-level context votenet for3d object detection》。

然而，這些檢測器的預測結果都存在大量的冗余(即一個物體會被重復檢測到多次)。因此，這些檢測器需要額外的后處理操作來去掉冗余的檢測框。然而，這些后處理操作常常會花費大量時間，阻礙了3D目標檢測器的實時應用。

3D物體檢測器的訓練流程可以概括為：輸入一個點云樣本，檢測器產生K個預測結果(即3D框的位置，3D框中物體的類別，以及3D框的置信度)。隨后，根據標注信息(即真實的3D框位置和3D框中物體的類別)來評估模型預測的K個結果，從而訓練模型。

現有的3D目標檢測器之所以會產生冗余的檢測，是因為在評估模型預測的K個結果時采用的是“一對多”的匹配策略，即可能模型預測的多個結果會匹配同一個真實的物體。這種策略導致模型無法分辨其預測的結果是否存在冗余。

除了3D目標檢測，2D目標檢測領域同樣存在上述“預測結果存在冗余”的問題。近期，2D目標檢測領域出現了一批方法來解決該問題。但是，相比2D目標檢測是在2D圖像中檢測物體，3D目標檢測需要在3D 空間中檢測物體。由于后者的搜索空間更大，因此2D目標檢測領域的解決方案是否能用于3D目標檢測依然是個疑問。

因此，需要設計一種新的3D目標檢測方法，在檢測過程中可以避免產生冗余的檢測，使得在評估模型預測的K個結果時采用“一對一”的匹配策略，即每個真實的物體僅匹配一個模型產生的結果。這種策略使模型可以分辨冗余的預測結果。然而，目前主流的3D目標檢測器在結構上并不適應這種策略。

發明內容

本發明提供了一種無需后處理操作的3D目標檢測方法，引入“一對一”的分配策略，同時采用新的結構來解決檢測結果存在冗余的問題。

一種無需后處理操作的3D目標檢測方法，包括以下步驟：

(1)在目標區域內，初始化K個3D候選框和1個物體嵌入特征；

(2)對輸入的點云樣本進行特征提取，得到點特征V；

(3)在點特征V上提取K個3D候選框的特征；

(4)使用物體嵌入特征對K個3D候選框的特征進一步進行篩選和提取，得到K個特征F∈R^K×C；