[發明專利]激光雷達目標檢測識別方法、系統及計算機可讀存儲介質

有效

• 申請號: 202110592960.1
• 申請日: 2021-05-28
• 公開（公告）號: CN113267761B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 董博;毛磊;王智斌;王夏爽;魏琦
• 申請（專利權）人: 中國航天科工集團第二研究院
• 主分類號: G01S7/48
• 分類號: G01S7/48;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 中國航天科工集團公司專利中心 11024
• 代理人: 張國虹

本發明公開了一種激光雷達目標檢測識別方法、系統及計算機可讀存儲介質。該激光雷達目標檢測識別方法，對獲取的激光雷達點云數據進行二維投影，有效減少后續檢測識別的計算量；并且，利用卷積神經網絡對二維圖像進行目標檢測，避免了傳統手工設置特征繁瑣的工作流程。進一步，基于二維投影圖像和三維點云關聯的三維目標檢測識別法，能夠提升模型檢測識別的準確性和適用性，進而有效提升檢測識別效率，使得整體方案具有算法原理簡單、計算結果可靠等特點，可具體應用于激光雷達目標檢測識別中，具有廣闊的應用價值和市場前景。

技術領域

本發明涉及目標檢測識別技術領域，特別是涉及一種激光雷達目標檢測識別方法、系統及計算機可讀存儲介質。

背景技術

基于激光雷達的目標檢測識別技術在導引頭、自動駕駛、無人機自主飛行等領域已經得到了非常廣泛的應用。激光雷達可以獲得目標和場景的三維信息，是實現目標檢測和定位的有效手段，測距精度非常高，基本上可以達到正負一兩厘米，甚至到了毫米級，分辨率也非常高。機械激光雷達可以360度旋轉，同時角分辨率也比別的雷達高。在傳統的圖像處理領域中，常用的目標識別方法主要分為兩類：基于特征點提取的模型匹配方法與基于機器學習的樣本集訓練方法?；谀０迤ヅ涞姆椒ㄖ饕ㄟ^對場景中的目標進行特征點提取，并建立特征描述子，隨后與模型庫中的現有模型進行特征匹配，進而完成目標的識別操作；機器學習的方法主要是通過對大量的訓練樣本集進行人工標定，使用神經網路、決策樹、支持向量機等常用的訓練方法，得出多類目標的判別函數，從而對目標進行分類識別。

由于激光雷達本身的成像特點，其采集的目標點云通常只能反映物體某一表面的輪廓，不能反映物體的完整三維信息，且由于雷達的原始點云模型庫較少，不適合使用模板匹配的方法對點云目標進行識別，因此，傳統圖像處理方法不適應于激光雷達目標檢測識別領域。而目前針對激光雷達的機器學習方法研究較少，因此迫切需要一種可行的、有效的、具有較強學習能力和泛化能力的激光雷達目標檢測識別方法或系統。

發明內容

為解決現有技術中存在的上述問題，本發明提供了一種算法原理簡單、計算結果可靠、可具體應用于激光雷達目標檢測識別中的激光雷達目標檢測識別方法、系統及計算機可讀存儲介質。

為實現上述目的，本發明提供了如下方案：

一種激光雷達目標檢測識別方法，包括：

獲取激光雷達的三維點云數據；

對所述三維點云數據進行歸一化處理，得到歸一化后的三維點云數據；

將所述歸一化后的三維點云數據進行二維投影，得到二維投影數據；

根據所述二維投影數據得到二維目標檢測結果；

根據所述二維目標檢測結果得到3D目標檢測結果；所述3D目標檢測結果即為目標識別結果。

優選地，所述根據所述二維投影數據得到二維目標檢測結果，具體包括：

獲取CNN網絡模型；

采用所述CNN網絡模型以所述二維投影數據為輸入，得到二維目標檢測結果。

優選地，所述根據所述二維目標檢測結果得到3D目標檢測結果，具體包括：

獲取Voxel-Net網絡模型和先驗信息；

采用所述Voxel-Net網絡模型，以所述二維目標檢測結果和所述先驗信息為輸入得到3D目標檢測結果。

優選地，所述先驗信息的確定過程包括：

將所述二維目標檢測結果轉換為與待檢測目標對齊的2D框；

將所述2D框作為先驗信息。

根據本發明提供的具體實施例，本發明公開了以下技術效果：