[發明專利]一種點云檢測方法及系統

在審

• 申請號: 202310052085.7
• 申請日: 2023-02-02
• 公開（公告）號: CN116030023A
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 郭杰龍;魏憲;俞輝;邵東恒;張劍鋒;李杰
• 申請（專利權）人: 泉州裝備制造研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/25;G06V10/764;G06V10/82;G06V10/766;G06N3/042;G06N3/08
• 代理公司: 北京盛詢知識產權代理有限公司 11901
• 代理人: 郭成文

本申請公開了一種點云檢測方法及系統，其中方法包括：獲取目標視覺場景中待檢測圖像的激光點云數據；通過提高激光點云數據的回歸框尺度精度，得到訓練集；對訓練集進行優化，得到優化訓練集；利用優化訓練集構建網絡模型；并利用網絡模型對點云數據進行目標檢測。本申請可以有效緩解遮擋帶來的物體邊界不確定性，提升被遮擋物體的檢測精度；同時本申請還設計定位引導分類項，來引導相對高質量正樣本和相對低質量正樣本的監督標簽權重進而緩解相對高質量正樣本或相對低質量正樣本和分類置信度之間的偏差，提高檢測準確性。

技術領域

本申請涉及激光點云領域，具體涉及一種點云檢測方法及系統。

背景技術

激光點云是一種直觀、靈活和存儲效率高的三維數據表示方法，在三維視覺中已變得不可或缺。大規模激光雷達數據集的出現和端到端3D表示學習的巨大進步推動了基于點云的分割、生成和檢測任務的發展。所以，激光點云數據的學習和處理對于促進機器理解3D世界非常重要，有利于促進許多重要的現實世界應用的開發，如自主駕駛技術。

激光雷達相比傳統視覺攝像頭能夠感知出更多的結構信息和距離信息，并且受光照的影響比較小，因此激光雷達在無人駕駛車輛上快速普及。基于此種趨勢，涌現了非常多的基于激光點云的目標檢測算法。通常，3D探測器分為兩類，單階段檢測網絡直接從輸入中學習的特征回歸邊界框和置信度；兩階段檢測網絡在第二階段使用區域建議對齊特征來優化第一階段預測。所以，兩階段檢測網絡由于增加第二級對第一級的檢測框進行更精確的修正而獲得更高的精度，而單階段檢測網絡由于網絡結構更簡單，通常運行得更快，更能夠滿足無人駕駛等實際場景中的實時性要求。

目標檢測中檢測精度受定位精度或回歸框質量影響較大，在室外激光點云檢測任務中，目標物體會存在被遮擋的情況，依據激光點云的生成方式，這種遮擋會使物體的點云表示沒有明確的邊界，從而在訓練時難以確定回歸框的尺度，緩解這種問題的一種方法是知識蒸餾。早期的知識蒸餾方法通常是訓練學生網絡模仿教師網絡預測的分類概率分布，在目標檢測網絡模型中的知識蒸餾方法通常分為三類：應用于分類監督標簽的Logit蒸餾方法，但是之前的相關學者指出，用于分類的原始logit蒸餾技術效率低，只能傳遞語義知識；應用于特征層中基于不同的分割區域來提取中間特征，自適應的對齊教師網絡和學生網絡的特征圖，但是檢測任務中大量的背景樣本正負樣本不均衡使得特征蒸餾缺陷明顯；將教師網絡模型預測的邊界框作為額外的回歸目標的“偽回歸框”蒸餾方法。目前應用于目標檢測的蒸餾方法都是基二維圖像來設計的，不適合直接運用到激光點云目標檢測中。

發明內容

為了滿足自動駕駛等任務的高精度和高效率的需求，本申請設計了單階段檢測網絡以解決基于激光點云的三維檢測任務。

為了實現上述目的，本申請提供了一種點云檢測方法，步驟包括：

獲取目標視覺場景中待檢測圖像的激光點云數據；

通過提高所述激光點云數據的回歸框尺度精度，得到訓練集；

對所述訓練集進行優化，得到優化訓練集；

利用所述優化訓練集構建網絡模型；利用所述網絡模型對點云數據進行目標檢測。

優選的，得到所述訓練集的方法包括：構建知識蒸餾網絡；所述知識蒸餾網絡包括：教師檢測網絡和學生檢測網絡；所述教師檢測網絡和所述學生檢測網絡擁有相同的點云編碼和特征提取結構。

優選的，利用所述知識蒸餾網絡得到所述訓練集的方法包括：

對所述尺度精度進行連續值離散化后做概率擬合；

為所述學生檢測網絡增加約束；

利用增加約束后的所述學生檢測網絡對所述回歸框進行蒸餾，得到所述訓練集。

優選的，對所述回歸框進行蒸餾的方法包括：

對正樣本回歸框的尺度進行處理，并記錄每條邊的數據；