一种面向三维点云数据的物体模板框获取方法和装置制造方法及图纸

本发明专利技术实施方式提出一种面向三维点云数据的物体模板框获取方法和装置。采用基于双层K-Means聚类算法的三维物体模板框获取方式，以实现三维点云目标检测方案中的物体模板框选取流程。第一层聚类以数据初始大类为单位进行，而第二层聚类应用于第一层聚类得到的数据整体。而且，在第一层聚类之前，使用数据在各维度上的标准差作为维度自适应系数，分别对数据的各个维度进行变换，第一层聚类完成后，再对数据各维度进行反变换使其回到初始状态，从而实现维度自适应的聚类效果。实现维度自适应的聚类效果。实现维度自适应的聚类效果。

【技术实现步骤摘要】
一种面向三维点云数据的物体模板框获取方法和装置


[0001]本专利技术属于目标检测
，特别是一种面向三维点云数据的物体模板框获取方法和装置。

技术介绍

[0002]智能驾驶及辅助驾驶领域通常使用激光雷达作为目标物检测的主要传感器，通常使用的激光雷达目标物检测方法是在获取激光雷达点云后，对点云进行统一处理，对数据进行目标检测和识别。
[0003]在目前主流的二维或三维目标检测算法之中，都会用到两种物体框，一种为物体边界框(Bounding Box)，能够从目标所在图像或点云的位置，框出目标的边界；一种为物体模板框(Anchor Box)，它的作用是作为Bounding Box的模板，告诉目标检测算法所检测目标的Bounding Box的大致形状，使得目标检测算法能够通过Anchor Box还原出Bounding Box。
[0004]三维物体模板框具有长宽高三个维度，是三维目标检测问题中的一个重要组件，它为所有标出物体边界的Bounding Box建立一套模板作为其代表，为Bounding Box引入一定的先验知识，使得模型在训练时已知晓Bounding Box的大致形状，从而能够降低模型学习压力，提升目标检测精度。
[0005]不同的目标检测算法对Anchor Box的应用方式亦有所不同，比如在YOLOv2中，将相同的Anchor Box应用在网络倒数第一层与第二层；在SSD中，将Anchor Box乘以不同的缩放系数，然后分配到多层特征图中进行目标检测；在Frustum PointNets中，将Anchor Box应用在已完成语义分割的点云数据上。
[0006]大多数Anchor Box是基于经验和实验结果设定的，并未形成一种系统的Anchor Box生成方法，如Faster-RCNN与SSD中Anchor Box的设定。在YOLOv2与YOLOv3中，对二维的Bounding Box数据使用聚类算法来生成Anchor Box，有效提升了Anchor Box的质量，但并未考虑到Bounding Box在各维度上的分布差别。Frustum PointNets将物体各类别Bounding Box平均值作为各类物体的Anchor Box。由于同类物体因与数据采集设备的距离不同会形成Bounding Box比例上的差异，若差异过大则会造成Bounding Box尺寸的方差过大，那么此时平均值的数据代表性不高。

技术实现思路

[0007]本专利技术实施例提出一种面向三维点云数据的物体模板框获取方法和装置。
[0008]本专利技术实施例的技术方案如下：
[0009]一种面向三维点云数据的物体模板框获取方法，包括：
[0010]基于三维物体的三维点云数据获取三维物体边界框数据，其中所述三维物体边界框数据被分为m个大类，m为大于1的正整数，分别计算每个大类在每个维度上的标准差，所述维度包括长、宽和高；
[0011]针对所述m个大类中的每一大类，将该大类中的三维物体边界框数据在每个维度上分别乘以该大类的对应维度的标准差，基于以欧式距离为距离指标的第一层K-means聚类算法，将分别乘以该大类的对应维度的标准差后的、该大类中的三维物体边界框数据聚类为α个小类，其中α为大于1的正整数，再将所述α个小类中的每个小类的三维物体边界框数据分别除以该大类的对应维度的标准差；
[0012]基于以交并比为距离指标的第二层K-means聚类算法，将所述三维物体的m
×
α个小类的三维物体边界框数据聚类为β个类，其中β为大于1的正整数，将所述β个类的三维物体边界框数据确定为三维物体模板框。
[0013]在一个实施方式中，该方法还包括：
[0014]调节所述α和所述β；
[0015]基于调节后的α和调节后的β，确定调节后的三维物体模板框；
[0016]计算调节后的三维物体模板框和与所述调节后的三维物体模板最接近的三维物体边界框之间的第一平均交并比值，计算调节前的三维物体模板框和与调节前的三维物体模板最接近的三维物体边界框之间的第二平均交并比值；
[0017]基于所述第一平均交并比值与所述第二平均交并比值的差值，评估所述调节的效果，其中差值越高，调节的效果越优化。
[0018]在一个实施方式中，所述基于调节后的α和调节后的β，确定调节后的三维物体模板框包括：
[0019]针对所述m个大类中的每一大类，将该大类中的三维物体边界框数据在每个维度上分别乘以该大类的对应维度的标准差，基于以欧式距离为距离指标的第一层K-means聚类算法，将分别乘以该大类的对应维度的标准差后的、该大类中的三维物体边界框数据聚类为调节后的α个小类，其中调节后的α为大于1的正整数，再将所述调节后的α个小类中的每个小类的三维物体边界框数据分别除以该大类的对应维度的标准差；
[0020]基于以交并比为距离指标的第二层K-means聚类算法，将所述三维物体的、m与调节后的α的乘积个的小类的三维物体边界框数据聚类为调节后β个类，其中调节后β为大于1的正整数，将所述调节后β个类的三维物体边界框数据确定为调节后的三维物体模板框。
[0021]一种面向三维点云数据的物体模板框获取装置，包括：
[0022]数据获取模块，用于基于三维物体的三维点云数据获取三维物体边界框数据，其中所述三维物体边界框数据被分为m个大类，m为大于1的正整数，分别计算每个大类在每个维度上的标准差，所述维度包括长、宽和高；
[0023]第一层K-means聚类模块，用于针对所述m个大类中的每一大类，将该大类中的三维物体边界框数据在每个维度上分别乘以该大类的对应维度的标准差，基于以欧式距离为距离指标的第一层K-means聚类算法，将分别乘以该大类的对应维度的标准差后的、该大类中的三维物体边界框数据聚类为α个小类，其中α为大于1的正整数，再将所述α个小类中的每个小类的三维物体边界框数据分别除以该大类的对应维度的标准差；
[0024]第二层K-means聚类模块，用于基于以交并比为距离指标的第二层K-means聚类算法，将所述三维物体的m
×
α个小类的三维物体边界框数据聚类为β个类，其中β为大于1的正整数，将所述β个类的三维物体边界框数据确定为三维物体模板框。
[0025]在一个实施方式中，还包括：
[0026]调节模块，用于调节所述α和所述β；基于调节后的α和调节后的β，确定调节后的三维物体模板框；计算调节后的三维物体模板框和与所述调节后的三维物体模板最接近的三维物体边界框之间的第一平均交并比值，计算调节前的三维物体模板框和与调节前的三维物体模板最接近的三维物体边界框之间的第二平均交并比值；基于所述第一平均交并比值与所述第二平均交并比值的差值，评估所述调节的效果，其中差值越高，调节的效果越优化。
[0027]在一个实施方式中，所述调节模块，用于针对所述m个大类中的每一大类，将该大类中的三维物体边界框数据在每个维度上分别乘以该大类的对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向三维点云数据的物体模板框获取方法，其特征在于，包括：基于三维物体的三维点云数据获取三维物体边界框数据，其中所述三维物体边界框数据被分为m个大类，m为大于1的正整数，分别计算每个大类在每个维度上的标准差，所述维度包括长、宽和高；针对所述m个大类中的每一大类，将该大类中的三维物体边界框数据在每个维度上分别乘以该大类的对应维度的标准差，基于以欧式距离为距离指标的第一层K-means聚类算法，将分别乘以该大类的对应维度的标准差后的、该大类中的三维物体边界框数据聚类为α个小类，其中α为大于1的正整数，再将所述α个小类中的每个小类的三维物体边界框数据分别除以该大类的对应维度的标准差；基于以交并比为距离指标的第二层K-means聚类算法，将所述三维物体的m
×
α个小类的三维物体边界框数据聚类为β个类，其中β为大于1的正整数，将所述β个类的三维物体边界框数据确定为三维物体模板框。2.根据权利要求1所述的面向三维点云数据的物体模板框获取方法，其特征在于，该方法还包括：调节所述α和所述β；基于调节后的α和调节后的β，确定调节后的三维物体模板框；计算调节后的三维物体模板框和与所述调节后的三维物体模板最接近的三维物体边界框之间的第一平均交并比值，计算调节前的三维物体模板框和与调节前的三维物体模板最接近的三维物体边界框之间的第二平均交并比值；基于所述第一平均交并比值与所述第二平均交并比值的差值，评估所述调节的效果，其中差值越高，调节的效果越优化。3.根据权利要求2所述的面向三维点云数据的物体模板框获取方法，其特征在于，所述基于调节后的α和调节后的β，确定调节后的三维物体模板框包括：针对所述m个大类中的每一大类，将该大类中的三维物体边界框数据在每个维度上分别乘以该大类的对应维度的标准差，基于以欧式距离为距离指标的第一层K-means聚类算法，将分别乘以该大类的对应维度的标准差后的、该大类中的三维物体边界框数据聚类为调节后的α个小类，其中调节后的α为大于1的正整数，再将所述调节后的α个小类中的每个小类的三维物体边界框数据分别除以该大类的对应维度的标准差；基于以交并比为距离指标的第二层K-means聚类算法，将所述三维物体的、m与调节后的α的乘积个的小类的三维物体边界框数据聚类为调节后β个类，其中调节后β为大于1的正整数，将所述调节后β个类的三维物体边界框数据确定为调节后的三维物体模板框。4.一种面向三维点云数据的物体模板框获取装置，其特征在于，包括：数据获取模块，用于基于三维物体的三维点云数据获取三维物体边界框数据，其中所述三维物体边界框数据被分为m个大类，m为大于1的正整数，分别计算每个大类在每个维度上的...

【专利技术属性】
技术研发人员：马慧生，陈桂琛，韩璐，
申请(专利权)人：普天信息技术有限公司，
类型：发明
国别省市：