一种基于图神经网络的三维点云目标检测算法制造技术

本发明专利技术一种基于图神经网络的三维点云目标检测算法，属于目标检测技术领域；包括步骤S1、获取点云数据集；步骤S2、完成点云语义图的构建；步骤S3、通过局部池化简化图结构，完成特征提取；步骤S4、进行图重构，将重构语义图输入空洞图卷积模块；步骤S5、将加权特征与步骤S3的特征进行拼接，用于步骤S7；步骤S6、全局池化选择最大值池化和求和池化的方法，得到全局特征向量；步骤S7、将步骤S5和S6得到的点云特征和图特征拼接计算后，输入到分类和定位分支，预测目标类别，画出3D检测框；步骤S8、计算损失，以梯度下降法收敛，直至损失最小，停止训练。本发明专利技术在现实场景下，能实现目标的分类和定位，具有较高的区分度。具有较高的区分度。具有较高的区分度。

【技术实现步骤摘要】
一种基于图神经网络的三维点云目标检测算法


[0001]本专利技术属于目标检测
，尤其涉及一种基于图神经网络的三维点云目标检测算法。

技术介绍

[0002]目前，三维目标检测研究方法包括基于激光雷达的检测方法、基于深度图像的检测方法等。但点云提供了真实世界的三维几何感知，能更精确地描述现实物体和环境特征。近年来，许多研究方法将激光点云作为输入，研究原始点云编码算法。基于三维点云的目标检测算法包括基于投影的检测方法、基于体素采样的检测方法以及直接面向点云的方法。
[0003]前两种方法先将点云转化为结构化数据，再采用卷积网络进行特征提取，但是存在计算复杂、特征丢失的问题。面向点云的检测方法又分为基于点的方法和基于图的方法，前者能有效捕捉局部特征，但不能获取点云之间的连接关系；后者保留了数据空间特征，能捕获点云拓扑结构。但是，部分研究的构图均匀度较弱，易受噪声影响。并且采用的图卷积算法难以避免点云特征信息不足和过平滑问题，容易损失有效信息，增加了点云识别难度，影响3D检测性能。

技术实现思路

[0004]本专利技术目的在于提供一种基于图神经网络的三维点云目标检测算法，以解决结构化的卷积模型已无法适用于非结构化的点云特征提取，将点云数据进行结构化处理又会增加计算损失。因此，选择将点云作为直接输入，不采用映射处理。然而，点云稀疏无序的特性，容易导致采样不均匀，引起噪声数据。点云编码算法难以规避信息不足和图卷积过平滑的问题。
[0005]为实现上述目的，本专利技术的一种基于图神经网络的三维点云目标检测算法的具体技术方案如下：
[0006]一种基于图神经网络的三维点云目标检测算法，包括以下步骤，且以下步骤顺次进行：
[0007]步骤S1、获取点云数据集，划分出训练集、验证集和测试集；
[0008]步骤S2、对训练数据中的原始点云集合进行采样和聚类的预处理后，对目标点云的邻域空间构建连接边，完成点云语义图的构建；
[0009]步骤S3、将点云图输入到局部池化模块中，提取局部深层抽象特征，进一步减少目标节点规模，简化图结构，将特征语义图输入到图卷积模块中，通过节点之间的连接关系完成特征交互，包括特征聚合和特征更新的计算过程；
[0010]步骤S4、在图卷积操作之后，以目标点云为中心进行邻域重构，将重构语义图输入空洞图卷积模块，增大卷积感知范围，降低邻域特征噪声影响；
[0011]步骤S5、通过注意力机制计算更新后的节点特征权重，将加权特征与所述步骤S3的特征进行向量拼接，用于步骤S7的池化操作；
[0012]步骤S6、全局池化模块的构建选择最大值池化和求和池化的方法，作为对称性函数，能实现点云的置换不变性，解决点的无序性问题；通过图卷积层的特征提取，已经获取到目标节点的邻域特征，为了实现全局特征的传递，将池化后的特征向量再进行均值池化，得到全局特征向量；均值函数相较于最大值函数的优势在于，最大值函数容易造成特征信息的丢失，而均值函数能更好地保留节点特征信息；
[0013]步骤S7、将步骤S5和S6得到的点云特征和图特征拼接计算后，输入到分类和定位分支，预测目标的类别，并画出3D检测框；
[0014]步骤S8、计算检测损失，以梯度下降法收敛，调整算法参数，直至损失最小，停止训练。
[0015]进一步，所述步骤S2点云语义图的构建流程包括：首先通过体素下采样算法，降低点云密度，保留有效信息；再通过KNN算法，遍历采样空间，确定目标点的K近邻；最后，在节点邻域空间中建立点的连接关系，构建邻接边，完成语义图构建。
[0016]进一步，所述步骤S2中原始点云集合为P，表示为：
[0017]P＝{P1，P2，P3......P
n
|(n≤N)}
[0018]其中P
i
属性表示为(x
i
，s
i
)，由三维空间坐标和状态属性组成，x
i
是点云的三维坐标(x
i
,y
i
,z
i
)∈R3状态属性，在激光点云数据集下，采用激光反射强度表示；
[0019]对于给定的点云集合P，通过KNN算法捕捉到的邻域点云集合为：
[0020][0021]捕捉到的拓扑关系表示为：
[0022]e(i,j)＝{(F
i
,F
j
)|j∈N
k
(i)}
[0023]其中，F表示邻域点云集合，e(i,j)表示连接关系，D表示空间距离度量方式，采样欧式距离计算，Max表示取最远距离，Min表示取最近距离。F
i
是目标中心点，F
k
是待采样点，N
k
(i)代表点F
i
的邻域空间，F
j
代表其中的邻节点。
[0024]进一步，所述步骤S2结束后，对训练数据先进行下采样处理，去除部分数据噪声，降低点云密度，得到目标点云集合；采用K最邻近算法对点云集合进行计算，使用Kd
‑
Tree索引提高查询效率，遍历采样空间后，选取目标点云的K近邻，再进行所述步骤S3。
[0025]进一步，所述步骤S3中的，将特征语义图输入到图卷积模块后，图卷积计算采用消息传递网络实现，包括节点特征传递和更新两个阶段；采用的图卷积计算方式除点云坐标外，另引入目标节点和邻节点状态s
i
和s
j
，加入目标节点自身属性，弥补点云特征不足的问题，进一步增强节点特征；构建优化的图卷积模块，并且采用自动配准机制，减少平移方差，实现点云平移不变性；
[0026]图卷积模块采用多层感知机完成特征映射；特征聚合函数选择最大值函数，针对点云无序性，通过求取特征最大值，实现局部置换不变性。
[0027]进一步，所述步骤S3中的领域特征噪声，采用门控循环单元(Gate Recurrent Unit，GRU)作为状态更新器，过滤点云图中存在的大量噪声信息，减缓网络过平滑现象；目标节点t+1时刻下的状态取决于此时的邻域聚合信息和t时刻的属性，通过门控信号，控制保留聚合特征中的有效信息，过滤噪声；通过门控信号的权重互补增强更新状态的稳定性，特征向量之间的复合计算，采用多层感知机实现。
[0028]具体为，所述步骤S3中图卷积模块采用的图卷积计算方法引入点云坐标外、目标
节点s
i
和邻节点状态属性s
j
，得到的图卷积特征聚合表达函数和特征更新函数为：
[0029][0030][0031]其中，l
t
使用多层感知机完成特征映射，获取深层抽象特征。p选择特征聚合方式为Max，针对点云无序性，通过Max方法实现局部置换不变性；h
t
(s
it
)使用节点i的状态计算了坐标偏移量，将h
t
输出设置为0时，禁用该自动配准机制；图卷积通过引入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的三维点云目标检测算法，其特征在于，包括以下步骤，且以下步骤顺次进行：步骤S1、获取点云数据集，划分出训练集、验证集和测试集；步骤S2、对训练数据中的原始点云集合进行采样和聚类的预处理后，对目标点云的邻域空间构建连接边，完成点云语义图的构建；步骤S3、将点云图输入到局部池化模块中，提取局部深层抽象特征，将特征语义图输入到图卷积模块中，通过节点之间的连接关系完成特征交互，包括特征聚合和特征更新的计算过程；步骤S4、在图卷积操作之后，以目标点云为中心进行邻域重构，将重构语义图输入空洞图卷积模块，增大卷积感知范围，降低邻域特征噪声影响；步骤S5、通过注意力机制计算更新后的节点特征权重，将加权特征与所述步骤S3的特征进行向量拼接，用于步骤S7的池化操作；步骤S6、全局池化模块的构建选择最大值池化和求和池化的方法，作为对称性函数，将池化后的特征向量再进行均值池化，得到全局特征向量；步骤S7、将步骤S5和S6得到的点云特征和图特征拼接计算后，输入到分类和定位分支，预测目标的类别，并画出3D检测框；步骤S8、计算检测损失，以梯度下降法收敛，调整算法参数，直至损失最小，停止训练。2.根据权利要求1所述的基于图神经网络的三维点云目标检测算法，其特征在于，所述步骤S2点云语义图的构建流程包括：首先通过体素下采样算法，降低点云密度，保留有效信息；再通过KNN算法，遍历采样空间，确定目标点的K近邻；最后，在节点邻域空间中建立点的连接关系，构建邻接边，完成语义图构建。3.根据权利要求1所述的基于图神经网络的三维点云目标检测算法，其特征在于，所述步骤S2中原始点云集合为P，表示为：P＝{P1，P2，P3......P
n
|(n≤N)}其中P
i
属性表示为(x
i
，s
i
)，由三维空间坐标和状态属性组成，x
i
是点云的三维坐标(x
i
,y
i
,z
i
)∈R3状态属性，在激光点云数据集下，采用激光反射强度表示；对于给定的点云集合P，通过KNN算法捕捉到的邻域点云集合为：捕捉到的拓扑关系表示为：e(i,j)＝{(F
i
,F
j
)|j∈N
k
(i)}其中，F表示邻域点云集合，e(i,j)表示连接关系，D表示空间距离度量方式，采样欧式距离计算，Max表示取最远距离，Min表示取最近距离。F
i
是目标中心点，F
k
是待采样点，N
k
(i)代表点F
i
的邻域空间，F
j
代表其中的邻节点。4.根据权利要求1所述的基于图神经网络的三维点云目标检测算法，其特征在于，所述步骤S2结束后，对训练数据先进行下采样处理，去除部分数据噪声，降低点云密度，得到目标点云集合；采用K最邻近算法对点云集合进行计算，使用Kd
‑
Tree索引提高查询效率，遍历采样空间后，选取目标点云的K近邻，再进行所述步骤S3。5.根据权利要求1...

【专利技术属性】
技术研发人员：李念峰，李岩，王玉英，陈发青，申向峰，范媛媛，曲鹏宇，王春湘，丁天娇，肖治国，
申请(专利权)人：长春大学，
类型：发明
国别省市：