System.Exception: 字符串 'guowangjiangsushengdianliyouxiangongsishuangchuangzhongxinguowangjiangsushengdianliyouxiangongsiguowangjiangsuzonghenengyuanbiwuyouxiangongsiguowangshanghainengyuanhulianwangyanjiuyuanyouxiang' 后的引号不完整。 “guowangjiangsushengdianliyouxiangongsishuangchuangzhongxinguowangjiangsushengdianliyouxiangongsiguowangjiangsuzonghenengyuanbiwuy”附近有语法错误。 在 DBUtility.DbHelperSQL.RunProcedure(String storedProcName, IDataParameter[] parameters, Int32& rowsAffected) 在 DAL.APT_Common.Update(String tbName, String filter, String where) 在 zhuanliShow.pingyinfenlei(String id) 一种无需数据标注的开放点云目标检测方法及系统技术方案_技高网
当前位置: 首页 > 专利查询>>正文

一种无需数据标注的开放点云目标检测方法及系统技术方案

技术编号：37326542 阅读：11 留言：0更新日期：2023-04-21 23:05
本发明专利技术公开了一种无需数据标注的开放点云目标检测方法及系统，方法包括以下步骤：建立数据集；建立双检测头的开放场景点云前景目标检测网络；基于数据集对开放场景点云前景目标检测网络进行训练；基于对比损失增大前景和背景类各自的类内相似度，减小类间相似度；基于组合预测策略预测未知障碍物；本发明专利技术通过训练策略在障碍物已知的数据集上拉大前景背景目标的分布差异，结合多头输出融合策略来预测障碍物，包含已知和未知的障碍物。包含已知和未知的障碍物。包含已知和未知的障碍物。

全部详细技术资料下载

【技术实现步骤摘要】
一种无需数据标注的开放点云目标检测方法及系统


[0001]本专利技术涉及自动驾驶领域，尤其涉及一种无需数据标注的开放点云目标检测方法及系统。

技术介绍

[0002]目标跟踪在自动驾驶以及安防系统里有着重要的应用价值。但目前的目标检测不论是基于2Drgb图像还是点云，都极度依赖于数据标注。这对一些特殊场景存在挑战，比如铁轨上的障碍物检测，出于运行安全考虑，铁轨上是不允许有障碍物出现的，这会影响到火车的行驶安全。常用的检测方法需要数据标注，且只能识别出数据标注里限定的目标类别。因此常用的检测方法在铁轨障碍物检测上存在2个问题：
[0003]铁轨上出现障碍物属于小概率异常事件，据粗略统计每千万公里出现一个障碍物，因此这对需要大量数据训练的传统检测模型带来挑战，这导致的直接结果就是采集不到足够的数据来训练模型。
[0004]识别类别数量的有限性与真实世界目标无限性的冲突，通过数据标注得到的数据类别必然是有限的，假设标注得到100类目标，但由于铁轨上可能出现的目标时现实世界里的所有目标，这些没有出现在标注得到的100类目标中的物体将会无法被模型检测出来，从而漏检并在障碍物出现时带来交通事故。
[0005]目前业界还没有针对铁轨场景下任意目标识别的端到端3D障碍物检测方法，现在主要通过驾驶员人工实现，由于人不可避免的会有疲劳，寻找一种可靠高效的替代方案尤为迫切。另外现有技术的轨道交通自动驾驶只能检测出有限类别，超过类别的障碍物无法识别，例如对比文件CN 114119729 A障碍物识别方法及装置，CN 114862957 A一种基于3D激光雷达的地铁车底定位方法。

技术实现思路

[0006]本专利技术的目的是为了提供一种无需数据标注的开放点云目标检测方法及系统，在没有数据额外标注的前提下，实现任意障碍物识别的点云目标检测，无需数据标注的开放点云目标检测，实现无限类别障碍物的检测。
[0007]为解决以上技术问题，本专利技术的技术方案为：
[0008]第一方面，提供一种无需数据标注的开放点云目标检测方法，包括以下步骤：
[0009]S1，建立数据集D；
[0010]S2，建立双检测头的开放场景点云前景目标检测网络；
[0011]S3，基于数据集D对开放场景点云前景目标检测网络进行训练；
[0012]S4，基于对比损失(constrastive loss)增大前景和背景类各自的类内相似度，减小类间相似度；
[0013]S5，基于组合预测策略预测未知障碍物。
[0014]优选地，S1的建立数据集D具体包括以下步骤：
[0015]S101：在火车行进过程中进行点云数据采集，利用点云聚类算法对铁轨两旁出现的障碍物进行聚类，得到障碍物的位置，截取聚类得到的障碍物，放置在铁轨上方或者铁轨周边，模拟铁轨上的障碍物，得到聚类目标数据集D
sur
，聚类目标数据集D
sur
包括2类目标；
[0016]S102：基于历史数据的自动驾驶数据集的标注框截取具体的目标点云，并将目标点云随机放在铁轨周边，得到C类目标数据集D
gen
，C类目标数据集D
gen
中的数据有具体类别，每一个数据表示一类目标；
[0017]S103：集合聚类目标数据集D
sur
和C类目标数据集D
gen
，获得数据集D＝{D
sur
,D
gen
}；数据集D中类别一共是C+2类，其中聚类目标数据集D
sur
有2个类别(前景背景预测包括0,1两类目标；0表示背景，1表示前景)，C类目标数据集D
gen
的前景类别数是有C类，前景包括C类目标。
[0018]优选地，S2中，双检测头的开放场景点云前景目标检测网络，包括：点云预处理单元、主干网单元和检测头单元，其中检测头单元包括前景预测网络(RPN，region proposal network)和多类别目标检测网络(Detection Head)；
[0019]点云预处理单元基于激光雷达采集的数据生成伪二维的图像；
[0020]主干网单元基于伪二维的图像输出中间特征；
[0021]多类别目标检测网络包括2层卷积和4个属性预测分支，属性预测分支分别预测障碍物类别(预测障碍物类别通过障碍物类别分类概率表示)、3D框中心点位置、3D框大小和偏航角；
[0022]前景预测网络以中间特征作为输入，中间特征经过一层卷积将特征通道维度降为1，经过softmax函数得到障碍物类别分类概率，获得最高的N个障碍物类别分类概率的概率值对应的像素位置；同时，中间特征经过调制卷积得到调制特征，以最高的N个障碍物类别分类概率的概率值对应的像素位置为位置索引，提取出对应的局部特征，局部特征组成新的特征向量，新的特征向量经全连接层调制后，同时送入4个属性预测分支，分别得到障碍物类别分类概率、3D框中心点位置、3D框长宽高和偏航角。
[0023]优选地，S3的基于数据集D对开放场景点云前景目标检测网络进行训练具体包括以下步骤：
[0024]S301：基于不同的权重训练聚类目标数据集D
sur
和和C类目标数据集D
gen
，具体包括：
[0025]S3011：基于前景预测网络训练损失：
[0026][0027]其中，W1表示聚类目标数据集D
sur
训练过程中的权重；
[0028]W2表示C类目标数据集D
gen
训练过程中的权重；
[0029]L
RPN
表示前景预测网络总的损失函数；
[0030]L
reg
是平滑绝对误差损失；
[0031]L
cls
是前景背景二分类的分类损失；
[0032]l
pre
是数据集D经过前景预测网络对障碍物类别的预测结果，l
gt
是前景背景预测
(目标是否是前景的标签)，前景背景预测包括0,1两类目标；0表示背景，1表示前景；
[0033]b
pre
是数据集D经过前景预测网络对目标3D框预测的结果，b
gt
是数据集D中的标注数据对应的训练真值，所述标注数据对应的训练真值包括3D框中心点位置、3D框大小和偏航角；
[0034]S3012：基于多类别目标检测网络训练损失：
[0035][0036]其中，L
Det
表示多类别目标检测网络总的训练损失；
[0037]L
reg
是平滑绝对误差损失；
[0038]LL
cls
是多分类的分类损失，类别数是C+2；
[0039]cls
pre
数据集D经过多类别目标检测网络对障碍物类别的预测结果，cls
gt
是类别预测，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无需数据标注的开放点云目标检测方法，其特征在于：包括以下步骤：S1，建立数据集D；S2，建立双检测头的开放场景点云前景目标检测网络；S3，基于数据集D对开放场景点云前景目标检测网络进行训练；S4，基于对比损失增大前景和背景类各自的类内相似度，减小类间相似度；S5，基于组合预测策略预测未知障碍物。2.根据权利要求1所述的无需数据标注的开放点云目标检测方法，其特征在于：S1的建立数据集D具体包括以下步骤：S101：采集点云数据，利用点云聚类算法对铁轨两旁出现的障碍物进行聚类，得到障碍物的位置，截取聚类得到的障碍物，放置在铁轨周边，模拟铁轨上的障碍物，得到聚类目标数据集D
sur
，聚类目标数据集D
sur
包括2类目标；S102：基于历史数据的自动驾驶数据集的标注框截取具体的目标点云，并将目标点云随机放在铁轨周边，得到C类目标数据集D
gen
，C类目标数据集D
gen
中的数据有具体类别，每一个数据表示一类目标；S103：集合聚类目标数据集D
sur
和C类目标数据集D
gen
，获得数据集D＝{D
sur
,D
gen
}；数据集D中类别一共是C+2类，其中聚类目标数据集D
sur
有2个类别，C类目标数据集D
gen
的前景类别数是有C类，前景包括C类目标。3.根据权利要求1所述的无需数据标注的开放点云目标检测方法，其特征在于：S2中，双检测头的开放场景点云前景目标检测网络，包括：点云预处理单元、主干网单元和检测头单元，其中检测头单元包括前景预测网络和多类别目标检测网络；点云预处理单元基于激光雷达采集的数据生成伪二维的图像；主干网单元基于伪二维的图像输出中间特征；多类别目标检测网络包括2层卷积和4个属性预测分支，属性预测分支分别预测障碍物类别、3D框中心点位置、3D框大小和偏航角；前景预测网络以中间特征作为输入，中间特征经过一层卷积将特征通道维度降为1，经过softmax函数得到障碍物类别分类概率，获得最高的N个障碍物类别分类概率的概率值对应的像素位置；同时，中间特征经过调制卷积得到调制特征，以最高的N个障碍物类别分类概率的概率值对应的像素位置为位置索引，提取出对应的局部特征，局部特征组成新的特征向量，新的特征向量经全连接层调制后，同时送入4个属性预测分支，分别得到障碍物类别分类概率、3D框中心点位置、3D框长宽高和偏航角。4.根据权利要求1所述的无需数据标注的开放点云目标检测方法，其特征在于：S3的基于数据集D对开放场景点云前景目标检测网络进行训练具体包括以下步骤：S301：基于不同的权重训练聚类目标数据集D
sur
和和C类目标数据集D
gen
：具体包括：S3011：基于前景预测网络训练损失：其中，W1表示聚类目标数据集D
sur
训练过程中的权重；
W2表示C类目标数据集D
gen
训练过程中的权重；L
RPN
表示前景预测网络总的损失函数；L
reg
是平滑绝对误差损失；L
cls
是前景背景二分类的分类损失；l
pre
是数据集D经过前景预测网络对障碍物类别的预测结果，l
gt
是前景背景预测，前景背景预测包括0,1两类目标；0表示背景，1表示前景；b
pre
是数据集D经过前景预测网络对目标3D框预测的结果，b
gt
是数据集D中的标注数据对应的训练真值，所述标注数据对应的训练真值包括3D框中心点位置、3D框大小和偏航角；S3012：基于多类别目标检测网络训练损失：其中，L
Det
表示多类别目标检测网络总的训练损失；L
reg
是平滑绝对误差损失；LL
cls
是多分类的分类损失，类别数是C+2；cls
pre
数据集D经过多类别目标检测网络对障碍物类别的预测结果，cls
gt
是类别预测，有C+2类目标；bb
pre
是数据集D经过多类别目标检测网络对目标3D框预测的结果；S302：将训练后的聚类目标数据集D
sur
和C类目标数据集D
gen
输入到基于开放场...

【专利技术属性】
技术研发人员：马琎劼，许洪华，周显威，王德顺，耿瑶，杨楠，曹远志，王开毅，钱熠，庄俊，
申请(专利权)人：国网江苏省电力有限公司双创中心国网江苏省电力有限公司国网江苏综合能源服务有限公司国网上海能源互联网研究院有限公司中国电力科学研究院有限公司南京分院国家电网有限公司，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人
相关技术
网友询问留言 已有0条评论

  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1
发布您的意见
相关领域技术

关于我们 | 联系我们 | 支付方式

Copyright © 2018 All Rights Reserved.

津ICP备16005673号-1 津公网安备 12019202000132号 技高德科技（天津）有限公司版权所有