激光点云的检测方法、装置、车辆及存储介质制造方法及图纸

本申请涉及自动驾驶激光雷达感知技术领域，特别涉及一种激光点云的检测方法、装置、车辆及存储介质，其中，包括：提取激光点云的三维体素特征；识别三维体素特征中的非空体素中心点，通过体素查询方式确定每个非空体素中心点的相邻体素，并聚合所有相邻体素得到体素聚合特征；将体素聚合特征输入预先构建的检测头，输出三维检测框，并利用三维检测框检测激光点云中每个目标的点云特征，得到激光点云的检测结果。由此，解决了相关技术中基于体素的特征提取方法导致精确位置的丢失，降低算法精度；基于点的特征提取方法使得搜索难度较大，计算效率偏低，工程部署难度也较大等问题。工程部署难度也较大等问题。工程部署难度也较大等问题。

【技术实现步骤摘要】
激光点云的检测方法、装置、车辆及存储介质


[0001]本申请涉及自动驾驶激光雷达感知
，特别涉及一种激光点云的检测方法、装置、车辆及存储介质。

技术介绍

[0002]随着自动驾驶技术的兴起，基于激光雷达的3D(three dimensional，三维)感知技术越来越受到人们的关注，相比于应运用广泛的2D目标检测算法，3D的点云是一种无序的数据，然而从这些无序的点云中提取到可辨别的特征具有一定挑战性。
[0003]相关技术中，在3D目标检测中很大程度上依赖于3D数据，即基于体素的表达方式和基于点的特征提取表达方式。基于体素的特征提取方法主要将点云划分为规则的网格，更适用于卷积神经网络，能在更小的内存中进行更高效特征的提取。
[0004]然而，体素化的缺点在于体素化的过程当中会导致精确位置的丢失，如当前工程上主流的3D的体素的检测算法主要是在鸟瞰图上进行目标检测，这类算法主要的劣势在于三维特征转换到鸟瞰图上的过程，丢失了三维结构特征，导致算法精度下降。而基于点的特征提取方法由于没有信息损失，可以保留在原始点云中的精确位置信息，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种激光点云的检测方法，其特征在于，包括以下步骤：提取激光点云的三维体素特征；识别所述三维体素特征中的非空体素中心点，通过体素查询方式确定每个非空体素中心点的相邻体素，并聚合所有相邻体素得到体素聚合特征；将所述体素聚合特征输入预先构建的检测头，输出三维检测框，并利用所述三维检测框检测所述激光点云中每个目标的点云特征，得到激光点云的检测结果。2.根据权利要求1所述的方法，其特征在于，所述通过体素查询方式确定每个非空体素中心点的相邻体素，包括：将查询点量化为一个查询体素；计算所述查询体素与周围非空体素中心点之间的曼哈顿距离，若所述曼哈顿距离小于距离阈值，则处于所述距离阈值范围内的非空体素中心点为相邻体素。3.根据权利要求1或2所述的方法，其特征在于，所述聚合所有相邻体素得到体素聚合特征，包括：将全连接层的参数分别拆分为第一参数特征和第二参数特征，并将所述三维体素特征中体素点对应的矩阵拆分为第一矩阵和第二矩阵，其中，所述全连接层用于对所有相邻体素进行计算；根据所述第一参数特征和所述第一矩阵计算得到的矩阵进行体素查询得到第三矩阵，根据所述第二矩阵体素查询得到的矩阵和所述第二参数特征计算得到第四矩阵；聚合所述第三矩阵和所述第四矩阵得到第五矩阵，并对所述第五矩阵进行池化，得到所述体素聚合特征。4.根据权利要求1所述的方法，其特征在于，所述提取激光点云的三维体素特征，包括：将所述激光点云输入三维主干网络，输出所述激光点云的三维稀疏卷积结果；将所述三维稀疏卷积结果输入二维主干网络，将所述三维稀疏卷积结果转换为二维俯视图，并基于所述二维俯视图确定检测候选框；利用区域生成网络对所述检测候选框进行回归，得到目标回归框，基于所述目标回归框获取所述三维体素特征。5.根据权利要求1所述的方法，其特征在于，所述将所述体素聚合特征输入预先构建的检测头，输出三维检测框，包括：将所述体素聚合特征转换为特征向量；分别将所述特征向量输入第一分支检测头和第二分支检测头，输出一个或多个边界框以及每个边界框的置信度；将所述置信度大于阈值的边界框作为所述三维检测框。6.一种激光点云的检测装置，其特征在于，包括：提取模块，用于提取激光点云的三维体素特征；识别模块，用于识别所述三维体素特征中的非空体素中心点，通过体素查询方式确定每个非空...

【专利技术属性】
技术研发人员：钱少华，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：