【技术实现步骤摘要】
一种类别引导中心点邻域搜索半径的三维目标检测方法
[0001]本专利技术属于自动驾驶感知
,涉及一种基于激光雷达点云的三维目标检测方法,特别是涉及一种类别引导中心点邻域搜索半径的三维目标检测方法。
技术介绍
[0002]为了全面了解驾驶环境,自动驾驶的感知系统涉及到许多基础视觉任务,例如目标检测和跟踪、车道线检测、语义和实例分割等。在这些感知任务中,3D目标检测是车辆感知系统中最不可或缺的任务。3D目标检测旨在预测3D空间中关键目标的位置、大小、朝向和类别,其中类别包括机动车辆、行人、骑自行车的人等。与仅在图像上生成2D边界框而忽略关键目标与当前车辆的实际距离信息的2D目标检测相比,3D目标检测则更侧重于对真实世界3D坐标系中目标的定位和识别。3D目标检测在现实世界坐标中预测的几何信息可以直接用于测量本车与关键目标之间的距离,并进一步帮助规划行驶路线和避免碰撞。
[0003]其中,根据激光雷达点云在3D目标检测方法中的表现形式和对应的特征提取网络可以分为基于体素、基于支柱、基于视图、基于点四种类型。
[0004]体素可以类比二维图像中的像素,是一种3D空间中规则的有序的数据表示形式。基于体素的方法首先将不规则点云根据坐标转换为紧凑形状的体素,以便通过3D卷积神经网络有效地提取用于3D目标检测的网格特征,接着将3D特征图沿着高度这一维度重塑为鸟瞰图视角下的2D特征,复用2D目标检测领域的区域候选网络来生成最终的3D检测框。VoxelNet是首个利用体素来完成3D目标检测任务的网络,它引入了体素特征 ...
【技术保护点】
【技术特征摘要】
1.一种类别引导中心点邻域搜索半径的3D目标检测方法,其特征在于,包括如下:(1)激光雷达点云基于点的表现形式,不改变点云的结构,最大程度保留点云原始的3D几何信息;在数据预处理阶段,需将不同场景采集的点云均降采样到一个固定数值N,作为神经网络的输入;(2)建立神经网络结构,利用已知的目标检测数据集对神经网络结构进行训练,设置总的损失函数对神经网络输出进行监督,获取完成训练的神经网络结构参数;(3)将自动驾驶场景下激光雷达采集的点云输入到训练完成的神经网络结构中,输出神经网络的类别信息和3D预测框回归残差,根据当前场景的分类结果和回归残差进行3D预测框的计算,获取最终的预测结果。2.根据权利要求1所述的类别引导中心点邻域搜索半径的3D目标检测方法,其特征在于,所述步骤(2)中所建立的神经网络结构,包括如下:基于点的特征提取主干网络、中心点生成模块、中心点邻域搜索半径生成模块、基于通道级注意力机制的中心点特征聚合模块和基于点锚框机制的检测头模块;点云的原始特征输入到基于点的特征提取主干网络中,进行特征提取,中心点生成模块和中心点邻域搜索半径生成模块并行在后,为后面基于通道级注意力机制的中心点特征聚合模块提供中心点3D坐标和中心点类别信息,基于通道级注意力机制的中心点特征聚合模块得到最终的中心点实例级特征向量,基于点锚框机制的检测头模块与所述中心点特征聚合模块相连,对最终的中心点实例级特征向量进行预测分类,作为神经网络的输出。3.根据权利要求1所述的类别引导中心点邻域搜索半径的3D目标检测方法,其特征在于,所述基于点的特征提取主干网络包含四个降采样
‑
特征聚合块首尾相连组成,前两个块中的降采样策略采用最远点采样算法,后两个块中的采样策略利用语义信息引导,特征聚合块操作保持一致。4.根据权利要求3所述的类别引导中心点邻域搜索半径的3D目标检测方法,其特征在于,输入点云为N个点,首先经过第一个降采样模块,最远点采样算法后,N1个点保留下来,然后完成特征聚合,具体来说,首先给N1个点设置统一的邻域搜索半径,搜索范围为初始点云的N个点,搜索方式为球形搜索,根据是否为邻居节点完成分组过程,于是保留下的N1个点均有n1个邻居节点,获得N1个分组;对于每个分组,需要完成特征聚合,首先将邻居节点特征输入多层感知机网络进行升级维度操作,为了保留明显的特征,在点维度进行最大池化操作,获取当前点的特征;为了获取不同层次的特征,邻域搜索过程进行两次,两次邻域搜索的半径不同,两次分组得到的不同层次特征再次输入多层感知机网络,完成特征融合;N1个点及其特征作为第二个降采样块的输入,和前一个块保持一致,首先需要进行最远点采样算法,得到保留下的N2个点,经过两次邻域搜索的分组过程完成特征汇合;此时保留下的点特征已经具备丰富的语义信息,于是利用语义信息监督降采样的过程,具体来说,将两个多层感知机层附加到编码层以进一步判断每个点的语义类别,其中,真值框内的点云被标记为前景点,当作点云的标签信息用来监督训练过程,N2个点及其特征作为第三个降采样块的输入,取前景点置信度最高的N3个点保留下来,经过两次邻域搜索分组完成特征汇合;N3个点以及特征作为第四个降采样块的输入,前景点置信度最高的N4个点得以保留,经过两次邻域搜索分组完成特征汇合,完成特征提取。5.根据权利要求4所述的类别引导中心点邻域搜索半径的3D目标检测方法,其特征在
于,所述中心点生成模块通过显式预测前景点到目标正中心的偏移量来完成预测,N4个点以及特征作为此模块的输入,经过两个多层感知机网络得到偏移量的输出,偏移量加上前景点坐标得到最终的目标中心坐标的预测值。6.根据权利要求4所述的类别引导中心点邻域搜索半径的3D目标检测方法,其特征在于,所述中心点邻域搜索半径生成模块通过预测前景点的类别信息来完成中心点类别的推断,N4个点以及特征作为此模块的输入,经过两个多层感知机网络来得到类别信息预测信息。7.根据权利要求4所述的类别引导中心点邻域搜索半径的3D目标检测方法,其特征在于,所述基于通道级注意力机制的中心点特征聚合模块的输入为中心点坐标的预测值、中心点的类别信息、N3个点以及其特征,首先根据N4个中心点的坐标以及类别对应的邻域搜索半...
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。