【技术实现步骤摘要】
本专利技术涉及计算机视觉、行人检测领域，尤其涉及一种域适应点云行人检测方法。
技术介绍
1、在矿洞、隧道等特殊地下场景中存在落石、塌陷等风险，严重威胁作业人员安全。有效定位这些场景中的人员位置，有助于在发生事故或紧急情况时迅速准确地了解人员分布情况，为紧急疏散与救援工作提供指导。因此，行人检测技术在人员安全保障方面具有重要意义。由于激光雷达捕获的点云数据受光照退化等因素影响较小，已广泛应用于行人检测任务。现有方法通常借助大规模标注数据有监督地训练网络，以获得良好的点云行人检测性能。然而，对于环境复杂的地下场景，难以获取大规模的带标注点云数据。因此，探索一种有效的域适应点云行人检测方法，将源域场景中获取的知识有效迁移至无标注的目标域，实现目标域地下场景中行人的精确检测，具有重要的研究意义和应用价值。
2、近年来，已有研究人员提出域适应点云目标检测方法，这些方法通常在有标注的源域上预训练检测器，并将预训练的检测器迁移至目标域以生成目标域伪标签，从而在伪标签的指导下提升检测器在目标域的性能。luo等人采用教师-学生范式自适应地生成可靠的伪标签，解决了域间的几何不匹配问题。yang等人提出了随机尺度缩放的数据增强方式，并设计了伪标签迭代更新的目标域自训练策略，以减小域差异带来的负面影响。上述方法通常应用在不同的道路场景之间，其源域和目标域的域间差异相对较小。然而，矿洞、隧道等地下场景具有空间狭窄、结构复杂等特点，与道路场景存在较大的域间差异。将现有域适应方法直接迁移至地下场景时，难以产生兼顾质量和数量的伪标签，这在一定程度上
技术实现思路
1、虽然现有域适应点云检测方法取得了较好的性能，但直接应用于以道路场景为源域、地下场景为目标域的跨域行人检测任务时，由于存在较大的域间分布差异，这些方法通常难以获得较好的目标域行人检测性能。基于此，本专利技术提供了一种域适应点云行人检测方法，本专利技术旨在有效生成包含高质量伪标签的目标域场景，为目标域网络自训练提供更可靠的监督信号，并充分利用自训练阶段伪标签的置信度引导网络优化，实现准确的地下场景行人检测，详见下文描述：
2、一种域适应点云行人检测方法，所述方法包括：
3、按照目标域地下场景范围大小，选取((x1，x2)，(y1，y2)，(z1，z2))范围内的源域点云数据，并对选取的点云进行体素化处理，获得处理后的体素化点云；
4、通过稀疏卷积对体素化点云进行特征提取，得到点云的体素特征表示，并将体素特征送入高度压缩模块和鸟瞰图特征提取模块，获得点云的bev特征；
5、对目标域伪标签进行质量划分并移除低质量伪标签；从源域采样实例并迁移到目标域地下场景，获得新的目标域伪标签；
6、构建伪标签置信度引导的学习机制，在伪标签置信度的引导下优化网络学习；利用源域预训练得到的参数对网络进行初始化，在每次训练迭代中，将源域点云数据和目标域点云数据分批次交替输入网络，并采用上述伪标签质量筛选策略、跨域实例迁移策略以及伪标签置信度引导的学习机制对域适应点云行人检测网络进行优化。
7、其中，所述对每一个预测结果按照置信度得分进行划分为：
8、
9、其中，tp和tn为置信度阈值，并且tp＞tn，分别为不同置信度区间的预测结果。
10、进一步地，所述对目标域伪标签进行质量划分并移除低质量伪标签为：
11、基于伪标签质量筛选策略，对目标域伪标签进行质量划分并移除低质量伪标签；
12、将b0，p和b0，n分别作为高质量伪标签up和低质量伪标签un，并丢弃b0，d，对于高质量伪标签up，直接存入伪标签存储库以用于后续的自训练过程，对于低质量伪标签un，将三维框包围的点移除，保留其三维框底部中心的位置坐标和置信度得分sun。
13、其中，所述从源域采样实例并迁移到目标域地下场景，获得目标域伪标签为：
14、选取一系列源域有标注实例i＝{bi，pobj}，其中bi为实例的标注三维框，pobj为标注三维框包围的点；根据三维框包围的点的数量对所采样的实例进行过滤，保留点数量大于δ的实例，获得过滤后的源域实例i′，过滤的过程表示如下：
15、i′＝filter(i，δ)
16、将过滤后的实例i′迁移至目标域中，放置于原来低质量伪标签un处，使实例i′三维框的底部中心位置与un中三维框的底部中心位置对齐，得到更新后的目标域场景实例的伪标签记为r＝{br，sr}。
17、其中，在实例迁移时，先放置实例的三维框，并将框内包围的目标域场景的点移除，再放置该实例的点，将该部分获得的伪标签同样存入伪标签存储库，获得最终的目标域伪标签a＝{up∪r}以用于监督网络在目标域中的自训练。
18、进一步地，所述构建伪标签置信度引导的学习机制，在伪标签置信度的引导下优化网络学习为：
19、在从伪标签存储库取出伪标签用于目标域自训练时，对于一批次中的每个伪标签ak＝{bk，sk}|k＝1,2,...，k，利用其置信度得分sk计算权重wk，计算公式如下：
20、
21、利用wk加权目标域自训练的损失函数，加权后的目标域自训练损失函数表示如下：
22、
23、自训练完成后，基于自训练得到的模型实现点云行人检测。
24、本专利技术提供的技术方案的有益效果是：
25、1、本专利技术将源域道路场景中学习到的知识有效迁移到目标域地下场景中，实现了对地下场景中行人的准确检测；
26、2、本专利技术设计了伪标签质量筛选策略，通过对目标域伪标签进行质量划分并移除低质量伪标签，有效缓解了低质量伪标签对网络优化的负面影响；
27、3、本专利技术设计了跨域实例迁移策略，通过将源域实例有效迁移至目标域，获得了丰富的高质量目标域伪标签以用于监督目标域行人检测网络的自训练；
28、4、本专利技术构建了伪标签置信度引导的学习机制，在伪标签置信度的引导下优化网络的学习，进一步提升了域适应点云行人检测性能。
本文档来自技高网...【技术保护点】
1.一种域适应点云行人检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种域适应点云行人检测方法，其特征在于，所述对每一个预测结果按照置信度得分进行划分为：
3.根据权利要求1所述的一种域适应点云行人检测方法，其特征在于，所述对目标域伪标签进行质量划分并移除低质量伪标签为：
4.根据权利要求1所述的一种域适应点云行人检测方法，其特征在于，所述从源域采样实例并迁移到目标域地下场景，获得目标域伪标签为：
5.根据权利要求1所述的一种域适应点云行人检测方法，其特征在于，在实例迁移时，先放置实例的三维框，并将框内包围的目标域场景的点移除，再放置该实例的点，将该部分获得的伪标签同样存入伪标签存储库，获得最终的目标域伪标签A＝{Up∪R}以用于监督网络在目标域中的自训练。
6.根据权利要求1所述的一种域适应点云行人检测方法，其特征在于，所述构建伪标签置信度引导的学习机制，在伪标签置信度的引导下优化网络学习为：
【技术特征摘要】
1.一种域适应点云行人检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种域适应点云行人检测方法，其特征在于，所述对每一个预测结果按照置信度得分进行划分为：
3.根据权利要求1所述的一种域适应点云行人检测方法，其特征在于，所述对目标域伪标签进行质量划分并移除低质量伪标签为：
4.根据权利要求1所述的一种域适应点云行人检测方法，其特征在于，所述从源域采样实例并迁移到目标域地下场景，获得目标域...
【专利技术属性】
技术研发人员：雷建军，刘增运，彭勃，曹彬，秦天一，张旭，
申请(专利权)人：天津大学，
类型：发明
国别省市：
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。