[发明专利]一种基于深度学习的点云三维物体检测方法

说明书

本发明公开了一种基于深度学习的点云三维物体检测方法，包括：通过分层体素编码模块提取点云场景中点稀疏、点密集区域中非空体素的特征表示；通过注意力模块融合组合的体素特征以有效的获得体素的特征表示点云场景；通过高度信息补充模块引入点云BEV图以补偿体素特征图高度信息；通过通道注意力模块提取掩模处理后的特征图中有用的信息以提高几何结构感知能力；构建一特征学习网络用于挖掘特征图中的高级语义特征，在输出端增加了一个体素分割任务来判断非空的体素是否属于目标物体，并基于多任务检测头，设计了一个总体的损失约束网络；将训练后的损失约束网络用于三维物体的检测任务。

技术领域

本发明涉及三维物体检测领域，尤其涉及一种基于深度学习的点云三维物体检测方法。

背景技术

三维物体检测旨在定位和识别三维场景中的物体，在智能驾驶、虚拟现实、机器人等领域有着广泛的应用。点云是三维物体检测中的一种常见的数据形式，可以精确地描述真实场景中三维物体的周围环境。然而，点云具有稀疏、无序且不规则的特点。因此，如何有效地处理点云数据、实现精确地三维物体检测是计算机视觉领域中一个热门研究方向。

得益于计算机视觉领域的快速发展，近年来提出了许多基于点云的三维物体检测方法。基于点云鸟瞰图的检测方法能够借助二维物体检测器中的特征提取模块实现快速的物体检测，但未能很好地解决鸟瞰图中存在的点云数据几何信息丢失的情况。基于点的检测方法能有效的挖掘点云数据的几何结构信息，然而这类方法通过点云特征提取网络提取点云的点级特征表示，计算复杂度较高，难以达到实时检测的要求。

基于体素的检测方法在检测性能和检测速度上达到了较好的平衡，可以有效地提取点云数据的几何结构信息且实时地检测点云场景中的物体。Lang等人提出了一种柱体体素的检测方法，该方法将点云划分为柱体体素，并将学习到的离散体素的特征直接转成图像特征表示，实现了高效的三维物体检测。Liu等人提出了点级注意力、通道级注意力、体素级注意力组成的模块以提取柱体体素特征，从而增强物体的关键信息，提高体素特征的鲁棒性。

然而，上述检测方法没有考虑到点云的不均匀分布特点对体素特征提取的影响，不能同时有效地提取点稀疏和点密集区域体素的特征表示。此外，柱体体素的检测方法在高度轴上没有对点云划分，虽然能够较快地检测物体，但难以有效获得点云场景丰富的特征表示。

发明内容

为了进一步探索基于体素的三维物体检测，提取不均匀分布的点云场景丰富的特征表示，本发明提出了一种基于深度学习的点云三维物体检测方法，其利用分层体素编码模块有效提取体素的特征，并设计了高度信息补充模块增强体素特征图的高度信息，从而提高基于体素的三维物体检测方法的检测性能，详见下文描述：

一种基于深度学习的点云三维物体检测方法，所述方法包括：

通过分层体素编码模块提取点云场景中点稀疏、点密集区域中非空体素的特征表示；

通过注意力模块融合组合的体素特征以有效的获得体素的特征表示点云场景；

通过高度信息补充模块引入点云BEV图以补偿体素特征图高度信息；

通过通道注意力模块提取掩模处理后的特征图中有用信息以提高几何结构感知能力；

构建一特征学习网络用于挖掘特征图中的高级语义特征，在输出端增加了一个体素分割任务来判断非空的体素是否属于目标物体，并基于多任务检测头，设计了一个总体的损失约束网络；

将训练后的损失约束网络用于三维物体的检测任务。

所述分层体素编码模块为：

其中，[.]表示级联操作，和均为体素特征，ψ表示全连接层，表示的是注意力模块和元素级最大池化的组合操作，F_k表示分层体素编码模块输出的体素特征。