[发明专利]一种基于改进霍夫投票的点云目标检测方法

权利要求书

1.一种基于改进霍夫投票的点云目标检测方法，其特征在于，包括：

获取带语义标注和实例分割标注的三维物体的点云图像数据集；

构建基于PointNet++的点云特征提取网络，利用所述点云特征提取网络对所述点云图像数据集进行特征提取，生成种子点及每个种子点的三维坐标和语义特征向量；

构建霍夫投票及聚类模块，所述霍夫投票及聚类模块利用多层感知机预测种子点的偏移，并根据种子点的偏移得到投票点三维坐标和语义特征向量；

构建代表点生成模块，所述代表点生成模块利用多层感知机预测物体检测框、投票点到其所对应的物体检测框六个面的距离偏移以及物体检测框朝向，获得三维物体的预测区域，并在所述预测区域内有策略地进行均匀采样，生成每个投票点对应所述物体检测框的每组代表点的三维坐标；

构建种子点特征抽取模块，所述种子点特征抽取模块利用球查询获取每个代表点邻近的种子点，并将得到的所有种子点的语义特征向量进行聚类，生成每个代表点的语义特征向量；

构建融合模块，所述融合模块按照预先定义的顺序将每个投票点所对应的每组代表点的语义特征向量连接在一起，并投影到和投票点语义特征相同的特征维数，重新生成该投票点相关的种子点特征，将投票点语义特征向量和重新生成的种子点语义特征向量进行融合，得到融合语义特征向量；

构建检测框修正与分类模块，所述检测框修正与分类模块利用多层感知机，对所述物体检测框进行位置修正，并根据所述融合语义特征向量对所述物体检测框进行语义分类，再利用NMS方法对所述物体检测框进行后处理，得到物体检测结果。

2.根据权利要求1所述的一种基于改进霍夫投票的点云目标检测方法，其特征在于，所述点云特征提取网络对所述点云图像数据集进行至少一次下采样操作，得到种子点及每个种子点的三维坐标和语义特征向量。

3.根据权利要求1所述的一种基于改进霍夫投票的点云目标检测方法，其特征在于，种子点的偏移包括位于三维物体表面的种子点到其所在的三维物体中心的三维坐标偏移和语义特征向量偏移；投票点三维坐标为种子点三维坐标偏移与种子点三维坐标的相加值；投票点语义特征向量为种子点语义特征向量偏移与种子点语义特征向量的相加值。

4.根据权利要求1所述的一种基于改进霍夫投票的点云目标检测方法，其特征在于，所述霍夫投票及聚类模块还对投票点进行周围聚簇操作，使每个投票点的特征都融合其所在聚簇中其他投票点的特征。

5.根据权利要求1所述的一种基于改进霍夫投票的点云目标检测方法，其特征在于，霍夫投票及聚类模块采用了如下所示的损失函数：

上式中，I[s_i在物体上]表示一个种子点s_i是否在某个三维物体表面，M_pos表示在三维物体表面的种子点的总数；表示从种子点s_i到它所在物体对应物体检测框中心的偏移量真实值，Δx_i是从种子点s_i到它所在物体对应物体检测框中心的偏移量预测值，ρ是标准的平滑L1范数损失。

6.根据权利要求1所述的一种基于改进霍夫投票的点云目标检测方法，其特征在于，代表点生成模快采用了如下所示的损失函数：

其中，I[v_i是正样本]表示一个投票点v_i是否在一个三维物体中心周围0.3m半径内，M'_pos表示正样本的总数；表示投票点v_i到三维物体的物体检测框6个面的真实距离，d_i表示投票点v_i到三维物体的物体检测框6个面的预测量。