[发明专利]一种基于改进霍夫投票的点云目标检测方法

说明书

本发明公开了一种基于改进霍夫投票的点云目标检测方法，包括：获取点云图像数据集；对点云图像数据集进行特征提取，生成种子点及每个种子点特征；预测种子点偏移，并将种子点特征转换为投票点特征；将投票点特征转换为投票点到对应物体检测框六个面的距离偏移，获得三维物体的预测区域；重访种子点，利用球查询获取每个代表点邻近的种子点，生成投票点对应的代表点特征；融合投票点与代表点特征，生成融合特征；根据融合特征对物体检测框进行位置修正和语义分类，得到物体检测结果。本发明能够更好地捕获点云图像数据集中潜在对象周围的精细局部结构特征，弥补投票点质量差的问题，实现更可靠、更灵活的物体定位和分类能力。

技术领域

本发明涉及机器人、自动驾驶等计算机视觉技术领域，更具体的说是涉及一种基于改进霍夫投票的点云目标检测方法。

背景技术

目前，在基于点云的三维物体检测领域中，通常采用VoteNet和H3DNet检测网络。VoteNet使用了端到端的可训练霍夫投票模块来生成物体检测框提议，但是，这种投票策略产生的投票点质量较差，常常只能接收来自潜在物体表面的部分投票，并且通常包含来自杂乱背景的异常投票点，两者妨碍了对于原始输入点云信息的充分利用。

为解决上述问题，引入MLCVNet，HGNet和3DSSD方法，分别通过环境上下文信息，层次图神经网络和特征空间的最远点采样策略来更好的生成物体检测框提议。但是，这些方法依然严重依赖于VoteNet中提出的投票点，这些投票点在位置上不够可靠，且不可避免地受到离群点影响并忽略一部分物体表面的种子点。

H3DNet通过引入一组混合的过完备几何图元来尝试解决这个问题，以改善聚类投票预测的初始边界框。但是这些几何图元中心是在不太精确的监督下学习的，并且通过和投票点聚类类似的聚类策略，因此仍然可能无法消除异常值或捕获足够的几何线索来推断目标对象。

因此，如何提供一种能够更好地捕获原始点云中潜在对象周围的精细局部结构特征，来弥补投票点质量较差的问题的基于改进霍夫投票的点云目标检测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于改进霍夫投票的点云目标检测方法，通过反向跟踪操作，能够更好地捕获点云图像数据集中潜在对象周围的精细局部结构特征，进而弥补投票点质量差的问题，实现更可靠、更灵活的物体定位和分类能力。

为了实现上述目的，本发明采用如下技术方案：

一种基于改进霍夫投票的点云目标检测方法，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；