[发明专利]一种基于图卷积的3D点云目标检测方法

权利要求书

1.一种基于图卷积的3D点云目标检测方法，其特征在于，包括：实时获取点云数据，将获取的点云数据输入到3D点云目标检测模型中，得到目标检测结果；根据目标检测结果对点云数据进行分类；

对3D点云目标检测模型进行训练的过程包括：

S1：获取原始点云数据，将原始点云数据划分为训练集和测试集；

S2：对训练集中的点云数据进行体素化；将体素化的点云数据输入到3D稀疏卷积网络中进行高维稀疏特征提取，得到不同尺度的高维稀疏体素特征；

S3：对不同尺度的稀疏体素特征进行紧密化处理，得到紧密特征；将紧密特征输入到提案生成网络中，得到高质量提案；

S4：对所有的高质量提案进行可信度筛选和非极大值抑制滤除处理，得到兴趣区域框，并将兴趣区域框映射到高维稀疏体素特征中，得到处于不同兴趣区域框内的高维稀疏特征；

S5：将不同兴趣区域框内的高维稀疏特征进行图构建，并采用图卷积模块对构建的图进行特征提取，得到高维兴趣区域框语义信息；

S6：将高维兴趣区域框语义信息输入到分类分支与回归分支得到最终的3D检测框与所属物体的类别信息；

S7：根据最终的3D检测框和所属物体的类别信息计算模型的损失函数，调制模型的参数，当损失函数值最小时，完成模型的训练。

2.根据权利要求1所述的一种基于图卷积的3D点云目标检测方法，其特征在于，对点云数据进行体素化的过程包括：选取一个张量，将该张量初始化为0值，设置体素的长、宽、高；遍历所有的点云数据，计算各个点云分别属于哪个体素，记录该体素的坐标以及每个体素的点数；计算每个体素内点云数据的平均坐标和反射强度；将每个体素内点云的平均坐标和反射强度作为初始特征。

3.根据权利要求1所述的一种基于图卷积的3D点云目标检测方法，其特征在于，3D稀疏卷积网络包括4个堆叠的稀疏卷积块，每个稀疏卷积块中包括一个稀疏卷积层；将体素特征输入到稀疏卷积层中，减少运算的复杂度和减小特征图的尺寸大小，每将经过一层稀疏卷积层的卷积后得到的特征还包括两个子流形稀疏卷积；将堆叠的稀疏卷积块将体素特征逐层输入，生成具有更小分辨率与更大区分度的特征，得到不同尺度的高维稀疏体素特征。

4.根据权利要求1所述的一种基于图卷积的3D点云目标检测方法，其特征在于，对不同尺度的稀疏体素特征进行紧密化处理包括将稀疏特征沿Z维度进行堆叠，得到紧密特征。

5.根据权利要求1所述的一种基于图卷积的3D点云目标检测方法，其特征在于，提案生成网络包括自顶向下的特征提取子网络和多尺度的特征融合子网络；自顶向下的特征提取子网络设置有两个标准的3×3卷积层；多尺度的特征融合子网络用于上采样并且Concate自顶向下生成的特征；输出的特征通过两个并行的1×1卷积层进行卷积，生成最终的3D提案与对应的类别，得到高质量提案。

6.根据权利要求1所述的一种基于图卷积的3D点云目标检测方法，其特征在于，得到兴趣区域框的过程包括：采用Softmax函数对RPN网络分类分支输出的高质量提案进行计算，得到高质量提案的类别置信度，并采用非极大值抑制方法将所有提案的类别置信度排序，选取最大的类别置信度及其对应的高质量提案；遍历其余的提案，若遍历的提案与当前最大的类别置信度提案的重叠面积大于设置的阈值时，提取当前最大类别置信度的提案，并从未处理的提案中继续选一个类别置信度最大的提案，重复上述过程以滤除重叠比例较高的框；将筛选出的3D提案作为兴趣区域框。

7.根据权利要求6所述的一种基于图卷积的3D点云目标检测方法，其特征在于，设置的阈值为0.8。