[发明专利]一种基于图卷积的3D点云目标检测方法

说明书

本发明属于图像处理与计算机视觉技术领域，具体涉及一种基于图卷积的3D点云目标检测方法，该方法包括：将原始点云数据输入并进行预处理；将预处理后的点云数据进行体素化并输入训练好的3D点云目标检测模型中进行检测分析处理；对检测结果进行统计分析与后处理；所述3D点云目标检测模型包括3D稀疏卷积神经网络、提案生成网络、全局动态图卷积模块、局部静态图卷积模块和3D检测头模块；本方法利用图卷积建立3D目标之间的关系，提取更加丰富的依赖关系特征而且保留目标原本的空间信息，使得提取的特征能够更好的表达点云信息。

技术领域

本发明属于图像处理与计算机视觉技术领域，具体涉及一种基于图卷积的3D点云目标检测方法。

背景技术

目前，2D视觉任务的深度学习取得了显著的进展，包括目标检测、分割以及姿态检测等等。相比于2D传统图像，3D点云包含了更多的几何信息与语义信息，同时3D点云目标检测在自动驾驶、增强现实(AR)和室内导航等方面拥有广泛的应用而受到了越来越多的关注。但由于点云的稀疏性与非结构化等特征，将2D方法直接运用于3D点云并不适用，故如何利用3D点云实现高精度的目标检测是非常重要的。

现有的3D目标检测方法可以分为两种，一种是基于多模态融合的方法，另一种是基于纯点云的方法。基于多模态融合的方法首先将点云映射到不同的视角，然后融合不同模式下的表征，然而这种映射将会损失很多的空间结构信息，导致精度不高，同时带来了更多的计算量。因此，目前多数检测框架采用第二种基于纯点云的方法，这种框架具体可以分为两类，一类为基于点的方法，将原始点云作为输入，利用迭代的聚类操作学习原始点云的表征，但由于其频繁的聚类操作带来了更多的计算量，同时点云密度不均也导致其性能的下降。另一类则是基于体素的方法，将点云均分为3D体素空间，利用堆叠的3D卷积层学习空间特征，但3D卷积操作同样具有计算成本大，并不能直接对稀疏的点云数据充分利用，从而出现精度不高的情况。由于以上现有的点云目标检测中有精度不高的情况，故需要一种新的方法来实现精准的3D目标检测。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于图卷积的3D点云目标检测方法，该方法包括：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。

优选的，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。