[发明专利]一种激光点云3D目标检测方法

说明书

本发明公开了一种激光点云3D目标检测方法，包括以下步骤：步骤S1）激光雷达传感器采集点云数据并标注障碍物真值；步骤S2）基于神经网络构建3D多任务算法模型；步骤S3）对标注好的点云数据进行在线预处理、体素化、语义真值获取，以及数据增强；步骤S4）用步骤S3处理后的标注好的点云数据及其对应的语义真值训练3D多任务算法模型；步骤S5）利用训练好的3D多任务算法模型对点云数据进行检测任务的前向推理。本发明在3D目标检测算法模型中加入语义分割分支得到3D多任务算法模型，利用体素化后生成的语义真值训练语义分割分支，提炼语义分割分支的中间特征输出给检测分支以约束检测分支的检测工作，提高检测精度。

技术领域

本发明涉及3D目标检测技术领域，具体涉及一种激光点云3D目标检测方法。

背景技术

3D目标检测任务是指对3D成像传感器获得的点云数据进行目标定位与分类，是3D场景分析中的一个基本任务，随着激光雷达传感器的发展以及智能驾驶技术的进步，基于点云数据的3D目标检测任务越来越受到关注。3D目标检测方法目前主要有两种，一种是通过聚类的方式将点云中的点云簇聚类为多个目标对象，例如K-means、DBSCAN等经典算法；另一种是以近几年迅速发展的神经网络为基础的深度学习方法，该方法可以分为三类，分别是基于点的3D检测方法、基于体素的3D检测方法，以及基于投影的3D检测方法。传统的基于点云处理的检测方法不够稳定，性能对场景变化十分敏感，而且目标分类不够准确，同时误检严重；在深度学习分支领域，基于点的检测方法能够充分利用点云结构信息进行检测，但是无法通过卷积操作获得高层语义信息，只能通过多层感知机(MLP)获得全局信息进行检测；基于体素的检测方法可以通过3D卷积操作充分获得点云的语义信息进行定位和分类，但是速度慢，而且3D卷积操作不易部署在车载GPU硬件平台，此类方法还有另外一种方式，在体素化时将某一维度体素化为单位1，生成伪图像，然后基于伪图像进行2D卷积，提取特征，检测目标，此方式速度快，但是精度较低；基于投影的检测方法可以像2D检测一样对点云投影出的图像进行特征提取，进而回归出目标，此类方法丢失了一个维度信息，速度虽然提升明显，但是回归精度往往不够。

发明内容

本发明主要是为了解决现有的3D目标检测技术不能同时兼顾速度和精度的问题，提出了一种激光点云3D目标检测方法，在3D目标检测算法模型中加入语义分割分支得到3D多任务算法模型，利用体素化后生成的语义真值训练语义分割分支，提炼语义分割分支的中间特征约束检测分支的检测工作，提高检测精度。

为了实现上述目的，本发明采用以下技术方案：