[发明专利]一种基于散乱点云谱投票学习的三维空间物体检测方法

权利要求书

1.一种基于散乱点云谱投票学习的三维空间物体检测方法，其特征在于：包括如下步骤：

步骤S1、通过激光雷达扫描获取散乱点云数据；

步骤S2、将步骤S1中获取的点云数据作为谱投票网络的输入，其中谱投票网络包括谱图卷积模块、下采样模块和投票模块；

步骤S3、点云数据输入谱投票网络后通过谱图卷积模块进行特征提取；

步骤S4、经过谱图卷积模块提取得到的特征作为下采样模块的输入；

步骤S5、将下采样模块的输出作为投票模块的输入；

步骤S6、通过抽样分组对谱投票网络的输出进行聚类；

步骤S7、将投票聚类作为目标生成模块的输入，生成目标提案；

步骤S8、对目标提案进行非极大抑制处理，得到三维物体检测结果。

2.根据权利要求1所述的一种基于散乱点云谱投票学习的三维空间物体检测方法，其特征在于：所述步骤S3中谱图卷积模块进行特征提取的过程为：

在空间域环境下，卷积运算描述为：

其中，X表示输入的点集信息，g表示空间卷积核，h表示X经过g滤波后的结果；

将其类比到谱图域中有：

其中，表示点击特征的图傅里叶变换，表示图傅里叶域中的滤波核，表示滤波后的结果；

给定局部邻域中的k个点x₁,x₂,…,x_k的集合，将该集合构成一个图G_k，为了计算图G_k中任一点的图傅里叶变化，定义一个图拉普拉斯矩阵：

L＝I-D^1/2WD^1/2, (3)

其中，I为单位阵；D时对角矩阵，且D_ii＝∑_jW_ij；W是图G_k的邻接矩阵，

且包含W_ij＝dist(x_i,x_j)；

由此可知L是一个实对称的半正定矩阵，则其由完整的标准正交特征向量：

U＝[u₀,u₁,…,u_k-1]∈R^k×k, (4)

以及有特征值构成的对角阵：

Λ＝diag([λ₀,λ₁,…,λ_k-1])∈R^k×k, (5)

由此可得L＝UΛU^T，X的图傅里叶变换可以定义为逆操作为

由上述变化，若将此时图卷积输出为则由滤波器g过滤的图信号表示为：

由式(6)可知谱图卷积在过程中，将局部邻域的k个点作为整体进行处理。

3.根据权利要求1所述的一种基于散乱点云谱投票学习的三维空间物体检测方法，其特征在于：所述步骤S4中下采样模块包括两个下采样层。

4.根据权利要求1所述的一种基于散乱点云谱投票学习的三维空间物体检测方法，其特征在于：所述步骤S5中在投票模块中，将输入的特征记为空间信息x和特征信息f，经过MLP处理，输出空间偏移量Δx和特征偏移量Δf，生成投票为V：

V＝[y；g], (7)

其中，y＝x+Δx；g＝f+Δf。

5.根据权利要求4所述的一种基于散乱点云谱投票学习的三维空间物体检测方法，其特征在于：所述步骤S6的具体过程为：在抽样分组过程中，从一组投票V_i＝[y_i；g_i],i＝1,…,n中，在3D欧几里得空间中使用基于{y_i}的最远点采样对K个选票的子集进行抽样，得到{V_ik}，然后通过每个V_ik的3D位置的相邻投票进行分组形成集群C_i，C_i即为V_i的聚类输出。

6.根据权利要求5所述的一种基于散乱点云谱投票学习的三维空间物体检测方法，其特征在于：所述步骤S7的具体过程为：在目标生成模块中，获得抽样分组得到的聚类输出C＝{C_i},i＝1,…,n，则获得的生成目标提案为P(C)：

P(C)＝MLP₂{max{MLP₁[C]}}， (8)

其中MLP₁对每一个C_i进行单独处理，然后被最大池化并传递给MLP₂，在MLP₂中，将多个来自MLP₁的信息进一步组合处理。