[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

说明书

本发明公开了一种基于散乱点云谱投票学习的三维空间物体检测方法，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。

技术领域

本发明涉及深度学习和三维点云目标检测领域，尤其是一种基于散乱点云谱投票学习的三维空间物体检测方法。

背景技术

如今社会科学技术飞速发展，各行各业日新月异，伴随着人工智能快速的崛起，计算机视觉也成为了社会各界十分关注的领域。在计算机视觉领域中，目标检测作为必不可少的一个环节，广泛的应用在各行各业中。

在传统RGB图像的目标检测中，比较具有代表性的是Mono3D，但是Mono3D仅在输入单目图像的情况下能够获得较好的检测效果。之后Mousavian等人提出了一种在单目图像中使用卷积神经网络进行目标检测的方法，使基于单目图像的三维目标检测达到了新的高度，但是由于RGB图像缺少深度的空间信息，使得检测效果受到了影响。之后Deng等人从RGB-D图像中提取二维特征表达，并在此之上添加的空间信息的描述，之后通过数据重建的方式，将二维目标检测的结果转换为三维目标检测的结果，基于二维特征学习目标类别和三维回归补偿对目标的三维空间信息进行估计。但通过估计计算出的空间信息和实际的空间信息之间的误差仍然影响着检测的效果。

与传统的RGB图像相比，点云数据中包含目标的颜色信息和三维坐标。在基于点云的三维目标检测中，其中Xiaozhi Chen等人提出的MV3D将三维点云数据编码为多视图形式输入，间接将三维问题转化成二维问题，牺牲了点云的部分几何细节。之后Charles R.Qi等人提出了VoteNet，该网络以PointNet++为主干进行点云数据特征的学习提取，这导致点与点之间的特征学习过程过于独立，降低了邻域之间的相关性。

发明内容

本发明需要解决的技术问题是提供一种基于散乱点云谱投票学习的三维空间物体检测方法，在保证网络训练速度的前提下，提高特征学习过程的邻域相关性，进而提高检测效果的精准度。

为解决上述技术问题，本发明所采用的技术方案是：一种基于散乱点云谱投票学习的三维空间物体检测方法，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。

本发明技术方案的进一步改进在于：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；