[发明专利]一种基于改进的多尺度特征融合的点云三维目标检测方法

说明书

本发明公开了一种基于改进的多尺度特征融合的点云三维目标检测方法，涉及三维目标检测技术领域，该方法包括获取待测3D点云图像，输入至预先训练得到的点云三维目标检测模型中，输出目标检测结果；该检测模型包括，降维模块用于对输入的图像进行体素化降维和特征补强处理；编码模块中引入注意力机制，增强网络对目标位置信息的提取能力；多尺度特征融合模块针对特征融合时上采样导致的信息丢失和多次融合导致的混叠效应进行对应的结构调整，同时进行上下文的特征增强，丰富大中小目标的特征信息；检测头模块输出最终的目标检测结果。本发明提出的三维目标检测模型在保证大目标检测精度的同时对小目标的检测也具有较好的准确性、实时性和泛化性。

技术领域

本发明涉及三维目标检测技术领域，尤其是一种基于改进的多尺度特征融合的点云三维目标检测方法。

背景技术

三维目标检测是视觉感知、运动预测和自动驾驶规划的重要基础，尤其在自动驾驶汽车领域，获取到目标障碍物的三维信息，可以提高对目标的分析精度，对于后续自动驾驶场景中的路径规划和控制具有至关重要的作用。因此，保证三维目标检测的可靠和稳定是智能驾驶系统中至关重要的任务，其中相对于常规尺寸的目标，小目标通常缺乏充足的外观信息，故难以将它们与背景或相似的目标区分开来，这导致小目标和大目标在检测性能上存在显著差距，小目标的检测性能通常只有大目标的一半，所以小目标检测具有广泛的应用价值和重要的研究意义。

目前，对于小目标检测的研究思路主要有上下文学习和多尺度学习等。上下文学习的方法是通过对上下文进行适当的建模用来学习“目标与场景”和“目标与目标”之间的共存关系，这样可以提升目标检测的性能，尤其是对于小目标这种外观特征不明显的目标。但小目标与常规目标相比可利用的信息较少，难以提取到较好的特征，而且随着网络层数的增加，小目标的特征信息与位置信息也逐渐丢失，难以被网络检测。这些特性导致小目标同时需要深层语义信息与浅层表征信息，而多尺度学习将这两种相结合，是一种提升小目标检测性能的有效策略。然而，多尺度学习中对特征图进行1×1卷积和线性上采样操作会造成信息的损失，并且多次的特征融合会造成特征混叠效应，这些问题导致了基于多尺度学习的小目标检测性能难以得到进一步提升。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于改进的多尺度特征融合的点云三维目标检测方法，主要解决在三维目标检测中小目标检测准确率较低的问题。本发明的技术方案如下：

一种基于改进的多尺度特征融合的点云三维目标检测方法，包括如下步骤：

获取针对车辆行驶道路拍摄的待测3D点云图像；

将待测3D点云图像输入至预先训练得到的点云三维目标检测模型中，输出目标检测结果，目标检测结果包含对应目标的三维信息和目标的类别；

其中，点云三维目标检测模型从输入到输出依次包括降维模块、编码模块、改进的多尺度特征融合模块和检测头模块；降维模块用于对输入的待测3D点云图像进行体素化降维和特征补强处理，得到特征补强后的2D伪图像；编码模块用于对特征补强后的2D伪图像进行特征提取得到多个第一特征图；改进的多尺度特征融合模块包括亚像素跳跃融合单元和通道注意力引导单元，亚像素跳跃融合单元用于对第一特征图进行信道增强和上采样以构建特征金字塔，通道注意力引导单元用于优化特征金字塔输出的集成图中不同尺度的最终集成特征；检测头模块用于将改进的多尺度特征融合模块输出的特征图通道数进行调整，输出最终的目标检测结果。

本发明的有益技术效果是：