[发明专利]基于点云的目标检测方法

说明书

本发明公开了一种基于点云的目标检测方法，方法包括：采用最远点取样FPS对点云采样得到点的集合A；采用第一PointSIFT网络提取集合A的特征集合B；根据特征集合B，将集合A中的点分为前景点和背景点；对每一个前景点回归一个三维候选框，组成第一候选框集合C₁；采用NMS算法抑制噪声，合并置信度高的候选框，组成第二候选框集合C₂；将集合C₂中所有候选框内的点池化并转换到规范坐标，得到集合D；将集合D与集合B作为第二PointSIFT网络的输入，提取集合D中置信度高于第三阈值的候选框作为目标。相比于现有技术，本发明方案采用PointSIFT进行特征提取，以捕捉不同方向的局部特征，引入NMS算法来减少噪声点和离群点的影响，减少了目标检测的计算量，也提高了准确度。

技术领域

本发明涉及三维点云处理领域，特别是涉及一种基于点云的目标检测方法。

背景技术

基于三维点云的目标检测广泛应用于自动驾驶领域，是感知道路场景中车辆及其他障碍物的关键技术之一。目前，自动驾驶领域场景感知的硬件系统主要有摄像头，毫米波雷达，激光雷达，超声波探测器。激光雷达通过发射激光束，然后接受来自目标的返回激光束，根据时间差测量障碍物目标与传感器器之间的距离，获得的点云数据能较好的还原目标的结构信息，且具有测量精度高、测距范围广、受光照、天气影响小等优点，被广泛配备在无人驾驶汽车上，使基于激光的三维点云数据的目标检测算法受到了广泛关注。

近年来，深度学习开始广范应用于图像的目标检测领域，其通过学习深度非线性网络结构来表征输入数据并实现复杂的函数逼近。在道路环境车辆无人驾驶等应用场景下，不仅需要获得车辆等目标的位置及三维尺寸信息，还需要获得目标物体在三维空间中的旋转角等数据。激光点云数据具有稀疏性、无序性，如何将不规则的点云数据，与深度学习结合是现有技术中研究的热点。

2017年Charles R.Qi等人提出的PointNet首先将深度学习应用于三维点云数据，直接使用点云数据作为神经网络的输入，提取点云数据的特征，可以较好地完成分类、部件分割以及大场景语义分割等应用任务。针对三维点云无序性的特点，PointNet通过MaxPooling对称函数提取三维点云中每个点的特征，可以较好的获得全局特征。为了保证点云数据的旋转和平移不变性，PointNet训练了小型神经网络STN，通过点云的位置信息学习到一个最有利于网络进行分类或分割的旋转矩阵，对激光点云数据的调整，从而实现数据对齐。但PointNet网络在提取特征时只考虑了逐点特征以及全局特征，没有局部结构信息，此外实际场景中的点云是疏密不同的，而PointNet对点云进行了均匀采样，因此在实际应用时准确率较低。在现有工程实践中，一系列新的网络模型大多延续了PointNet，因此难以缓解其技术上的不足，使得检测结果不佳。

鉴于此，本发明提出一种基于点云的目标检测方法，使用PointSIFT代替PointNet作为特征提取网络，引入NMS算法以抑制噪声目标，提高目标检测的准确率。

发明内容

本发明的目的在于提供一种基于点云的目标检测方法，包括：采用最远点取样FPS对点云采样得到点的集合A；采用第一PointSIFT网络提取集合A的特征集合B；根据特征集合B，将集合A中的点分为前景点和背景点；对每一个前景点回归一个三维候选框，组成第一候选框集合C₁；采用NMS算法剔除集合C₁中置信度分数低于第一阈值的候选框，合并集合C₁中置信度高于第二阈值的候选框，组成第二候选框集合C₂；将集合C₂中所有候选框内的点池化并转换到规范坐标，得到集合D；将集合D与集合B作为第二PointSIFT网络的输入，提取集合D中置信度高于第三阈值的候选框作为目标。