[发明专利]基于车载激光雷达点云的三维目标自适应检测方法及系统

说明书

本发明公开一种基于车载激光雷达点云的三维目标自适应检测方法及系统，将激光雷达点云栅格化后提取不同尺度的三维特征图和鸟瞰视角下的二维特征图；对激光雷达点云进行最远点采样得到稀疏采样点，分别将原始点云特征、不同尺度的三维特征图、鸟瞰视角下的二维特征图整合至稀疏采样点，丰富采样点特征表达；以采样点特征为输入，通过偏移预测和目标自适应的邻域划分方法生成与目标更加匹配的候选参考点及其对应特征；通过采样点特征和候选参考点特征分别得到目标候选框的分类和回归预测结果；最后进行目标候选框参数精细化；本发明能够在检测精度上超越所有现有基于稀疏候选框的方法和大多数基于稠密候选框的方法。

技术领域

本发明属于基于深度学习的三维空间环境感知技术领域，具体涉及一种基于车载激光雷达点云的三维目标自适应检测方法及系统。

背景技术

在自动驾驶领域，三维目标检测是车辆环境感知的一项基础任务，对车辆避障、目标跟踪、路径规划等下游决策具有重要意义。采集自车载激光雷达的点云数据嵌入了深度信息，相较于其他常用的车载环境感知传感器的数据，例如图像，更有利于三维空间环境的感知。

现有三维目标检测方法按照输入数据的模态大致可分为三类，基于点云的方法、基于图像的方法、基于多模态数据融合的方法。三类方法中以基于点云的方法研究最为广泛，首先点云数据具备独特优势，能够准确反映目标的三维空间位置、形状等物理特征；其次PointNet系列网络、3D稀疏卷积网络等工具促进了三维点云数据的高效处理；另外基于图像和基于多模态数据融合方法的检测精度目前还分别受制于深度估计和融合框架。

基于点云的方法按照其候选框的生成风格可以分为两类，基于稠密候选框的方法和基于稀疏候选框的方法。前者一般以鸟瞰视角下二维特征图的每个像素位置为中心参考，生成分布稠密的候选框，后者一般以原始点云的采样点位置为中心参考，生成分布稀疏的候选框。尽管基于稠密候选框的方法当前发展较快，但存在天然的劣势，一方面容易产生候选框冗余，另一方面没有利用点云数据的分布特性。相反地，基于稀疏候选框的方法在上述两点上都具备相对优势。但稀疏候选方法仍存在亟待解决的问题，首先，现有稀疏候选方法大都直接以特征提取器最终输出的高层语义特征为输入生成候选框，特征中缺少对局部语境多层次的理解；其次，由于中心参考点来自点云采样且分布在物体表面，所以其位置及特征都和对应目标存在不匹配的问题。

发明内容

为了解决现有技术中存在的问题，本发明提供一种基于车载激光雷达点云的三维目标自适应检测方法及系统，通过补充多层级多来源信息的采样点特征生成模块、包含目标自适应邻域划分方法的候选参考点特征生成模块、充分利用采样点特征和候选参考点特征的目标候选框生成模块，提升现有基于稀疏候选框方法的三维目标检测精度。

为了实现上述目的，本发明采用的技术方案是：一种基于车载激光雷达点云的三维目标自适应检测方法，具体过程如下：

将激光雷达点云栅格化后输入到三维稀疏卷积特征提取器中提取特征，得到不同尺度的三维特征图和鸟瞰视角下的二维特征图；

对激光雷达点云进行最远点采样，得到固定数量的稀疏采样点；

以原始点云、不同尺度的三维特征图、鸟瞰视角下的二维特征图为输入，利用SA结构将不同层级、不同来源的特征整合至稀疏采样点，最后通过全连接层处理得到信息加强的采样点特征；

通过所述信息加强的采样点特征生成与目标更加匹配的候选参考点及其对应特征，具体如下：以采样点特征为输入通过全连接层输出采样点位置到对应目标中心的绝对位置偏移，以采样点补偿偏移后的位置作为生成候选框的中心参考点，即候选参考点；以候选参考点为中心，用目标自适应的邻域划分方法确定其邻居采样点，将邻居采样点及其对应特征输入到局部点特征聚合结构，输出候选参考点对应特征；