基于点云特征增强的三维目标检测算法研究

发布时间：2021-06-10 22:11

　　自动驾驶作为目前的一个热点话题,在技术方面面临着诸多挑战。其中,有效地理解三维环境是当前自动驾驶领域最重要、最难以解决的问题。经过一段时间的探索,处理三维点云的方案发展出了2D投影、Point Net直接处理以及最新颖的图网络处理方法。而图网络被认为是更适合于无序性数据的方法。同时,以上所有的三维目标检测算法都存在由于距离导致的不同尺度目标的难检测问题。本文主要基于典型无人驾驶真实场景下,针对点云中的多尺度问题,运用新颖的图网络算法,设计解决多尺度问题的网络结构和对应的损失函数,实现对点云场景的目标检测。首先,介绍了无人驾驶的KITTI数据集并开始建立点云中的节点图,为了减少计算复杂度的考虑,将点云进行体素采样来构建一个更简洁的图,采样得到的点云作为顶点,点云之间的关系作为边,并探讨点云图构建的关键性参数。构建了点云图后,采用多层感知器MLP搭建处理该点云图的GNN网络,通过图网络GNN的多次迭代来提取边和顶点的特征,并设计网络的分类头和检测头,分别采用Focal Loss和Huber Loss来作为分类损失函数和位置回归损失函数。其次,针对采用固定体素网格的采样方法导致的远处区域点云... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

MV3D网络结构示意图

哈尔滨工业大学工学硕士学位论文4点都由MLP进行处理，以获得每个点对应的特征向量。这些特征通过平均或最大池化的对称函数进行汇总，以形成对应于每个点的全局特征向量。图1-2PointNet网络结构图但是这种针对每个点处理的方式没有递进的提取不同尺度的特征，因此，PointNet++[5]进一步提出了点特征的分层聚合，并通过围绕一些关键点进行采样来生成点的局部子集。然后，将那些子集的特征进行特征提取，不断重复这个过程，如图1-3所示。许多最新的3D对象检测方法都利用PointNet++[5]来直接处理点云，避免了将点云映射到网格，如典型的FrustumPointNet[6]，它同样将PointNet[4]应用于点云处理，算法先将RGB二维检测结果投影到点云中，形成一个平截头体，然后利用PointNet针对平截头体中的点云进行检测，即缩小了检测所需的点云范围。如图1-4所示。图1-3PointNet++的分层归组和特征聚合图1-4FrustumPointNet功能示意图

PointNet++的分层归组和特征聚合

【参考文献】：
硕士论文
[1]基于模态转换的典型无人驾驶场景下三维目标识别算法研究[D]. 陈瑷玥.哈尔滨工业大学 2019



本文编号：3223192