[发明专利]三维目标检测方法及检测装置

权利要求书

1.一种三维目标检测方法，其特征在于，所述方法包括：

获取待检测目标的原始点云数据和原始RGB图像；

利用所述原始点云数据重构鸟瞰图，获得地面特征信息增强的鸟瞰图；

将所述原始点云数据、所述原始RGB图像和所述鸟瞰图进行特征持续融合，获得融合特征；

将所述融合特征输入目标检测器，获得目标检测结果；

利用所述原始点云数据重构鸟瞰图，获得地面特征信息增强的鸟瞰图，具体包括：

将所述原始点云数据转换为体素空间内的原始数据；

采用线性插值方法对所述体素空间内的每一个原始数据进行处理，获得体素空间特征；

将所述体素空间特征输入至全卷积网络中进行特征学习，输出体素空间内原始数据点相对于地面点的高度预测数据；

对所述原始点云数据和所述高度预测数据进行处理，获得去除地面点信息的点云数据；

将所述去除地面点信息的点云数据进行体素处理，重构鸟瞰图，获得地面特征信息增强的鸟瞰图。

2.根据权利要求1所述的三维目标检测方法，其特征在于，对所述原始点云数据和所述高度预测数据进行处理，获得去除地面点信息的点云数据，具体包括：

将所述原始点云数据中每个点的Z轴原始高度数据减去该点在所述高度预测数据中对应的预测的Z轴高度数据，获得Z轴高度差数据；

用所述Z轴高度差数据更新所述原始点云数据中的每个点的Z轴原始高度数据，更新后的点云数据确定为去除地面点信息的点云数据。

3.根据权利要求1所述的三维目标检测方法，其特征在于，所述全卷积网络为U-Net++网络。

4.根据权利要求1所述的三维目标检测方法，其特征在于，将所述原始点云数据、所述原始RGB图像和所述鸟瞰图进行特征持续融合，获得融合特征，具体包括：

对所述鸟瞰图中的每一个点使用K近邻算法确定鸟瞰图K近邻点，获得鸟瞰图K近邻点数据和鸟瞰图K近邻中心偏移数据；

从所述原始点云数据中获得与所述鸟瞰图K近邻点对应的原始点的点云数据，确定为融合用点云数据；

采用残差网络和特征金字塔网络对所述原始RGB图像进行特征学习，获得图像学习特征；

将所述鸟瞰图、所述鸟瞰图K近邻点数据、所述鸟瞰图K近邻中心偏移数据、所述融合用点云数据和所述图像学习特征作为输入，输入至由残差网络和特征金字塔网络构成的特征融合模块进行特征持续融合，获得融合特征。

5.根据权利要求4所述的三维目标检测方法，其特征在于，将所述鸟瞰图、所述鸟瞰图K近邻点数据、所述鸟瞰图K近邻中心偏移数据、所述融合用点云数据和所述图像学习特征作为输入，输入至由残差网络、连续卷积和特征金字塔网络构成的特征融合模块进行特征持续融合，获得融合特征，具体包括：

将所述鸟瞰图数据经过卷积处理和归一化激活处理，得到处理后的鸟瞰图数据，作为输入数据输入至所述特征融合模块中；

从所述图像学习特征中获得与所述鸟瞰图K近邻点对应的图像学习特征数据，确定为融合用图像学习特征；将所述融合用图像学习特征和所述鸟瞰图K近邻中心偏移数据进行张量拼接，输出二维密集信息数据；将所述二维密集信息数据与所述融合用点云数据进行张量拼接处理，输出融合三维空间信息的融合数据；

将所述处理后的鸟瞰图数据和所述融合三维空间信息的融合数据均作为输入数据输入至所述特征融合模块中进行特征持续融合，获得融合特征。

6.根据权利要求1至5中任一项所述的三维目标检测方法，其特征在于，将所述融合特征输入目标检测器，获得目标检测结果，具体包括：

利用目标检测器中的关键点热力图检测头及已知的定位损失函数检测目标的中心点；

利用目标检测器中的偏移损失检测头及已知的偏移损失函数检测目标的偏移；

利用目标检测器中的3D目标尺寸回归检测头及已知的尺寸损失函数检测目标的尺寸；

利用目标检测器中的方向角回归检测头及已知的方向损失函数检测目标的方向；

根据目标的中心点、目标的偏移、目标的尺寸及目标的方向，确定目标检测结果。