[发明专利]一种结合点云形状特征的自动驾驶实时三维目标检测方法

权利要求书

1.一种结合点云形状特征的自动驾驶实时三维目标检测方法，其特征在于：包含以下步骤：

A、为3D场景中的任意体素进行点云分配

将车载激光雷达采集到的全部点云P分配给各个体素，当体素内的点云数量超过预设最大点云数量N时随机采样N个点云，当点云数量少于N时使用0将点云数量补齐到N个，从而使每个非空体素中都有相同数量的点云数量N，每个点云包含三维位置坐标信息c及点云反射强度信息i；

B、为体素内的任一点云寻找邻接点并构建代表性曲面

以体素内任意一个点云作为原点，使用K近邻算法为其找到几何距离最近的K个邻接点云；将这K个邻接点云按照极坐标系下相对当前点云的角度顺时针排序，并依次两两与当前点云构建三角形网格，使得每个点云对应K个三角形网格，计算体素内每个点云对应网格的法向量方向v_norm及网格中心坐标c_center，最终为每个点云生成K个法向量及网格中心坐标，具体公式如下：

v_norm＝(c_k-c_current)×(c_k-1-c_current)0≤k≤K

式中：c_current表示当前点云的坐标，c_k表示第k个邻近点的坐标

C、对体素内部的代表性曲面进行特征提取

将每个点生成网格的法向量方向v_nom、网格中心坐标c_center以及网格中心的极坐标c_sphere使用全连接神经网络以及最大池化，为每个点云生成一个表征局部形状的伞状曲面特征向量f_umbella；

c_sphere＝xyz2sphere(C_center)

f_umbella＝pooling{MLPs(v_norm,c_center,c_sphere)}

式中：xyz2sphere是极坐标转换函数，pooling是最大池化函数，MLPs表示全连接神经网络。

D、计算包含点云局部形状的体素特征

使用体素内每个点的全局坐标c、反射强度i、相对聚类中心的坐标c_cluster、相对体素中心的坐标c_voxel构建体素内部的点云坐标特征f_coordinate，结合局部形状特征f_umbella进一步进行特征集合抽象，得到每个点的特征，并通过最大池化层将N个点云的特征压缩为体素特征，得到包含点云局部形状的体素特征F_voxel，表示如下：

f_coordinate＝(c,i,c_cluster,c_voxel)

F_voxel＝pooling{MLPs(f_coordinate,f_umbella)}

E、检测三维目标

将得到的体素特征投影到鸟瞰图视角下，使用深度卷积神经网络对体素特征进行进一步下采样及特征提取，并直接在下采样后的鸟瞰图特征上预测三维目标的位置、尺寸以及类别，所述三维目标包括汽车、行人和骑行者，从而完成自动驾驶车辆对周围环境的理解，为后续自动驾驶提供精准的检测结果。