基于激光雷达点云的车辆目标检测算法改进研究_王庆林.pdf

电 子 测 量 技 术E L E C T R ON I CME A S UR EME N TT E CHNO L OG Y第4 6卷 第1期2 0 2 3年1月 D O I:1 0.1 9 6 5 1/j.c n k i.e m t.2 2 1 0 3 3 5基于激光雷达点云的车辆目标检测算法改进研究王庆林1 李 辉1 谢礼志1 谢剑斌2 彭石林1(1.长沙理工大学物理与电子科学学院 长沙4 1 0 1 1 4;2.湖南中科助英智能科技研究院有限公司 长沙4 1 0 2 0 5)摘 要:本文提出了一种基于P o i n t R C NN的改进目标检测算法。该方法针对原始P o i n t R C NN对远距离处的车辆检测效果较差的问题进行了优化,并提高了算法目标检测的平均精度值。改进算法第1阶段先将激光雷达点云进行伪图像处理,降维至二维,然后利用P o i n t-F o c u s结构对其进行处理并还原至三维点云。再将其送入P o i n t N e t+主干网络中进行特征提取,得到点的分类与回归结果并进行第1阶段的3 D框生成。第2阶段对3 D框进行优化选择,引入P o i n t-C S P N e t结构进一步提升网络学习能力和鲁棒性。本文合理借鉴了YO L O系列算法中的F o c u s、C S P N e t结构,充分提取了原始点云中的有效信息,有效整合了网络运算过程中的特征及梯度变化,提高网络的检测准确率。本文的改进算法在K I T T I数据集的3 D场景下平均精度 值从8 1.1 0%提 升 至8 1.7 4%;B E V场景 下 平均 精度 值 从8 6.8 7%提升至8 8.2 0%,可视化效果中远距离处的车辆目标检测效果也得到了一定程度的优化,对无人驾驶技术进一步优化和完善具有一定的积极意义。关键词:点云数据;目标检测;P o i n t R C NN;K I T T I数据集中图分类号:T P 3 9 1.4 文献标识码:A 国家标准学科分类代码:5 1 0.4R e s e a r c ho n i m p r o v i n gv e h i c l e t a r g e td e t e c t i o na l g o r i t h mb a s e do nl i d a rp o i n t c l o u dW a n gQ i n g l i n1 L iH u i1 X i eL i z h i1 X i eJ i a n b i n2 P e n gS h i l i n1(1.S c h o o l o fP h y s i c a l a n dE l e c t r o n i cS c i e n c e s,C h a n g s h aU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,C h a n g s h a4 1 0 1 1 4,C h i n a;2.H u n a nZ K H I I n t e l l i g e n tT e c h n o l o g yR e s e a r c hI n s t i t u t eC o.,L t d.,C h a n g s h a4 1 0 2 0 5,C h i n a)A b s t r a c t:T h i sp a p e rp r e s e n t sat a r g e td e t e c t i o na l g o r i t h m b a s e do nP o i n t R C NN.T h i sm e t h o di sa i m e da tv e h i c l et a r g e t s.A i m i n ga t t h ep r o b l e mt h a t t h eo r i g i n a lP o i n t R C NNi sp o o r i nv e h i c l ed e t e c t i o na tad i s t a n c e,t h em e t h o di so p t i m i z e da n dt h ea v e r a g ea c c u r a c yo f t a r g e td e t e c t i o n i s i m p r o v e d.I nt h e f i r s t s t a g e,t h e l i d a rp o i n t c l o u d i sp r o c e s s e db yp s e u d o-i m a g es t r u c t u r ea n dd i m e n s i o n a l i t yr e d u c t i o nt o2 D,a n dt h e np r o c e s s e db yP o i n t-F o c u ss t r u c t u r ea n dr e s t o r e dt o3 Dp o i n t c l o u d.T h e n i tw i l l b e s e n t i n t o t h eb a c k b o n eo fP o i n t N e t+f o r f e a t u r ee x t r a c t i o n,c l a s s i f i c a t i o na n dr e g r e s s i o n.I nt h es e c o n ds t a g e,3 Df r a m e i so p t i m i z e da n ds e l e c t e d,a n dP o i n t-C S P N e ts t r u c t u r e i s i n t r o d u c e dt of u r t h e r i m p r o v en e t w o r kl e a r n i n ga b i l i t ya n dr o b u s t n e s s.I nt h i sp a p e r,t h eF o c u sa n dC S P N e ts t r u c t u r e so fYO L Os e r i e sa l g o r i t h m sa r eu s e df o r r e f e r e n c e.T h ee f f e c t i v e i n f o r m a t i o n i nt h eo r i g i n a lp o i n t c l o u di sf u l l ye x t r a c t e da n dt h ef e a t u r e,g r a d i e n t c h a n g e s i nt h en e t w o r ko p e r a t i o na r ee f f e c t i v e l yi n t e g r a t e dt oi m p r o v et h ed e t e c t i o na c c u r a c yo ft h en e t w o r k.T h ea v e r a g ea c c u r a c yo f t h e i m p r o v e da l g o r i t h mi s i m p r o v e d f r o m8 1.1 0%t o8 1.7 4%i n3 Ds c e n e so fK I T T Id a t a s e t;a n d i ti si m p r o v e df r o m8 6.8 7%t o8 8.2 0%i nB E Vs c e n e so fK I T T Id a t a s e t,a n dt h ed e t e c t i o ne f f e c to fv e h i c l e t a r g e t s i nt h e f a rd i s t a n c eo fv i s u a l e f f e c th a sa l s ob e e no p t i m i z e dt oac e r t a i ne x t e n t,w h i c hh a s c e r t a i np o s i t i v es i g n i f i c a n c e f o r f u r t h e ro p t i m i z a t i o na n d i m p r o v e m e n to fu n m a n n e dd r i v i n gt e c h n o l o g y.K e y w o r d s:p o i n t c l o u dd a t a;t a r g e td e t e c t i o n;P o i n t R C NN;K I T T Id a t a s e t 收稿日期:2 0 2 2-0 6-1 60 引 言 随着无人驾驶技术的兴起,研究者们越来越关注与之相关的具体应用技术研究。实现无人智能驾驶,就离不开车载条件下的环境感知和目标检测。点云数据即分布在三维空间中的离散点集1,一般由激光雷达、毫米波雷达、T o F(t i m eo f f l i g h t)相机等三维点云采集设备配备在车辆的合适位置来获取,用以进一步实现车辆的智能感知。在021王庆林 等:基于激光雷达点云的车辆目标检测算法改进研究第1期硬件完备的基础上,进一步优化点云目标检测算法的精确度和鲁棒性就具有十分重大的意义。目标检测是对视野中待检测物体的位置和大小进行判定框选,并以突出的形式让人眼能够快速识别,二维目标检测已经得到了巨大的发展,应用到了很多实际工程中2。在二维目标检测发展的启发下,三维点云中的目标检测也发展的越来越迅速。一般来说,点云数据中的目标检测有两种大的研究思路,其一是直接对原始点云进行处理,其二是将点云进行体素化处理3。基于原始点云数据表达的目标检测方法就是将原始点云直接作为输入,从而获取相应的点云特征完成目标检测,当前典型的算法有P o i n t R C NN4、S T D5等。基于体素的点云目标检测则是先对点云划分网格,将最终处于同一网格当中的点进行体素化处理,当前的主要典型算法有V o x e l N e t6、S E C ON D7、P o i n t P i l l a r s8等。在研究者们大力研究点云结合图片和点云体素化两种目标检测的解决思路时,P o i n t R C NN这一算法的提出进一步丰富了点云目标检测的研究广度,它直接对原始点云进行处理极大的保留了点云的原始特征,提高了目标检测的精度。进一步对P o i n t R C NN进行优化研究也就具有十分重要的意义。由于P o i n t R C NN在K I T T I数据集上的优质表现,且是第一个直接对点云数据进行处理的典型算法,得到了广大研究者的深入研究。徐兵9在P o i n t R C NN的基础上,引入了特征权重提取模块,设计了多通道的自适应特征权重 学 习 策 略。Y a n等1 0在R P N检 测 网 络 中 添 加 了H o u g hv o t i n g机制,优化了R P N网络的目标 检测 效 果。梁小芳1 1在其论文中实现了P o i n t R C NN融合去地面算法,提高了目标检测精度;L i等1 2采用多分支主干网络来处理点云密度不均匀的问题,优化了原始检测算法。1 相关工作1.1 P o i n t R C N N P o i n t R C NN是第1个直接对原始点云进行处理的两阶段点云目标检测算法,并采用P y t h o n语言结合P y t o r c h框架 进 行 实 现。P o i n t R C NN的 设 计 思 路 参