买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天津理工大学

摘要：本发明公开了一种基于自适应锚框阈值与3DIoU损失的3D目标车辆检测方法，步骤为：S1、获取周围环境的原始激光雷达数据，S2、在由步骤S1获得的原始激光雷达数据中，去除靠近地面位置激光雷达点和去除无法投影到图像上的激光雷达点，S3、依次通过采样增强、随机翻转增强和旋转平移增强的方法，对由步骤S2得到的雷达数据进行数据增强处理，S4、构建基于自适应锚框阈值与3DIoU损失的3D目标检测网络，S5、利用步骤S3的雷达数据对3D目标检测网络进行训练；该方法使用轻量化模型，平衡检测精度和检测速度，同时使用尺度特征使得针对不同大小物体都能保持较好检测效果，与传统处理方法相比，提高网络精度同时，解决了梯度消失问题，提升了网络的鲁棒性。

主权项：1.一种基于自适应锚框阈值与3DIoU损失的3D目标车辆检测方法，其特征在于，步骤如下：S1、获取周围环境的原始激光雷达数据；S2、在由步骤S1获得的原始激光雷达数据中，去除靠近地面位置激光雷达点和去除无法投影到图像上的激光雷达点；S3、依次通过采样增强、随机翻转增强和旋转平移增强的方法，对由步骤S2得到的雷达数据进行数据增强处理；S4、构建基于自适应锚框阈值与3DIoU损失的3D目标检测网络，包括依次连接的：1点云体素化模块，其将任一帧雷达数据的点云划分为具有规定特征图尺寸的若干个体素的点云体素化模块；2特征编码模块，其对全部体素按照提速特征进行排列以得到伪图像特征；3特征提取模块，其通过对伪图像特征依次进行四级下采样，以得到各级下采样特征图；4特征聚合模块，其分别对特征提取模块中第1级下采样特征图、第3级下采样特征图和第4级下采样特征图进行4倍下采样、1倍上采样和2倍上采样，并将所得特征图进行维度叠加，以获得聚合特征图；5预测输出模块，其通过聚合特征图分别进行三次卷积，以分别输出类别预测I、尺度回归和类别预测II；S5、利用步骤S3的雷达数据对3D目标检测网络进行训练，包括：S501、将由步骤S3得到的雷达数据随机划分为训练集和验证集；S502、设定网络训练参数；S503、将训练集输入3D目标检测网络，以输出分类预测结果、尺度回归预测结果和方向分类预测结果；S504、正、负样本锚框筛选：1在3D目标检测网络输出的特征图上构建一个与特征图尺寸H×W，相匹配的H×W的棋盘格特征图，并在特征图的每个方格内，以方格的中心点为锚框中心点、针对每个类型的检测目标均分别生成两个朝向为0°和90°的预设锚框；各预设锚框为立方框，其长度、宽度和高度是通过聚类数据集标签中相同类别检测框的长、宽、高得到，预设锚框底面在激光雷达坐标系下的高度值根据激光雷达的安装高度确定；2将检测目标在标注数据中的真值与由步骤S5041输出的六个预设锚框求取交并比IoU，得到各锚框和真值的重叠占比；3将全部交并比IoU结果进行降序排列，并取前十个交并比IoU求平均值和方差；4将平均值和方差求和，作为正样本锚框阈值IoU正，将0.6倍的正样本阈值作为负样本阈值IoU负；5取交并比IoU＞IoU正的预设锚框为正样本锚框，交并比IoU＜IoU负的预设锚框为负样本锚框，并舍弃交并比在IoU负≤IoU≤IoU正范围内的所有预设锚框；S505、利用损失计算优化3D目标检测网络：1对于类别预测结果I的分类损失计算采用FocalLoss作为分类损失函数；2对于类别预测结果II的损失计算采用交叉熵损失函数；3对于尺度回归结果采用3DIoU计算回归损失，包括：i计算预测框和真值框的体积V1和V2；ii计算预测框和真值框未旋转时的最小外接立方体C1，再根据二者的方向的差距拟合一个权值K，用K代表不旋转时的最小外接立方体C1和旋转时的最小外接立方体C2之间的差距，即C2＝K×C1；其中，K的计算公式为：式中，r1表示预测框的朝向,r2表示真值框的朝向；max为取最大值操作，min为取最小值操作；iii3DIoU损失计算公式为：Lreg＝1-IoU，式中，Lreg表示回归损失；4将分类损失、回归损失和方向损失代入3D目标检测网络中，采用梯度反向传播的方式对网络进行优化。

全文数据：

权利要求：

百度查询： 天津理工大学 基于自适应锚框阈值与3D IoU损失的3D目标车辆检测方法