基于深度学习的自动驾驶场景3D目标检测方法  

Deep learning based 3D target detection method for autonomous driving scenes

作　　者：张学锋[1] 唐永吉 杨武洲 樊旭 黄永鹤 谢悦 ZHANG Xuefeng;TANG Yongji;YAN Wuzhou;FAN Xu;HUANG Yonghe;XIE Yue(Anhui Province Key Laboratory of Special Heavy Duty Robot,Anhui University of Technology,Ma’anshan 243032,China;Ma’anshan City Fire Rescue Detachment,Ma’anshan 243032,China)

机构地区：[1]安徽工业大学特种重载机器人安徽省重点实验室,安徽马鞍山243032 [2]马鞍山市消防救援支队,安徽马鞍山243032

出　　处：《苏州科技大学学报（自然科学版）》2024年第2期63-70,共8页Journal of Suzhou University of Science and Technology（Natural Science Edition）

基　　金：安徽省高校自然科学研究项目(2022AH050290);特种重载机器人安徽省重点实验室开放课题(TZJQR007-2023)。

摘　　要：针对传统PV-RCNN在点云上采样效率低下和采样精度存在偏差等问题,提出了一种基于PV-RCNN改进的3D目标检测方法。更改关键点采样策略,使得有限的关键点可以更加地聚集在proposal区域范围内,更多的编码有效前景点特征来用于后面的proposal refinement,有效产生更具有代表性的关键点。用局部特征聚合的VectorPool聚合模块取代体素集抽象和ROI网格池化模块中的集合抽象,更高效的针对稀疏和不规则点云数据进行编码。在KITTI数据集上对算法验证,结果表明:行人鸟瞰图检测,困难级别检测精度提升较为显著,达到了10.46%,整体帧率提升为33.74%,文中的方法拥有更好的检测性能。ion in the ROI grid pooling module with the VectorPool aggregation module for local feature aggregation to encode sparse and irregular point cloud data more efficiently.The algorithm is validated on the KITTI dataset,and the results show that the pedestrian bird’s eye view detection takes a more significant difficulty level improvement of 10.46%,and an overall frame rate improvement of 33.74%.Our method has better detection performance.

关 键 词：3D目标检测 卷积神经网络 点云 SPC关键点采样 VectorPool聚合模块 

分 类 号：TP183[自动化与计算机技术—控制理论与控制工程]