基于卷积神经网络的激光点云三维目标检测技术研究

摘要

随着数据采集和存储技术的持续进步、计算机处理数据能力和运算水平的显著提高、以及人工智能和汽车行业的迅猛发展，自动驾驶技术成为业界焦点目标检测作为自动驾驶感知的基本组成部分，亦成为研究热点。与2D目标检测相比，三维空间目标的位置估计在实际应用中具有更为重要的意义。通过估计空间中目标的三维位置，智能车辆或机器人可以准确的预判和规划自己的行为和路径，避免碰撞和违规。激光雷达捕获的点云因具有深度信息、精度较高、三维空间尺度一致性好等优点，现已成为3D目标检测的重要数据形式。然而，基于激光雷达点云的3D目标检测也面临着更多的挑战，主要体现在需要对目标的三维位置和尺寸进行精准的估计。　　本文将卷积神经网络应用于激光雷达点云3D目标检测，深入开展了相关的理论与技术研究，并取得了如下成果。　　首先，针对纯点云数据的3D目标检测，提出一种基于点云体素表示的体素特征学习算法。该算法充分利用体素内点的自身特征，并以相邻体素的云特征为基础，采用三线性插值算法获得与体素内点数量相同的邻域特征。最后借助特征拼接、全连接层、池化层实现点特征与邻域特征的深度融合。该体素特征学习网络通过端到端的学习方式，提取到兼备点特征和邻域特征、鲁棒性强的体素特征。　　其次，提出了一种基于多尺度特征提取与融合的鸟瞰图3D目标检测网络。该网络中，首先在体素特征学习网络获取的鸟瞰特征图上利用下采样提取尺度不同的鸟瞰特征图，然后利用上采样操作将特征图尺寸进行统一，并将这些特征图拼接在一起，完成多尺度特征融合。融合后的特征既包含低层特征图的细节特征，也包含了高层特征图的语义特征，有效地提高了检测准确度。　　最后，本文针对3D目标检测中损失函数的设计与检测精度评估标准不一致的问题进行分析、研究，提出了3D广义交并比损失函数，联合其他损失函数共同完成模型优化任务。利用该损失函数可以提高预测框的方向精准度，从而提高目标检测的精度。

目录

声明

第 1 章 绪论

1.1 课题背景与研究意义

1.2 三维目标检测方法概述

1.3 国内外研究现状

1.3.1 基于 RGB/RGB-D 图像的三维目标检测

1.3.2 基于激光雷达点云的三维目标检测算法

1.3.3 基于多源数据的三维目标检测

1.3.4 现有算法总结

1.4 本文研究内容

1.5 本文结构组织

第 2 章 深度学习与点云三维目标检测

2.1 前言

2.2 深度学习理论

2.2.1 人工神经网络

2.2.2 卷积神经网络

2.2.3 深度卷积神经网络

2.3 激光雷达与点云

2.2.1 激光雷达

2.2.2 点云数据

2.4 三维目标检测算法性能评估指标

2.5 本章小结

第 3 章 基于体素表示的三维目标检测算法

3.1 前言

3.2 体素特征学习网络

3.2.1 点—体素特征学习网络

3.2.2 插值方法

3.3 基于多尺度特征图融合的三维区域提案网络

3.3.1 主干网络

3.3.2 目标分类与参数回归

3.4 实验与结果分析

3.4.1 数据集介绍

3.4.2 实验设置

3.4.3 实验结果

3.4.4 实验结果分析

3.5 本章小结

第 4 章 基于改进损失函数的三维目标检测算法

4.1 前言

4.2 损失函数

4.2.1 分类损失函数

4.2.2 回归损失函数

4.3 三维广义交并比损失函数

4.4 实验结果与分析

4.4.1 实验设置

4.4.2 实验结果

4.4.3 实验结果分析

4.5 不同模块对比实验及结果

4.6 本章小结

结 论

参考文献

附录 A 攻读学位期间所发表的学术论文

附录 B 2015 - 2019 年全球自动驾驶事故记录

致 谢