基于体素柱形的激光雷达点云车辆目标检测算法

摘要

环境车辆是自动驾驶汽车行驶时的主要障碍物之一,对环境车辆的尺寸、位置、朝向等空间信息进行感知对于保障行驶安全具有重要意义。激光雷达点云数据包含了场景中物体表面扫描点的三维坐标,是实现车辆目标检测任务的重要数据来源。结合SECOND与PointPillars方法,提出一种基于体素柱形的三维车辆目标检测模型,利用三维稀疏卷积聚合点云局部特征,在体素特征图上构造柱形并进行特征编码,有效解决点柱形方法缺乏柱形间特征交互问题,增强点云特征的空间语义信息;基于均值池化操作生成锚框点云占据位图并提出一种简单负样本过滤策略,在模型训练阶段筛除预设在无点云覆盖区域的无效锚框,缓解正负样本或难易样本不均衡问题;在目标框回归模块中,使用类别置信度与交并比(IoU)预测值计算混合置信度,改善分类分支与位置回归分支结果不一致问题,并使用KITTI三维目标检测数据集进行模型训练与评估。研究结果表明:在严格判定标准下(IoU阈值设置为0.7),所提算法在简单、中等、困难3种难度级别下分别获得了89.60%、79.17%、77.75%的平均检测精度(AP3D),与SECOND、PointPillars等基准方法相比检测精度更高,在“中等”难度样本上AP3D分别提升了2.69%与1.19%,同时所提方法的车辆目标检测速度达到33.9帧·s^(-1),高于常规的激光雷达点云采集频率(10~20 Hz),满足实时处理要求;比较体素柱形与点柱形2种特征提取方式的性能差异可知,体素柱形结构在简单、中等、困难3种难度下的平均检测精度AP3D依次领先点柱形4.09%、6.66%、6.64%,证明体素柱形特征的空间语义信息更强;所提算法在保证点云帧实时处理的基础上,提高了三维车辆目标检测精度,具有较好的适用性。