结合上下文信息和注意力的点云目标检测方法

针对基于体素的点云目标检测存在上下文信息利用不足和特征提取能力不足的问题,提出一种基于体素的3D目标检测模型(AA-PointPillars),通过引入三重注意力机制获得更鲁棒的体素特征,同时建立不同体素之间的依赖关系。在主干网络中,通过引入卷积注意力模块CBAM从通道维度和空间维度两方面增强对检测有帮助的特征,抑制背景噪声,得到更精确的检测结果。在KITTI数据集上的实验结果表明,与基准模型相比,算法的均值平均精度mAP在BEV(Bird′s Eye View)检测和3D检测上分别提升了1.15%和2.28%,证明了方法的有效性。

激光扫描点云中运动图像边界信息提取方法

使用距离地面较远的机载激光扫描获取运动图像边界信息数据,得到的数据点密度较低,无法精细提取运动图像边界信息,因此设计一种激光扫描点云中运动图像边界信息提取方法。首先获取激光扫描点云运动图像,对其中的三维激光扫描仪、惯性测量单元等装置进行组合并设置相关的参数,并对激光扫描点云得到的数据预处理,使用八叉树建立离散点之间的关系,通过点云体素化完成去噪,最后通过地物聚类完成运动图像特征点云三维信息的提取。实验结果表明,所设计方法提取准确性较高,完整性较好,提取质量效果较佳,均超过了97%,具有较好的提取效果。

采用稀疏3D卷积的单阶段点云三维目标检测方法

针对点云体素化的三维目标检测方法中点云的特征提取能力不足的问题,将三维目标检测方法SECOND作为基准网络,提出一种采用稀疏3D卷积的单阶段点云三维目标检测(Reinforced SECOND)方法。首先,改进点云分组方式形成鲁棒的抽离体素特征的体素特征编码网络;其次,为增强体素中对检测任务有显著贡献的关键特征,同时抑制不相关噪声特征,把堆叠三重注意力机制引入体素特征编码网络;然后,提出残差稀疏卷积单元,设计了残差稀疏卷积中间网络,提高了该网络层的特征提取能力,保留了更多的原始特征信息;最后,把提出的空间语义特征融合(SSFF)模块引入区域建议网络,自适应地融合低级空间特征和高级抽象语义特征,进一步提高了模型特征的表达能力。在KITTI开源数据集上的实验结果表明:与之前许多基于网格及基于点的方法相比,所提方法显著提高了三维目标检测性能;与基准网络相比,采用所提方法对KITTI测试集car类和cyclist类进行检测,中等难度级别下的3D检测精度分别提高了5.85%和8.9%,困难难度级别下的3D检测精度分别提高了8.54%和8.53%。

融合点云深度信息的3D目标检测与分类

目的基于点云的3D目标检测是自动驾驶领域的重要技术之一。由于点云的非结构化特性,通常将点云进行体素化处理,然后基于体素特征完成3D目标检测任务。在基于体素的3D目标检测算法中,对点云进行体素化时会导致部分点云的数据信息和结构信息的损失,降低检测效果。针对该问题,本文提出一种融合点云深度信息的方法,有效提高了3D目标检测的精度。方法首先将点云通过球面投影的方法转换为深度图像,然后将深度图像与3D目标检测算法提取的特征图进行融合,从而对损失信息进行补全。由于此时的融合特征以2D伪图像的形式表示,因此使用YOLOv7(you only look once v7)中的主干网络提取融合特征。最后设计回归与分类网络,将提取到的融合特征送入到网络中预测目标的位置、大小以及类别。结果本文方法在KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago)数据集和DAIR-V2X数据集上进行测试。以AP(average precision)值为评价指标,在KITTI数据集上,改进算法PP-Depth相较于PointPillars在汽车、行人和自行车类别上分别有0.84%、2.3%和1.77%的提升。以自行车简单难度为例,改进算法PP-YOLO-Depth相较于PointPillars、PP-YOLO和PP-Depth分别有5.15%、1.1%和2.75%的提升。在DAIR-V2X数据集上,PP-Depth相较于PointPillars在汽车、行人和自行车类别上分别有17.46%、20.72%和12.7%的提升。以汽车简单难度为例,PP-YOLO-Depth相较于PointPillars、PP-YOLO和PP-Depth分别有13.53%、5.59%和1.08%的提升。结论本文方法在KITTI数据集和DAIR-V2X数据集上都取得了较好表现,减少了点云在体素化过程中的信息损失并提高了网络对融合特征的提取能力和多尺度目标的检测性能,使目标检测结果更加准确。

Automated extraction of expressway road surface from mobile laser scanning data

This paper presents a voxel-based region growing method for automatic road surface extraction from mobile laser scanning point clouds in an expressway environment.The proposed method has three major steps:constructing a voxel model;extracting the road surface points by employing the voxel-based segmentation algorithm;refining the road boundary using the curb-based segmentation algorithm.To evaluate the accuracy of the proposed method,the two-point cloud datasets of two typical test sites in an expressway environment consisting of flat and bumpy surfaces with a high slope were used.The proposed algorithm extracted the road surface successfully with high accuracy.There was an average recall of 99.5%,the precision was 96.3%,and the F1 score was 97.9%.From the extracted road surface,a framework for the estimation of road roughness was proposed.Good agreement was achieved when comparing the results of the road roughness map with the visual image,indicating the feasibility and effectiveness of the proposed framework.