Robust segmentation of raw point clouds into consistent surfaces

This paper presents a region-based method for extraction of consistent surfaces from raw point clouds. The method uses a new robust estimation method of constructing seed regions and a new method of orientating regions or surfaces. The robust estima- tion method selects good seed regions from candidate regions generated randomly in a structured neighborhood. The orienta- tion method uses transition vectors from which include angles of adjacent normal vectors are not greater than 90~ and thus can be orientated correctly crossing sharp features or close-by opposite surfaces. The region-based method consists of two levels of segmentation： planar segmentation and quadric segmentation, both of which produce consistent surfaces. The quadric segmen- tation fits general quadrics by 3 L fitting algorithm in its region growing process and can take consistent planar surfaces as ini- tials. Experimental results show that the robust estimation method has higher probability of success than the traditional one and the orientation method works well. Experimental results also demonstrate the applicability of our method to various data.

基于点云的自动驾驶下三维目标检测

针对当前三维目标检测算法对行人、骑行人等小目标检测效果不佳的缺点,提出一种改进PV-RCNN的三维目标检测算法。改进关键点下采样方式,通过滤除背景及离群点提高关键点在目标上的命中率;设计多尺度区域建议网络,尺度匹配的特征图提高边界框的生成质量;使用加入方向感知的DIoU损失函数优化边界框的回归。实验结果表明,与基准网络相比,算法在KITTI测试集的车辆、行人和骑行人的mAP分别提高了0.77%、6.33%和2.05%,有效提高了网络性能。

基于原始点云的三维目标检测算法

针对当前三维目标检测中存在的数据降采样难、特征提取不充分、感受野有限、候选包围盒回归质量不高等问题,基于3DSSD三维目标检测算法,提出了一种基于原始点云、单阶段、无锚框的三维目标检测算法RPV-SSD(random point voxel single stage object detector),该算法由随机体素采样层、3D稀疏卷积层、特征聚合层、候选点生成层、区域建议网络层共五个部分组成,主要通过聚合随机体素采样的关键点逐点特征、体素稀疏卷积特征、鸟瞰图特征,进而实现对物体类别、3D包围盒以及物体朝向的预测。在KITTI数据集上的实验表明,该算法整体表现良好,不仅能够命中真值标签中的目标并且回归较好的包围盒,还能够从物体的不完整点云推测出物体的类别及其完整形状,提高目标检测性能。

基于点云数据的三维目标识别和模型分割方法

三维模型的深度特征表示是三维目标识别和三维模型语义分割的关键和前提,在机器人、自动驾驶、虚拟现实、遥感测绘等领域有着广泛的应用前景。然而传统的卷积神经网络需要以规则化的数据作为输入,对于点云数据需要转换为视图或体素网格来处理,过程复杂且损失了三维模型的几何结构信息。借助已有的可以直接处理点云数据的深度网络,针对产生的特征缺少局部拓扑信息问题进行改进,提出一种利用双对称函数和空间转换网络获得更鲁棒、鉴别力更强的特征。实验表明,通过端到端的方式很好地解决缺少局部信息问题,在三维目标识别、三维场景语义分割任务上取得了更好的实验效果,并且相比于PointNet++在相同精度的情况下训练时间减少了20%。