(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210136727.7 (22)申请日 2022.02.15 (71)申请人 浙江零跑 科技股份有限公司 地址 310051 浙江省杭州市滨江区物联网 街451号1楼 (72)发明人 许翔　黄刚　 (74)专利代理 机构 杭州杭诚专利事务所有限公 司 33109 专利代理师 刘正君 (51)Int.Cl. G06T 7/73(2017.01) G06T 7/246(2017.01) G06K 9/62(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) (54)发明名称 一种多分支输入的激光雷达目标检测方法 (57)摘要 本发明公开了一种多分支输入的激光雷达 目标检测方法， 包括以下步骤： 步骤S1） 输入点 云 数据； 步骤S2） 对点云数据进行体素化； 步骤S3） 进行特征映射， 获得体素特征并进行融合； 步骤 S4） 将融合后的体素特征输入骨干网络； 步骤S5） 检测头输 出结果。 本发明将点云的坐标信息与强 度信息分别送入不同的分支网络中进行特征映 射， 从而使得两者产生的体素特征在数值上处于 同一量级， 而后将这两种体素特征进行融合， 从 而充分利用激光雷达点云的各类信息， 提升检测 性能， 避免由于忽略坐标信息与强度信息的量级 差异导致存在误检， 同时采用基于体素的深度学 习算法， 具有良好的泛化能力， 实现性能与速度 的平衡。 权利要求书1页 说明书4页 附图1页 CN 114648579 A 2022.06.21 CN 114648579 A 1.一种多分支输入的激光雷达目标检测方法， 其特 征在于， 包括以下步骤： 步骤S1： 输入点云数据； 步骤S2： 对点云数据进行体素化； 步骤S3： 进行 特征映射， 获得体素 特征并进行融合； 步骤S4： 将融合后的体素 特征输入骨干网络； 步骤S5： 检测头 输出结果。 2.根据权利要求1所述的一种 多分支输入的激光雷达目标检测方法， 其特征在于， 步骤 S1中， 所述 点云数据包括 点云的坐标信息和强度信息 。 3.根据权利要求1所述的一种 多分支输入的激光雷达目标检测方法， 其特征在于， 步骤 S2的具体过程， 包括以下步骤： 步骤S21： 确定体素化的点云范围(xmin,ymin,zmin,xmax,ymax,zmax)； 步骤S22： 确定体素网格大小(vx,vy,vz)； 步骤S23： 对于点云中坐标为(xi,yi,zi)的点， 体素化后对应的网格索引为 其中floor()为向下 取整。 4.根据权利要求2所述的一种 多分支输入的激光雷达目标检测方法， 其特征在于， 步骤 S3的具体过程为： 将点云的坐标信息和强度信息 分别送入两个不同的分支网络中进 行特征 映射， 分别获得空间体素 特征和强度体素 特征， 然后进行融合获得最终的体素 特征。 5.根据权利要求1所述的一种 多分支输入的激光雷达目标检测方法， 其特征在于， 步骤 S4中， 所述骨干网络由一系列的卷积 操作堆叠而成， 用于 丰富点云的特 征信息。 6.根据权利要求1所述的一种 多分支输入的激光雷达目标检测方法， 其特征在于， 步骤 S5中， 所述结果包括待检测目标的中心点 坐标、 尺寸大小、 航向角以及类别 信息。权　利　要　求　书 1/1 页 2 CN 114648579 A 2一种多分支输入的激光雷达 目标检测方法 技术领域 [0001]本发明涉及3D目标检测技术领域， 具体涉及一种多分支输入的激光雷达目标检测 方法。 背景技术 [0002]3D目标检测任务旨在实现3D场景中感兴趣目标的定位及分类， 是3D场景分析中的 一个基本任务。 随着自动驾驶技术的不断推进， 激光雷达传感器更是成为了其中不可或缺 的一部分， 因此， 3D点云数据的分析近年来也备 受关注。 现有的3D目标检测算法可以分为以 下两类， 一类是以聚类算法为主导的传统检测 算法， 通过人为设计的先验知识获取点云数 据的特征， 然后通过DBSCAN等算法对点云进行聚类； 另一类是以数据为驱动的深度学习 算 法， 通过神经网络学习点云特征， 对于不同的场景具有良好的泛化能力， 根据点云数据的不 同输入形态， 该类方法又 可细分为基于点的、 基于投影的以及基于体素的方法。 [0003]传统的点云检测算法依赖于人工设计的先验知识， 其对点云场景中存在的噪声点 非常敏感， 从而限制了其处理复杂场景的能力。 基于深度学习的方法是以数据为驱动， 其能 够从大量的标注数据自动学到适合的特征表示， 并在未知场景中进行较为准确的推理， 因 此具有良好的泛化性能。 在深度学习 领域中， 基于点的方法是直接在原始点云上进行特征 学习， 并在预测的前景点上生 成3D候选框， 这类方法能够 有效捕获点云的几何结构信息， 但 会随着点云数量的增加而显得低效； 基于投影的方法则是从某一特征角度将点云投射至2D 图像， 然后运用较为成熟的2D检测方法进行目标检测， 此类方法在投影阶段对点云数据进 行了维度压缩， 这在一定程度上牺牲了点云的几何信息， 对于一些远处遮挡较严重的目标， 具有较差的检测性能； 基于体素的方法则将点云场景进行离散化， 然后通过3D卷积操作提 取点云特征， 该类方法能够实现速度与性能的平衡。 上述方法在提取点云特征时， 通常将点 云的所有信息同时送入神经网络中， 忽略了点云的各种信息之 间存在的差异 性。 通常而言， 激光雷达会提供点云的坐标信息以及能够反映目标颜色、 材质等的强度信息， 坐标信息的 范围通常能够达到百米左右， 而强度信息则是0到255的离散值， 其在送入神经网络之前通 常会归一化至0到1之间， 这就导致点云的坐标信息与强度信息在数值上存在量级差异， 在 送入神经网络时会弱化强度信息对检测的作用， 从而导 致较多的误检问题。 发明内容 [0004]本发明主要是为了解决现有的点云检测算法忽 略坐标信息与强度信息的量级差 异导致存在误检的问题， 提供了一种多分支输入的激光雷达目标检测方法， 将点云的坐标 信息与强度信息分别送入不同的分支网络中进行特征映射， 从而使得两者产生的体素特征 在数值上处于同一量级， 而后将这两种体素特征进行融合， 从而充分利用激光雷达点云的 各类信息， 提升检测性能， 避免由于忽略坐标信息与强度信息的量级差异导致存在误检， 同 时采用基于体素的深度学习算法， 具有良好的泛化能力， 实现性能与速度的平衡。 [0005]为了实现上述目的， 本发明采用以下技 术方案：说　明　书 1/4 页 3 CN 114648579 A 3