基于图卷积注意网络的三维目标检测方法与制作流程

本技术提供的是一种基于图卷积注意网络的三维目标检测方法。(1)对点云进行体素化划分与随机降采样；(2)在每个栅格体素中进行局部特征提取；(3)中间层卷积提取高阶特征图；

(4)区域建议网络预测目标的标框、类别以及方向。本技术为了增强每个点与临近点之间的连接关系，提出了一种以边缘卷积形式为基础的引入注意机制的特征提取模块，同时在中间卷积层之后也引入原理相同的注意机制模块，对特征图各个通道进行特征的重新选择从而得到更合理的高阶特征图。本技术提升了点云的目标检测准确率，特别是在遮挡严重的情况下，仍能有良好性能。

技术要求

1.一种基于图卷积注意网络的三维目标检测方法，其特征是：

(1)对点云进行体素化划分与随机降采样；

(2)在每个栅格体素中进行局部特征提取；

(3)中间层卷积提取高阶特征图；

(4)区域建议网络预测目标的标框、类别以及方向。

2.根据权利要求1所述的基于图卷积注意网络的三维目标检测方法，其特征是所述的对点云进行体素化划分与随机降采样具体包括：使用体素网格的结构对原始点云进行划分，舍弃规定范围外的离群点，将点云划分至栅格中，并在每个体素栅格中进行随机降采样，然后对每个栅格进行编号，并进行存储。

3.根据权利要求2所述的基于图卷积注意网络的三维目标检测方法，其特征是：所述的存储是使用哈希表存储。

4.根据权利要求1所述的基于图卷积注意网络的三维目标检测方法，其特征是所述的在每个栅格体素中进行局部特征提取具体包括：在每一个体素的栅格内，使用图注意网络模块对对应点进行特征提取。

5.根据权利要求4所述的基于图卷积注意网络的三维目标检测方法，其特征是所述的使用图注意网络模块对对应点进行特征提取具体为：首先将每个点与周围相邻的点之间连边，形成一个以欧氏距离为判断标准的图结构，同时将每个点与这个点本身连一条边，提取每条边的两端点坐标等信息作为边的初始特征，然后对边进行卷积操作，最后经过对称函数的选择，处理得到体素级特征。

6.根据权利要求5所述的基于图卷积注意网络的三维目标检测方法，其特征是在边卷积操作之前，使用注意机制对初始特征进行选择。

7.根据权利要求1所述的基于图卷积注意网络的三维目标检测方法，其特征是所述的中间层卷积提取高阶特征图具体包括：使用稀疏卷积的方法，将特征图压缩为一个致密的结构，进行卷积后，再映射回原本稀疏的空间表示；在经过卷积抽象后，利用注意机制对不同通道进行权重的重新分配，得到一个与特征图相对应的注意力图，将注意力图叠加到卷积得到的高阶特征图上，得到最终的三维特征图。

8.根据权利要求1所述的基于图卷积注意网络的三维目标检测方法，其特征是所述的区域建议网络预测目标的标框、类别以及方向具体包括：将经过多层卷积的高阶特征图经特征提取后，利用三个分别的全连接层计算各个锚点所对应的边界框、类别、方向的预测值。

技术说明书

一种基于图卷积注意网络的三维目标检测方法

技术领域

本技术涉及的是一种计算机视觉三维点云处理方法，具体地说是一种三维目标检测方法。

背景技术

目标检测是一种传统的可视化任务，可以同时识别和定位目标，这是实现智能场景的先决条件。如今二维检测已经达到了前所未有的繁荣，但是在地图绘制、室内机器人和增强现实等领域，三维检测明显优于二维。它可以提供更多的位置姿态信息，同时也是自动驾驶环境感知的基本任务之一。RGB图像曾经是目标检测任务的主流数据形式，但随着3D传感器的发展，激光雷达近年来已成为一种越来越流行的检测工具。

现在，一些基于激光雷达和相机的方法融合了点云数据和图像数据一同获得更高的准确度。但融合方法也面临着计算成本过大的问题，所以单一传感器方法仍具有竞争力。许多研究表明，点云是描述物体形状更适当数据形式。点云可以更好地表示欧式距离并没有多尺度问题。然而，点云是一种稀疏数据，这使二维方法很难直接应用。

在提取特征时，大部分方法使用逐点处理点的方式，并使用对称函数来提取全局特征，这种思路忽视了点与点之间的连接和关系。而与图片数据相比，点云是一种天然的易于构建链接的图结构。有一些研究利用了图网络的思想，考虑了相邻点和边之间的关系有助于增强局部特征的表达，提出了边卷积的方法。在三维卷积时，考虑到在定义的体素范围内，由于点的稀疏性，很多体素为空，使用稀疏卷积的方式，可以在不影响卷积效果的同时提升计算速度并且减小显存损耗。

技术内容

本技术的目的在于提供一种能够提升点云目标检测准确率，在遮挡严重的情况下仍能有良好性能的基于图卷积注意网络的三维目标检测方法。

本技术的目的是这样实现的：

(1)对点云进行体素化划分与随机降采样；

(2)在每个栅格体素中进行局部特征提取；

(3)中间层卷积提取高阶特征图；

(4)区域建议网络预测目标的标框、类别以及方向。

本技术还可以包括：

1.所述的对点云进行体素化划分与随机降采样具体包括：使用体素网格的结构对原始

点云进行划分，舍弃规定范围外的离群点，将点云划分至栅格中，并在每个体素栅格中进行随机降采样，然后对每个栅格进行编号，并进行存储。

所述的存储是使用哈希表存储。

2.所述的在每个栅格体素中进行局部特征提取具体包括：在每一个体素的栅格内，使用图注意网络模块对对应点进行特征提取。

所述的使用图注意网络模块对对应点进行特征提取具体为：首先将每个点与周围相邻的点之间连边，形成一个以欧氏距离为判断标准的图结构，同时将每个点与这个点本身连一条边，提取每条边的两端点坐标等信息作为边的初始特征，然后对边进行卷积操作，最后经过对称函数的选择，处理得到体素级特征。

在边卷积操作之前，使用注意机制对初始特征进行选择。

3.所述的中间层卷积提取高阶特征图具体包括：使用稀疏卷积的方法，将特征图压缩为一个致密的结构，进行卷积后，再映射回原本稀疏的空间表示；在经过卷积抽象后，利用注意机制对不同通道进行权重的重新分配，得到一个与特征图相对应的注意力图，将注意力图叠加到卷积得到的高阶特征图上，得到最终的三维特征图。