一种基于类别引导的路侧交通目标检测方法

技术领域

本发明涉及路侧交通目标检测技术领域，具体为一种基于类别引导的路侧交通目标检测方法。

背景技术

随着自动驾驶车辆的快速发展和单车智能化规格的提高，路侧交通目标检测的应用范围在不断扩展，实际应用中，路侧交通目标检测为单车提供超感知的信息。由于单车智能化仍无法避免视野盲区、极端天气、判断延迟等顽疾。因此从周围环境获取有效信息并辅助车辆做出判断，对于车辆路径的规划至关重要，故路侧交通目标检测可作为车辆智能化决策的有效判断依据。路侧交通目标检测可以极大弥补单车智能的感知盲点，让自动驾驶由过去的单兵作战转变为有组织的高效协同合作。

目前，在大部分应用中，路侧设备扫描是路侧交通目标检测的主要数据来源。当路侧交通目标检测时对模型效果要求比较高。当目标物体距离扫描中心的距离不一，扫描角度变化较大，会造成点云扫描密度分布不均匀的现象，距离扫描中心越远点云越稀疏。在特征提取上由于3D点云稀疏的特性，很难在非人为设计的目标特征下检测出目标本身。如果在场景中的前景点远少于背景点会导致类别不均问题。如果在模型训练上采用3Ddetection的网络，随机初始化，难以训练，若给3类训练同一个模型，情况差别大，难度大，效果又会不好。所以基于以上技术问题，本发明专利设计和公开一种基于类别引导的路侧交通目标检测的方法。

发明内容

本发明的目的在于提供一种基于类别引导的路侧交通目标检测方法，本专利采用改进的空间体素特征提取和邻域凝练特征提取进行特征提取，然后在模型训练上先用相关数据预训练，进行参数初始化，再在目标类上训练，即可保证质量好的情况下准确的检测结果，解决了背景技术中所提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于类别引导的路侧交通目标检测方法，检测步骤如下：

S1.首先，在特征提取上，考虑到3D点云稀疏的特性，很难在非人为设计的目标特征下检测出目标本身，为消除3D点云对人工特征标注的依赖，使用体素特征提取方法；

S2.待步骤S1完成后，基于体素划分的3D卷积网络在能很好的保留激光雷达的点云信息，但是推理速度慢且目标朝向估计偏差大，通过改进的3D稀疏卷积网络来提高路侧交通目标检测的精准度；

S3.待步骤S2完成后，在3D稀疏卷积中，首先使用2D密集卷积算法，F

S4.待步骤S3完成后，再利用基于矩阵乘法的算法来收集数据构造矩阵

S5.待步骤S4完成后，再对稀疏数据G'

S6.待步骤S5完成后，随网络层数增加，会带来很多问题，其中包括：梯度消失，梯度爆炸等，深度学习通过误差的链式反向传播来更新参数,一旦其中某一层反向传播中导数过小，多次连乘后梯度逐渐消失，而残差连接相当于在每层传播导数上加上了一个恒等数1；

S7.待步骤S6完成后，在残差连接中，本文使用高斯误差线性单元(GELU)来替代整流线性单元(RELU)作为网络的激活函数；

S8.待步骤S7完成后，经过特征提取处理路侧3D点云生成相应的特征后得到了RoI,再通过Predicted Keypoint Weighting模块来降低不是前景点的关键点特征对refine阶段的影响，通过3D物体的真实框来提供物体的分割掩码(把物体与物体以及物体与背景分开)，由于在场景中的前景点远少于背景点，因此使用焦点损失函数来解决类别不均问题：

L

其中P

S9.待步骤S8完成后，最后，在模型训练上，使用相关数据预训练，参数初始化，保证质量好的基础上，再在目标类上训练，准确地检测出结果，提高准确度。

作为本发明的一种优选实施方式，所述步骤S3中卷积输出公式为：

其中u-u

作为本发明的一种优选实施方式，所述步骤S4中执行矩阵乘法公式为：

其中F'

作为本发明的一种优选实施方式，所述步骤S5中对稀疏数据G'

其中P'(j)是用于(j)获取输入索引i和滤波器偏移量的函数；

下标k是公式(1)对u-u

作为本发明的一种优选实施方式，所述步骤S6中残差可表示为：

其中f代表卷积操作，x代表当前层的输入。

作为本发明的一种优选实施方式，所述步骤S7中激活函数表达式为：

GELU(x)＝xP(X≤x)＝xΦ(x)

由于以上函数无法直接计算，因此可以通过近似参数‘tanh’来表示GELU，其表达式为：

GELU(x)＝0.5x(1+

GELU可以在激活中引入随机正则的思想，是一种对神经元输入的概率有效果描述，更加直观的符合自然认知，同时这种函数的非线性表达可以使神经网络更具有确定性决策。

与现有技术相比，本发明的有益效果如下：

本发明介绍了基于类别引导的路侧交通目标检测的方法。本方法没有对人工特征标注有依赖，本发明在特征提取上在现有方法上做出针对路测交通目标检测的改进提升准确度。同时本发明还利用先在模型训练上使用相关数据预训练与参数初始化来保证质量，然后在目标类上训练，这样能够准确地检测出结果，提高准确度。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明空间体素特征提取结构图；

图2为本发明空间体素特征编码层结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

请参阅图1-图2，本发明提供一种技术方案：一种基于类别引导的路侧交通目标检测方法，检测步骤如下：

S1.首先，在特征提取上，考虑到3D点云稀疏的特性，很难在非人为设计的目标特征下检测出目标本身，为消除3D点云对人工特征标注的依赖，使用体素特征提取方法；

S2.待步骤S1完成后，基于体素划分的3D卷积网络在能很好的保留激光雷达的点云信息，但是推理速度慢且目标朝向估计偏差大，通过改进的3D稀疏卷积网络来提高路侧交通目标检测的精准度；

S3.待步骤S2完成后，在3D稀疏卷积中，首先使用2D密集卷积算法，F

其中u-u

S4.待步骤S3完成后，再利用基于矩阵乘法的算法来收集数据构造矩阵

其中F'

S5.待步骤S4完成后，再对稀疏数据G'

其中P'(j)是用于(j)获取输入索引i和滤波器偏移量的函数；

下标k是公式(1)对u-u

S6.待步骤S5完成后，随网络层数增加，会带来很多问题，其中包括：梯度消失，梯度爆炸等，深度学习通过误差的链式反向传播来更新参数,一旦其中某一层反向传播中导数过小，多次连乘后梯度逐渐消失，而残差连接相当于在每层传播导数上加上了一个恒等数1，

残差可表示为：

其中f代表卷积操作，x代表当前层的输入；

S7.待步骤S6完成后，在残差连接中，本文使用高斯误差线性单元(GELU)来替代整流线性单元(RELU)作为网络的激活函数，其表达式为：

GELU(x)＝xP(X≤x)＝xΦ(x)

由于以上函数无法直接计算，因此可以通过近似参数‘tanh’来表示GELU，其表达式为：

GELU可以在激活中引入随机正则的思想，是一种对神经元输入的概率有效果描述，更加直观的符合自然认知，同时这种函数的非线性表达可以使神经网络更具有确定性决策；

S8.待步骤S7完成后，经过特征提取处理路侧3D点云生成相应的特征后得到了RoI,再通过Predicted Keypoint Weighting模块来降低不是前景点的关键点特征对refine阶段的影响，通过3D物体的真实框来提供物体的分割掩码(把物体与物体以及物体与背景分开)，由于在场景中的前景点远少于背景点，因此使用焦点损失函数来解决类别不均问题：

L

其中P

S9.待步骤S8完成后，最后，在模型训练上，使用相关数据预训练，参数初始化，保证质量好的基础上，再在目标类上训练，准确地检测出结果，提高准确度。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。