(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 202210967172.0 (22)申请日 2022.08.12 (71)申请人 华北电力大 学 （保定） 地址 071028 河北省保定市莲池区永华北 大街619号 (72)发明人 鲁斌　孙洋　 (74)专利代理 机构 石家庄科途知识产权代理事 务所(普通 合伙) 13141 专利代理师 檀文礼 (51)Int.Cl. G06V 20/64(2022.01) G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/77(2022.01) G06V 10/80(2022.01)G06V 10/766(2022.01) G06V 10/75(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种3D目标检测方法、 装置、 终端和存储介 质 (57)摘要 本发明公开了一种3D目标检测方法、 装置、 终端和存储介质， 该方法包括： 获取包含目标物 的激光点云数据作为原始三维点 云数据； 基于原 始三维点云数据进行体素化、 3D稀疏卷积层、 以 及PRN网络处理， 得到感兴趣区域， 作为感兴趣区 域； 基于感兴趣区域， 进行最远点采样和空间网 格化处理， 得到中心点局部特征； 基于中心点局 部特征， 进行坐标升维和特征加和处理， 得到所 述目标物的感兴趣区域特征； 基于所述目标物的 感兴趣区域特征， 进行所述目标物的目标类别预 测和框位置回归处理， 实现对所述目标物的3D目 标检测。 该方案， 通过设置基于原始点云网格注 意力机制的两阶段3D目标检测算法， 提升3D目标 检测的检测效果。 权利要求书3页 说明书16页 附图6页 CN 115311653 A 2022.11.08 CN 115311653 A 1.一种3D目标检测方法， 其特 征在于， 包括： 获取包含目标物的激光 点云数据， 作为所述目标物的原 始三维点云数据； 基于所述目标物的原始三维点云数据， 进行体素化、 3D稀疏卷积层、 以及PRN网络处理， 得到所述目标物的原 始三维点云数据中的感兴趣区域， 作为所述目标物的感兴趣区域； 基于所述目标物 的感兴趣区域， 进行最远点采样和 空间网格化处理， 得到所述目标物 的中心点局部特 征； 基于所述目标物 的中心点局部特征， 进行坐标升维和特征加和 处理， 得到所述目标物 的感兴趣区域特 征； 基于所述目标物的感兴趣区域特征， 进行所述目标物的目标类别预测和框位置回归处 理， 实现对所述目标物的3D目标检测。 2.根据权利要求1所述的3D目标检测方法， 其特 征在于， 其中， 获取包含目标物的激光 点云数据， 作为所述目标物的原 始三维点云数据， 包括： 获取由激光雷达采集到的所述目标物的激光点云数据， 作为所述目标物的原始三维点 云数据； 其中， 所述目标物的原始三维点云数据， 在X轴方向的取值范围为第 一设定范围， 在Y轴 方向的取值范围为第二设定范围， 在Z轴方向的取值范围为第三设定范围； 和/或， 基于所述目标物的原始三维点云数据， 进行体素化、 3D稀疏卷积层、 以及PRN网络处理， 得到所述 目标物的原始三维点云数据中的感兴趣区域， 作为所述 目标物的感兴趣区域， 包 括： 基于所述目标物 的原始三维点云数据， 进行体素化处理， 得到所述目标物的原始三维 点云数据的三维体素； 基于所述目标物的原始三维点云数据的三维体素， 使用4层3D稀疏卷积进行特征提取， 得到所述目标物的原 始三维点云数据的多个尺度空间特 征； 基于所述目标物 的原始三维点云数据的多个尺度空间特征， 将4层中最后一层的多个 尺度空间特征进行视角压缩后， 利用区域建议网络进行感兴趣区域提取， 得到所述 目标物 的原始三维点云数据中的感兴趣区域， 作为所述目标物的感兴趣区域。 3.根据权利要求1所述的3D目标检测方法， 其特征在于， 基于所述目标物的感兴趣区 域， 进行最远点采样和空间 网格化处 理， 得到所述目标物的中心点局部特 征， 包括： 基于所述目标物 的感兴趣区域， 将所述目标物的感兴趣区域划分为柱形结构； 在所述 柱形结构的内部， 对所述 目标物的原始三维点云数据进行最远点采样， 得到所述 目标物的 感兴趣区域中的兴趣点， 作为所述目标物的兴趣 采样点； 基于所述目标物 的感兴趣区域， 对所述目标物的感兴趣区域进行均匀网格化， 得到所 述目标物的多个感兴趣区域网格， 作为所述目标物的多个兴趣网格； 确定所述目标物的每个兴趣 网格的中心点， 并确定所述目标物的每个兴趣 网格的中心 点、 以及所述目标物的兴趣 采样点之间的相对距离； 基于所述目标物的每个兴趣 网格的中心点、 以及所述目标物的兴趣采样点之间的相对 距离， 确定所述目标物的所有兴趣网格的中心点的局部特 征。 4.根据权利要求3所述的3D目标检测方法， 其特 征在于， 其中，权　利　要　求　书 1/3 页 2 CN 115311653 A 2基于所述目标物的感兴趣区域， 将所述目标物的感兴趣区域划分为柱形 结构， 包括： 基于所述目标物 的感兴趣区域， 将所述目标物的感兴趣区域设置为圆柱体， 将该圆柱 体所在柱形 结构， 作为对所述目标物的感兴趣区域划分后的柱形 结构； 其中， 该圆柱体的底部 半径r为 高h为h＝β hr； 其中， wr、 lr、 hr分别为感 兴趣区域的宽、 长和高， α 和β 为设定的柱体扩张比例参数； 和/或， 基于所述目标物的每个兴趣 网格的中心点、 以及所述目标物的兴趣采样点之间的相对 距离， 确定所述目标物的所有兴趣网格的中心点的局部特 征， 包括： 基于所述目标物的每个兴趣 网格的中心点、 以及所述目标物的兴趣采样点之间的相对 距离， 对所述 目标物的相应兴趣网格的空间位置进行建模和统一位置编码坐标尺度 处理， 得到所述目标物的每 个兴趣网格的中心点的位置特 征； 基于所述目标物的每个兴趣 网格的中心点的位置特征， 对所述目标物的每个兴趣 网格 的中心点进行升维处理， 得到所述目标物的所有兴趣网格的中心点在设定球形区域中设定 半径内的位置特 征集合； 基于所述目标物的所有兴趣网格的中心点在设定球形区域中设定半径内的位置特征 集合， 通过改变所述设定球形区域所属球体的半径大小， 获取所述 目标物的所有兴趣网格 的中心点在不同半径 尺度上的特 征表达集 合； 基于所述目标物的所有兴趣 网格的中心点在不同半径尺度 上的特征表达集合， 对不同 半径尺度上的特 征进行拼接， 得到所述目标物的所有兴趣网格的中心点的局部特 征。 5.根据权利要求4所述的3D目标检测方法， 其特征在于， 基于所述目标物的每个兴趣网 格的中心点、 以及所述 目标物的兴趣采样点之间的相对距离， 对所述 目标物的相应兴趣网 格的空间位置进 行建模和统一位置编 码坐标尺度处理， 得到所述目标物的每个兴趣网格的 中心点的位置特 征， 包括： 基于所述目标物的每个兴趣 网格的中心点、 以及所述目标物的兴趣采样点之间的相对 距离， 按以下公式计算， 得到所述目标物的每 个兴趣网格的中心点的位置特 征： fd＝g([Δd(i,1),Δd(i,2),...,Δd(i,m)])； Δd(i,m)＝{Δxi,m,Δyi,m,Δzi,m,Δfi,m}； 其中， fd是所述目标物的每个兴趣网格的中心点的位置特征， g(g)为使用前馈神经网络 将所述相对距离的特征映射到高维特征空间的特征变换函数， Δxi,m,Δyi,m和Δzi,m为所述 目标物的兴趣采样点距离所述目标物的每个兴趣网格的中心点的相 对距离， Δfi,m为所述 目标物的兴趣 采样点的额外特 征。 6.根据权利要求1所述的3D目标检测方法， 其特征在于， 基于所述目标物的中心点局部 特征， 进行坐标升维和特 征加和处理， 得到所述目标物的感兴趣区域特 征， 包括： 基于所述目标物 的中心点局部特征， 使用3层前馈神经网络对所述目标物的中心点坐 标进行升维， 并通过最大池化函数对所述目标物的中心 点局部特征的不同半径尺度特征进 行聚合； 使用前馈神经网络， 调整经所述升维和所述 聚合后的所述目标物的中心点局部特征的 维度， 将所述目标物的中心点局部特征的位置编码特征和不同半径尺度局部特征进行加权　利　要　求　书 2/3 页 3 CN 115311653 A 3