基于三维点云的室外大尺度场景目标检测方法研究.pdfVIP

摘要

在智能机器人、无人驾驶技术等新兴领域中，目标检测作为计算机视觉的

方法应用在不同场景任务中发挥着重要作用。由于室外场景情况复杂，受到光

照、天气等因素的影响使得远距离小目标物体的检测存在瓶颈。利用相机采集

到的二维数据，使得基于图像的目标检测方法不能提供更可靠的深度和轮廓信

息。相比于相机，激光雷达扫描的三维点云具有360°的视场角，能探测到

100-150米大尺度范围内的目标，且对能精准且快速地获取空间物体的位置信

息，因此也被越来越多的应用。利用激光雷达基于三维点云的室外目标检测具

有重要的科学研究意义和未来发展前景。因此，本文针对室外道路交通场景下

的三维激光点云目标检测方法展开研究，主要内容如下：

（1）针对室外道路场景，设计基于特征聚类的传统三维目标检测。首先

结合激光雷达点云数据的特点进行分析，通过设计不同滤波方式的组合对点云

进行预处理，精简场景点云后得到感兴趣区域；然后基于平面拟合算法完成地

面点云的提取，实现地面分割；最后利用点云聚类算法将剩余的非地面点云进

行聚类，实现基于室外道路场景的传统三维点云目标检测，并取得良好的物体

检测结果。

（2）针对随遮挡或距离增加，使得物体前景特征太少，目标检测准确率

不高的问题，提出一种基于点的前景特征三维目标检测算法PF-SSD（Point-

basedforegroundfeature-SSD）。首先针对室外场景点云数据量庞大的情况，采

取自适应地面分割提高不同复杂场景适应性，并缓解局部分割不足的问题；其

次在骨干网络中引入空间逐点注意力机制，使用跳跃式连接增强局部特征相关

性，减少前景特征的信息缺失；然后通过改进点云实例中心感知模块的网络细

节，以进一步估计精确的实例中心，并预测出的最佳的包围框；最后在大型室

外道路场景数据集KITTI和nuScenes的基准上进行验证，本文方法的平均精

度均值mAP分别达到63.52%和51.13%，对小目标物体的检测效果分别提升

2.97%和1.11%，并且在推理速度上保持80.27FPS的帧率，证明了网络设计的

有效性和可靠性。

（3）将校园环境作为室外实际应用场景，采集校园点云数据标注真值包

围框并进行网络模型训练，然后将本文设计的网络算法移植到ROS平台进行

实时推理，实现真实道路场景下的三维目标检测，证明算法的实用性。

关键词：三维目标检测，激光雷达，点云，深度学习，室外场景

ABSTRACT

Inemergingfieldssuchasintelligentroboticsandautonomousdriving

technology,objectdetectionplaysavitalroleasacomputervisionmethodappliedin

variousscenariotasks.Duetothecomplexityofoutdoorenvironmentsandthe

influenceoffactorssuchaslightingandweatherconditions,thedetectionofdistant

smalltargetobjectsfaceschallenges.Theuseoftwo-dimensionaldatacapturedby

cameraslimitstheprovisionofreliabledepthandcontourinformationinimage-

basedobjectdetectionmethods.Incomparisontocameras,lidarsensorspossess

stronganti-interferencecapabilities,awidedetectionrange,and