CN115760983B 基于自适应与多级特征降维的点云3d检测方法与模型 （清华大学深圳国际研究生院）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115760983B(45)授权公告日2025.07.04

(21)申请号202211452093.2

(22)申请日2022.11.21

(65)同一申请的已公布的文献号申请公布号CN115760983A

(43)申请公布日2023.03.07

(73)专利权人清华大学深圳国际研究生院

地址518055广东省深圳市南山区西丽街

道深圳大学城清华校区A栋二楼

(72)发明人李志恒黄迪和

(74)专利代理机构深圳新创友知识产权代理有限公司44223

专利代理师徐罗艳

(51)Int.CI.

GO6T7/73(2017.01)

GO6V20/56(2022.01)

GO6V20/64(2022.01)

GO6V20/70(2022.01)

GO6V10/77(2022.01)

GO6V10/80(2022.01)

GO6V10/82(2022.01)

(56)对比文件

CN112288709A,2021.01.29CN113378854A,2021.09.10

审查员吴圆霞

权利要求书2页说明书5页附图2页

(54)发明名称

基于自适应与多级特征降维的点云3D检测方法与模型

(57)摘要

CN115760983B本发明公开了基于自适应与多级特征降维的点云3D检测方法与模型，该检测方法包括：获取实时点云数据帧并进行点云体素化，得到初始体素特征及其体素坐标；对所述初始体素特征进行稀疏化，得到稀疏体素特征；对所述稀疏体素特征进行自适应动态特征降维，得到初始BEV特征，并对所述初始BEV特征进行多尺度BEV特征提取，获得包含语义特征的多尺度BEV特征；对所述稀疏体素特征进行多尺度体素特征提取，获得包含几何特征的多尺度体素特征，并对每个尺度上的体素特征进行降维，然后与对应尺度上的BEV特征进行融合；利用最后一层融合的BEV特征进

CN115760983B

30点云

30点云

动态体素化

标

30麻政着识

体素特征程

体的经

体素特征程!第二阶段!

体素特征片

Bev”

体来取

体素特征理

BEV特度

Neck网络

Centerfead

检测头

边界框边界柜中心

BEV坐标坐标偏移高度航向角BEV速度

第一阶段BEV特征捏取

第三阶段BEV特征提取

白适应动态特征降维

体特征提取支

BEV特在”

CN115760983B权利要求书1/2页

2

1.一种基于自适应与多级特征降维的点云3D检测方法，其特征在于，包括：

获取实时点云数据帧并进行点云体素化，得到初始体素特征及其体素坐标；

对所述初始体素特征进行稀疏化，得到稀疏体素特征；

对所述稀疏体素特征进行自适应动态特征降维，得到初始BEV特征，并对所述初始BEV特征进行多尺度BEV特征提取，获得包含语义特征的多尺度BEV特征；

对所述稀疏体素特征进行多尺度体素特征提取，获得包含几何特征的多尺度体素特征，并对每个尺度上的体素特征进行降维，然后与对应尺度上的BEV特征进行融合；

利用最后一层融合的BEV特征进行3D检测，估计目标物体在BEV空间的位置；

对所述稀疏体素特征进行自适应动态特征降维的步骤包括：对所述稀疏体素特征沿高度维度估计特征空间分布，该估计的特征空间分布用于表征沿高度维度物体特征的重要性权重；根据所述估计的特征空间分布对沿高度维度物体特征进行重加权，得到所述初始BEV

特征；

对所述稀疏体素特征沿高度维度估计特征空间分布的步骤包括：通过卷积核大小为3×3×3的3D子流型稀疏卷积估计体素特征重要性权重，其通道数为1;对所述体素特征重要性沿着高度维度进行归一化得到所述估计的特征空间分布；

根据所述估计的特征空间分布对沿高度维度物体特征进行重加权的步骤包括：使用所述估计的特征空间分布对所述稀疏体素特征沿高度维度进行动态加权，得到所述初始BEV

特征。

2.如权利要求1所述的基于自适应与多级特征降维的点云3D检测方法，其特征在于，对所述稀疏体素特征进行多尺度体素特征提取的步骤包括：

构造用于提取几何特征的体素特征提取分支，将所述稀疏体素特征作为该体素特征提取分支的初始输入，进行多阶段体素特征提取，对应获得所述多尺度体素特征；

其中