蔡黎明 ，杜吉祥，劉懷進(jìn)，張洪博，黃敬東

(1.華僑大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，福建 廈門 361021；2.華僑大學(xué) 福建省大數(shù)據(jù)智能與安全重點(diǎn)實(shí)驗(yàn)室，福建 廈門 361021；3.華僑大學(xué) 廈門市計(jì)算機(jī)視覺(jué)與模式識(shí)別重點(diǎn)實(shí)驗(yàn)室，福建 廈門 361021)

在汽車、飛機(jī)等交通工具中，以計(jì)算機(jī)智能為核心的無(wú)人操作，稱為自動(dòng)駕駛.為了提高駕駛安全、緩解交通壓力、適應(yīng)不同人群等問(wèn)題，自動(dòng)駕駛已經(jīng)成為人工智能領(lǐng)域的熱門話題.在自動(dòng)檢測(cè)場(chǎng)景中出現(xiàn)的目標(biāo)是自動(dòng)駕駛研究的關(guān)鍵.在過(guò)去研究中，目標(biāo)檢測(cè)研究主要側(cè)重于二維圖像中的目標(biāo)檢測(cè).然而，當(dāng)目標(biāo)檢測(cè)圖片出現(xiàn)嚴(yán)重的遮擋與噪聲時(shí)，常導(dǎo)致檢測(cè)算法不精確.在自動(dòng)駕駛中，常用的傳感器是激光雷達(dá)傳感器，與單目相機(jī)相比，激光雷達(dá)傳感器可以提供更準(zhǔn)確的深度信息，且能生成三維(3D)點(diǎn)云來(lái)捕捉場(chǎng)景的3D結(jié)構(gòu).準(zhǔn)確的空間位置信息使自動(dòng)駕駛汽車能夠有效地預(yù)測(cè)和規(guī)劃路徑，避免發(fā)生不必要的交通事故.因此，基于3D點(diǎn)云的目標(biāo)檢測(cè)研究在自動(dòng)駕駛領(lǐng)域備受關(guān)注.

為了處理非結(jié)構(gòu)化的三維點(diǎn)云，體素的檢測(cè)器通常將不規(guī)則的點(diǎn)轉(zhuǎn)換成規(guī)則的體素網(wǎng)格，采用3D卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征學(xué)習(xí).Zhou等[1]提出一種新的體素特征編碼層，提高了體素網(wǎng)格的有效并行處理能力.Yan等[2]利用3D子流形稀疏卷積[3]，提出一種高效架構(gòu)，使計(jì)算和內(nèi)存效率顯著提高.Lang等[4]提出將體素簡(jiǎn)化為柱子.Shi等[5]提出一種兩階段檢測(cè)器，由部件感知模塊和聚合模塊組成.Deng等[6]在兩階段的算法中引入全卷積網(wǎng)絡(luò)來(lái)擴(kuò)展一種新的高性能3D目標(biāo)檢測(cè)(PV-RCNN)算法，在體素特征中提取感興趣區(qū)域特征，使粗體素粒度的檢測(cè)精度得到提高.Ma等[7]將點(diǎn)云分配到規(guī)則的三維網(wǎng)格中，并使用三維稀疏卷積提取體素特征.Xu等[8]將原始的3D點(diǎn)云數(shù)據(jù)進(jìn)行體素化，同時(shí)設(shè)計(jì)一個(gè)輕量級(jí)的位置注意模塊，采用加權(quán)特征融合的方法，高效地獲得多層次特征.

與體素的方法不同，基于點(diǎn)的算法是直接從非結(jié)構(gòu)化的點(diǎn)中學(xué)習(xí)特征生成感興趣區(qū)域.Qi等[9-10]開(kāi)創(chuàng)性地采用直接從點(diǎn)中學(xué)習(xí)特征的算法，保留了較多的特征信息，提升了模型的分類分割精度.Shi等[11]提出一種從原始點(diǎn)云中檢測(cè)3D物體的兩階段3D目標(biāo)檢測(cè)(PointRCNN)算法，該算法可以直接從原始點(diǎn)云中分割前景點(diǎn)，為預(yù)測(cè)3D回歸框減少搜索空間.Yang等[12]在下采樣過(guò)程中提出一種融合采樣策略，對(duì)點(diǎn)進(jìn)行檢測(cè)，設(shè)計(jì)了包含候選生成層、無(wú)錨回歸頭和3D中心性分配策略的預(yù)測(cè)網(wǎng)絡(luò).Shi等[13]將圖神經(jīng)網(wǎng)絡(luò)引入三維目標(biāo)檢測(cè)的框架中.

上述的3D目標(biāo)檢測(cè)算法在特征提取時(shí)采用的卷積均為靜態(tài).針對(duì)此問(wèn)題，Xu等[14]提出一種用于點(diǎn)云處理的位置自適應(yīng)卷積算子.在點(diǎn)云三維立體空間中，點(diǎn)與點(diǎn)之間的關(guān)系復(fù)雜，可以使卷積核的選取適應(yīng)周圍的變化.點(diǎn)云三維目標(biāo)檢測(cè)的難點(diǎn)主要是點(diǎn)云的不規(guī)則性，若樣本遮擋嚴(yán)重且較為稀疏，則難以提取關(guān)鍵特征，經(jīng)常要轉(zhuǎn)為有序的表達(dá)方式.基于此，本文提出一種新的3D目標(biāo)檢測(cè)算法，嘗試解決不規(guī)則且稀疏點(diǎn)云數(shù)據(jù)中的目標(biāo)檢測(cè)問(wèn)題.

1 實(shí)驗(yàn)方法

1.1 算法的整體框架

圖1 PAC-PointRCNN算法框架圖Fig.1 PAC-PointRCNN algorithm framework diagram

提出一種結(jié)合動(dòng)態(tài)卷積學(xué)習(xí)特征的PointRCNN(PAC-PointRCNN)算法，其框架如圖1所示.整體架構(gòu)模型分為2個(gè)階段:第1階段主要通過(guò)構(gòu)建動(dòng)態(tài)卷積進(jìn)行特征提取，并構(gòu)建3D檢測(cè)框；第2階段對(duì)第1階段的輸出進(jìn)行精細(xì)化處理.在第1階段首先對(duì)點(diǎn)進(jìn)行預(yù)處理，將得到的點(diǎn)數(shù)據(jù)送入骨干網(wǎng)絡(luò)提取特征，每個(gè)點(diǎn)產(chǎn)生特征向量，同時(shí)，對(duì)周圍的上下文信息進(jìn)行編碼，增大其感受野，通過(guò)KITTI數(shù)據(jù)集標(biāo)注的3D邊界框可以判斷出前景點(diǎn)信息；然后，根據(jù)特征向量進(jìn)行前景點(diǎn)分割，對(duì)得到的前景點(diǎn)進(jìn)行分類回歸，在對(duì)前景點(diǎn)預(yù)測(cè)所屬對(duì)象的包圍框時(shí)，用bin機(jī)制[11]把回歸問(wèn)題先轉(zhuǎn)化為分類問(wèn)題，再進(jìn)行回歸，以提高效率及精度；得到大量預(yù)選框后，將預(yù)選框進(jìn)行非極大值抑制處理，送入第2階段進(jìn)行特征融合，提取局部特征，得到的點(diǎn)位置坐標(biāo)通過(guò)規(guī)范化處理，再分類回歸得到精細(xì)框.

圖2 骨干網(wǎng)絡(luò)Fig.2 Backbone network

1.2 骨干網(wǎng)絡(luò)

骨干網(wǎng)絡(luò)，如圖2所示.骨干網(wǎng)絡(luò)由4個(gè)下采樣編碼的集合抽象層和4個(gè)上采樣編碼的特征傳播層組成.

集合抽象層，如圖3所示.圖3中：N，N1為點(diǎn)集中點(diǎn)的數(shù)量；d為坐標(biāo)空間維度；C，C1為特征空間維度；k為固定值.在集合抽象層中，采用最遠(yuǎn)點(diǎn)采樣的方法對(duì)輸入點(diǎn)進(jìn)行降采樣，將輸入點(diǎn)集從N降到更小的N1，最遠(yuǎn)點(diǎn)采樣是使采樣的各個(gè)點(diǎn)之間盡可能遠(yuǎn)，這種降采樣的結(jié)果比較均勻且具有更好的覆蓋效果.在骨干網(wǎng)絡(luò)的第1個(gè)集合抽象層中，對(duì)輸入的原始點(diǎn)進(jìn)行最遠(yuǎn)點(diǎn)采樣，得到的降采樣結(jié)果作為第2個(gè)集合抽象層的輸入點(diǎn)，以此類推，直到第4個(gè)集合抽象層.將降采樣得到點(diǎn)的數(shù)量N1進(jìn)行分組，選取這N1個(gè)中心點(diǎn)，每個(gè)中心點(diǎn)采用球查詢的方式尋找固定的k個(gè)鄰域點(diǎn)，先劃定某一半徑，找在該半徑球內(nèi)的點(diǎn)作為鄰域點(diǎn)，如果點(diǎn)數(shù)大于固定值k，取前k個(gè)點(diǎn)為鄰域點(diǎn)，如果點(diǎn)數(shù)小于固定值k，對(duì)點(diǎn)進(jìn)行重采樣以達(dá)到固定值k.這樣形成一個(gè)局部鄰域，共組成N1個(gè)局部鄰域，這個(gè)過(guò)程中，坐標(biāo)空間維度d和特征空間維度C沒(méi)有發(fā)生變化.球查詢?cè)诰植苦徲蚪M內(nèi)固定了區(qū)域尺度，使局部區(qū)域特征在空間上更具有泛化性.

動(dòng)態(tài)網(wǎng)絡(luò)，如圖4所示.在動(dòng)態(tài)網(wǎng)絡(luò)中，對(duì)每一組局部鄰域進(jìn)行動(dòng)態(tài)網(wǎng)絡(luò)編碼，將采樣和分組后的點(diǎn)作為輸入，送進(jìn)具有動(dòng)態(tài)內(nèi)核組裝的位置自適應(yīng)卷積即PAConv動(dòng)態(tài)卷積里，使每個(gè)點(diǎn)的特征維度升高，以獲取更多的特征信息，再通過(guò)最大池化選取最重要的特征作為新特征輸出.在此過(guò)程中，坐標(biāo)空間維度d沒(méi)有發(fā)生變化，特征空間維度從C變成更高的維度C1，即特征的通道數(shù)升高了.在特征傳播層中，采用基于距離的插值和跨越跳級(jí)鏈路的分層傳播策略，與集合抽象層的反過(guò)程類似，將集合抽象層每一層得到的結(jié)果通過(guò)插值點(diǎn)特征傳播到原始點(diǎn)集.PointNet為直接從點(diǎn)云中學(xué)習(xí)特征的網(wǎng)絡(luò)結(jié)構(gòu)；PointNet++在PointNet的基礎(chǔ)上進(jìn)行改進(jìn)，具有多層次特征提取結(jié)構(gòu).在PointNet++的集合抽象層基礎(chǔ)上，骨干網(wǎng)絡(luò)將PointNet層嵌入PAConv動(dòng)態(tài)卷積，生成動(dòng)態(tài)網(wǎng)絡(luò)，沒(méi)有改變其他架構(gòu)配置.

圖3 集合抽象層 圖4 動(dòng)態(tài)網(wǎng)絡(luò)Fig.3 Set abstraction layer Fig.4 Dynamic network

1.3 動(dòng)態(tài)卷積

在三維空間中，點(diǎn)與點(diǎn)之間的關(guān)系與二維平面中點(diǎn)之間的關(guān)系有很大的不同.例如，在二維平面的網(wǎng)格中，中心點(diǎn)周圍的鄰域點(diǎn)個(gè)數(shù)是固定的，但在點(diǎn)云的三維空間里，取一個(gè)中心點(diǎn)(圖5)，它周圍的鄰近點(diǎn)有無(wú)限可能，多一個(gè)維度會(huì)使點(diǎn)關(guān)系變的錯(cuò)綜復(fù)雜.在二維平面空間中，使用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到的特征可以很好地反映點(diǎn)之間的相關(guān)性；而在三維空間里，由于點(diǎn)的無(wú)序不規(guī)則性，使用二維空間里學(xué)習(xí)特征的卷積核算子會(huì)使相關(guān)性變差，從而導(dǎo)致檢測(cè)不精確.因此，重新設(shè)計(jì)卷積核函數(shù)，使其能動(dòng)態(tài)地學(xué)習(xí)點(diǎn)特征.PAConv動(dòng)態(tài)卷積，如圖6所示.首先，定義由幾個(gè)權(quán)重矩陣組成的權(quán)重庫(kù)；接著，設(shè)計(jì)一個(gè)LearnNet學(xué)習(xí)系數(shù)向量，根據(jù)點(diǎn)的位置組合權(quán)重矩陣；最后，結(jié)合權(quán)值矩陣及其相關(guān)的位置自適應(yīng)系數(shù)生成動(dòng)態(tài)核.

圖5 3D點(diǎn) 圖6 PAConv動(dòng)態(tài)卷積 Fig.5 3D point Fig.6 PAConv dynamic convolution

構(gòu)景要素以自然、人文為主線，交通為紐帶，民俗文化為趣味點(diǎn)，形成主題各異、形象鮮明的旅游精品線路，造出“同飲黃河水，共賞民俗情”的主題式旅游[10]。民俗文化有著獨(dú)特的文化內(nèi)涵、濃烈的原始?xì)馕丁⒑裰氐臍v史氛圍、顯著的地域差距、歡愉的生活情調(diào)及豐富多彩的表現(xiàn)形式，對(duì)游客產(chǎn)生強(qiáng)大的吸引力和感召力。

P=(Aj-Ai，Ai)，

(1)

(Aj-Ai，Ai)=(xj-xi，yj-yi，zj-zi，xi，yi，zi).

(2)

LearnNet的輸出向量Ei，j表達(dá)式為

Ei，j=softmax(relu(δ(P))).

(3)

(4)

得到動(dòng)態(tài)核后，生成的自適應(yīng)動(dòng)態(tài)卷積可以更加靈活地學(xué)習(xí)特征.因此，權(quán)重庫(kù)的規(guī)模越大，權(quán)重矩陣的靈活性和可用性也越大，但由于權(quán)重矩陣是隨機(jī)初始化的，在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，卷積核學(xué)習(xí)得到的合理權(quán)值會(huì)趨于相似，不能保證權(quán)重矩陣的多樣性.為了避免這種情況，采用權(quán)值正則化來(lái)懲罰不同權(quán)值矩陣之間的相關(guān)性，讓權(quán)重矩陣的分布更加多樣化，進(jìn)一步保證生成核的多樣性.因此，將PAConv動(dòng)態(tài)卷積嵌入骨干網(wǎng)絡(luò)，從而可以更加靈活精確地學(xué)習(xí)三維空間的點(diǎn)特征.

1.4 損失函數(shù)

為了便于比較，采用PointRCNN的損失函數(shù)，由于大型戶外場(chǎng)景前景點(diǎn)的數(shù)量比背景點(diǎn)的數(shù)量少，因此，在第1階段的子網(wǎng)絡(luò)中，使用焦點(diǎn)損失[15]解決前景-背景分類不均衡的問(wèn)題，得到的損失為L(zhǎng)focal，即

Lfocal(pt)=-φt(1-pt)γlnpt.

(5)

式(5)中：t為前景點(diǎn)即正確分類點(diǎn)；pt為正確分類的概率；φt，γ為超參數(shù)調(diào)節(jié)因子，φt=0.25，γ=2.

使用回歸損失函數(shù)[11]生成3D預(yù)選框，即

(6)

在第2階段的子網(wǎng)絡(luò)中，將預(yù)選框坐標(biāo)轉(zhuǎn)到規(guī)范的坐標(biāo)系下，總的損失Lrefine為

(7)

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集

KITTI的三維檢測(cè)數(shù)據(jù)集包含7 481個(gè)訓(xùn)練樣本和7 518個(gè)測(cè)試樣本，與PointRCNN算法一樣，將訓(xùn)練樣本分為訓(xùn)練集(3 712個(gè)樣本)和驗(yàn)證集(3 769個(gè)樣本).標(biāo)注文件里的字段含義分別為類別、截?cái)嗦?、遮擋程度、觀測(cè)角度、2D邊界框左右下角坐標(biāo)、3D邊界框的長(zhǎng)寬高和在相機(jī)的坐標(biāo)、相對(duì)Y軸旋轉(zhuǎn)角度.激光雷達(dá)點(diǎn)云數(shù)據(jù)以浮點(diǎn)二進(jìn)制文件格式存儲(chǔ).

2.2 實(shí)驗(yàn)設(shè)置

采用兩階段的訓(xùn)練方式，對(duì)于訓(xùn)練集中的每個(gè)3D點(diǎn)云場(chǎng)景，從每個(gè)場(chǎng)景中抽取16 384個(gè)點(diǎn)作為輸入，不足16 384個(gè)點(diǎn)的場(chǎng)景，隨機(jī)重復(fù)抽取以達(dá)到16 384個(gè)點(diǎn).在骨干網(wǎng)絡(luò)中，使用4個(gè)多尺度分組的集合抽象層，將輸入的點(diǎn)下采樣為4 096，1 024，256，64的組.然后，使用4個(gè)特征傳播層獲取點(diǎn)特征向量，用于分割和生成預(yù)選框細(xì)化子網(wǎng)絡(luò).從每個(gè)感興趣的集合區(qū)域隨機(jī)抽取512個(gè)點(diǎn)作為細(xì)化子網(wǎng)絡(luò)的輸入，為了使對(duì)象置信度分類和提案位置細(xì)化，采用3個(gè)單尺度分組的集合抽象層(組大小為128，32，1)生成單個(gè)特征向量.在KITTI數(shù)據(jù)集中，汽車類的樣本數(shù)量最多，對(duì)其訓(xùn)練細(xì)節(jié)的描述也適用于其他類別(如行人和自行車).將3D真值框內(nèi)的所有點(diǎn)視為前景點(diǎn)，其余點(diǎn)視為背景點(diǎn)，在訓(xùn)練過(guò)程中，忽略物體邊界附近的背景點(diǎn).由于3D真值框可能會(huì)有小的變化，所以，通過(guò)在物體的每一側(cè)將3D真值框放大0.2 m進(jìn)行魯棒分割.對(duì)于bin機(jī)制，參數(shù)設(shè)置的搜索范圍S=3 m，2個(gè)垂直方向共劃分12個(gè)區(qū)間，每個(gè)區(qū)間為0.5 m.

評(píng)估時(shí)，難度等級(jí)Easy，Moderate，Hard表示的最小邊界框高度分別為40，25，25 px，最大遮擋程度分別為完全可見(jiàn)、部分可見(jiàn)、很難看到，最大的截?cái)嗦史謩e為15%，30%，50%.在PointRCNN開(kāi)源代碼的基礎(chǔ)上進(jìn)行修改，為了便于對(duì)比分析，實(shí)驗(yàn)的參數(shù)設(shè)置與原模型一致，只在第1階段的骨干網(wǎng)絡(luò)部分將PAConv動(dòng)態(tài)卷積嵌入其中進(jìn)行改進(jìn).為了增加額外的非重疊真值框，在場(chǎng)景中使用隨機(jī)翻轉(zhuǎn)、縮放、旋轉(zhuǎn)和數(shù)據(jù)增強(qiáng)等方法.兩個(gè)階段的子網(wǎng)絡(luò)分開(kāi)訓(xùn)練，在訓(xùn)練過(guò)程中，第1階段采用單個(gè)圖形處理器(GPU)方式進(jìn)行訓(xùn)練；第2階段采用兩種訓(xùn)練方式，即在線的數(shù)據(jù)增強(qiáng)和離線的數(shù)據(jù)增強(qiáng)，在線數(shù)據(jù)增強(qiáng)易于訓(xùn)練，離線數(shù)據(jù)增強(qiáng)訓(xùn)練效果更好.

2.3 實(shí)驗(yàn)對(duì)比結(jié)果

為了驗(yàn)證文中算法的有效性，根據(jù)PointRCNN提供的代碼指令，采用在線和離線兩種數(shù)據(jù)增強(qiáng)方式，在汽車類數(shù)據(jù)集中進(jìn)行復(fù)現(xiàn)，在交并比閾值(IOU)為0.7的情況下，記錄平均檢測(cè)精度(PA).汽車類數(shù)據(jù)集上文中算法與現(xiàn)有算法、PointRCNN算法的平均檢測(cè)精度對(duì)比，如表1所示.表1中：黑體數(shù)據(jù)表示最好的實(shí)驗(yàn)結(jié)果.

表1 不同算法在汽車類KITTI驗(yàn)證集上的平均檢測(cè)精度對(duì)比Tab.1 Comparison of average detection precision of different algorithms on car class of KITTI val split

由表1可知：文中算法在PointRCNN的基礎(chǔ)上融入PAConv動(dòng)態(tài)卷積模塊，在汽車類數(shù)據(jù)集的Moderate，Hard等級(jí)難度下，文中算法的平均檢測(cè)精度均優(yōu)于現(xiàn)有其他算法.

在行人和自行車類數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，文中算法與PointRCNN算法的平均檢測(cè)精度對(duì)比，如表2所示.由表2可知：由于行人和自行車類數(shù)據(jù)集的體積小且樣本稀疏，文中算法在行人類數(shù)據(jù)集Hard等級(jí)難度下的檢測(cè)精度較好，在自行車類數(shù)據(jù)集Easy，Moderate等級(jí)難度下的檢測(cè)精度更好.由此可見(jiàn)，文中算法在遮擋嚴(yán)重且樣本稀疏的目標(biāo)檢測(cè)上具有優(yōu)越性.

表2 不同算法在行人和自行車類KITTI驗(yàn)證集上的平均檢測(cè)精度對(duì)比Tab.2 Comparison of average detection precision of different algorithms on pedestrian and bicycle class of KITTI val split

表3 訓(xùn)練時(shí)間的對(duì)比Tab.3 Comparison of training time

為了驗(yàn)證文中算法的可行性，采用文中算法和PointRCNN算法對(duì)兩階段進(jìn)行訓(xùn)練，其訓(xùn)練時(shí)間的對(duì)比，如表3所示.表3中：t1，t2分別為第1階段、第2階段的訓(xùn)練時(shí)間.由表3可知：文中算法比PointRCNN算法所用的訓(xùn)練時(shí)間更少，再次驗(yàn)證了文中算法的優(yōu)越性.

2.4 消融實(shí)驗(yàn)

為了探究不同的輸入方式對(duì)PAConv動(dòng)態(tài)卷積效果的影響，采用4種不同的輸入方式進(jìn)行消融分析實(shí)驗(yàn).以中心點(diǎn)Ai和鄰近點(diǎn)Aj兩者之間的關(guān)系設(shè)計(jì)4種不同的任務(wù)，Oi，j表示Ai和Aj的歐式距離.不同輸入方式下的召回率(ηR)，如表4所示.由表4可知：將鄰近點(diǎn)與中心點(diǎn)的距離差和中心點(diǎn)一起輸入，召回率最高，加入兩點(diǎn)的歐式距離及鄰近點(diǎn)后，召回率變差，表明在大型的戶外場(chǎng)景中運(yùn)用動(dòng)態(tài)卷積自適應(yīng)時(shí)，輸入的越多，越容易產(chǎn)生誤差，從而影響檢測(cè)效果.因此，選擇(Aj-Ai，Ai)作為輸入，該輸入方式的召回率高，得到的最終檢測(cè)精度最好.

表4 不同輸入方式下的召回率Tab.4 Recall rate under different input modes

2.5 效果可視化

在KITTI訓(xùn)練集上對(duì)汽車、行人和自行車三類進(jìn)行標(biāo)記，采用分開(kāi)訓(xùn)練的方式，將得到的模型可視化展示.汽車、行人和自行車類的檢測(cè)對(duì)比圖，分別如圖7～9所示.圖7～9中：圖(a)為2D標(biāo)記框；圖(b)為3D標(biāo)記框；圖(c)為預(yù)測(cè)框；圖(d)為預(yù)測(cè)框與3D標(biāo)記真值框的對(duì)比；圖(e)為圖(d)部分結(jié)果的放大效果；綠色為汽車類標(biāo)記框；藍(lán)色為行人類標(biāo)記框；黃色為自行車類標(biāo)記框；紅色為預(yù)測(cè)框；紅色箭頭表示方向.

圖7 汽車類的檢測(cè)對(duì)比圖Fig.7 Car detection comparison chart

圖9 自行車類的檢測(cè)對(duì)比圖Fig.9 Bicycle detection comparison chart

由圖7～9可知：2D標(biāo)記框的遮擋問(wèn)題在3D點(diǎn)云場(chǎng)景中得到很好地解決，因?yàn)?D檢測(cè)框是立體的，使檢測(cè)框得到很好的分離，顯示出3D目標(biāo)檢測(cè)的優(yōu)越性；在汽車、行人、自行車類的檢測(cè)效果圖中，預(yù)測(cè)框與標(biāo)記框的誤差小，證明了文中算法的有效性.

3 結(jié)束語(yǔ)

提出一種將動(dòng)態(tài)卷積作為特征提取的3D點(diǎn)云目標(biāo)檢測(cè)算法.針對(duì)點(diǎn)云的不規(guī)則無(wú)序性問(wèn)題，相較于現(xiàn)有算法，文中算法的優(yōu)點(diǎn)是運(yùn)用動(dòng)態(tài)卷積的方法，可以更好地提取關(guān)鍵特征.文中算法采用PAConv動(dòng)態(tài)卷積的方式，通過(guò)相對(duì)點(diǎn)位置自適應(yīng)地學(xué)習(xí)生成分配系數(shù)，從而動(dòng)態(tài)調(diào)整權(quán)重，有效地避免了因遮擋和樣本稀疏造成的模型不精確問(wèn)題.從KITTI數(shù)據(jù)集的訓(xùn)練結(jié)果可知，在汽車類的Moderate，Hard等級(jí)難度下，文中算法的平均檢測(cè)精度優(yōu)于現(xiàn)有算法；由于行人和自行車類數(shù)據(jù)集的體積小且樣本稀疏，在行人類數(shù)據(jù)集的Hard等級(jí)難度下，文中算法的平均檢測(cè)精度較好，在自行車類數(shù)據(jù)集的Easy，Moderate等級(jí)難度下，文中算法的平均檢測(cè)精度較好.實(shí)驗(yàn)結(jié)果表明：針對(duì)不規(guī)則無(wú)序、遮擋、稀疏的點(diǎn)數(shù)據(jù)，文中算法具有更好的檢測(cè)精度.