黄 漫, 黄 勃, 高永彬

(上海工程技术大学 电子电气工程学院,上海 201620)

0 引 言

三维目标检测技术[1,2]是利用颜色信息对物体进行分类,且利用深度传感器获取的深度信息估算目标的位置、三维边界框及方向角。目前,该技术是实现室外自动驾驶系统与室内机器人系统的关键技术。

深度相机出现后,三维目标检测方法大多基于深度相机获取的RGB-D图。Depth-RCNN[3]为基于RGB-D图的三维目标检测方法奠定了基础,即在RCNN[4]的基础上将深度信息编码为视差、高度和角度三个通道,随之而来的Amodal3Det[5]算法亦是以RGB-D图作为输入。然而,在室外自动驾驶场景中存在强光且深度像机在强光下存在不稳定性,导致获取的RGB-D图像受到影响,而激光雷达摄像机则不受强光影响,是以基于雷达点云的三维目标检测应用范围更为广泛且研究意义更大。

目前,基于雷达点云的三维目标检测方法不多,早期的一部分方法是将目标检测从二维拓展到三维,例如DSS[6]算法将二维滑动窗拓展为三维滑动窗。另外,亦有算法将RGB-D图转换为点云并输入到卷积网络进行三维目标检测,例如F-PointNet[7]算法。但在点云的新特征空间下,面临的新问题是:点云存在稀疏性和无序性,深度学习直接作用点云上的效果较差,另外点云数目过大,直接对场景点云做处理导致计算复杂度过高且目前计算机性能亦无法满足要求。然而,三维点云包含场景完整的几何信息,基于点云进行三维目标检测又是大势所趋。

因此,本文旨在以雷达点云作为三维目标检测输入的同时克服上述难题。……