CN114118247B 一种基于多传感器融合的无锚框3d目标检测方法 （同济大学）

Single-StageDetectorwithPointRenderingandVi一种基于多传感器融合的无锚框3D目标检本发明涉及一种基于多传感器融合的无锚2步骤S3的具体过程为：通过从激光雷达坐标系到首先在自车感知范围内的水平面设定立体网格，所述立体网格沿X和Y轴数量分别为W将体柱内所有增强的激光点分别通过多层感知机进行特征编码首先在自车感知范围内的水平面设定立体网格，所述立体网格沿X和Y轴数量分别为W激光点云中的每个激光点与激光雷达中心形成线段，所述线段经所有体素沿Z轴方向形成特征向量，并通过卷积层转换成长度为K的可步骤S5具体是将几何特征与可见性特征沿深度方向步骤S6中多层特征提取网络具体是通过不同步长卷积层，提取三个不同尺度的特征3步骤S7中无锚框目标检测器包括五个检测头，具体为关2.根据权利要求1所述的一种基于多传感器融合的无锚框3D目标检测方法，其特征在3.根据权利要求1所述的一种基于多传感器融合的无锚框3D目标检测方法，其特征在4.根据权利要求3所述的一种基于多传感器融合的无锚框3D目标检测方法，其特征在4的相关实验中，研究人员也证明了锚点的超参数对于模型的预测能力有着相当重要的影[0008](3)为了进一步获得更好的召回率，通常模型会在每一层特征层上铺设密集的锚[0009]本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多传感器5相机坐标系到图像坐标系的投影变换，以将空间点云与相应彩色RGB图像的像素位置关联起来，将彩色RGB图像像素表征的语义信息补充给每一个从激光雷达坐标系投影到图像坐数量D的点云几何特征，并在数量方向进行最大池化操作，从而编码生成几何特征尺寸为[0028]所有体素沿Z轴方向形成特征向量，并通过卷积层转换成6[0033]进一步地，所述步骤S7具体是利用五个检测头来预测鸟7像素的类别信息通过传感器之间的外参赋予至激光点云，促使激光点云的特征进行增强，[0051]首先在自车感知范围内的水平面设定立体网格，立体网格沿X和Y轴数量分别为W数量D的点云几何特征，并在数量方向进行最大池化操作，从而编码生成几何特征尺寸为[0055]首先在自车感知范围内的水平面设定立体网格，立体网格沿X和Y轴数量分别为W[0057]所有体素沿Z轴方向形成特征向量，并通过卷积层转换成8[0062]利用五个检测头来预测鸟瞰图平面上的物体中心，并回归中彩色图像经过语义分割网络得到各像素点的类别，该类别信息可以扩展激光点云的特柱，并利用体柱内所有点的几何信息和体柱位置信息对体柱内的激光点进一步特征增强，9[0075]步骤5：将多层特征提取网络输出的特征图连接到五个不同的检测头(如图6所[0079]通过从激光雷达坐标系到相机坐标系，再从相机坐标系到图像坐标系的投影变[0086]得到射线遍历的体素坐标后，就可以确定整个三维空间中每个体素的可见性状态。这里将三维空间的可见性定义为三种不用的状态，即未知(Unknown)空间、占用[0092]本发明首先在数据前处理阶段实现了图像语义信息对原始点云数据的增强；其