城市道路场景下的被遮挡车辆检测算法研究

摘要

为了提高智能汽车在城市道路场景下对前方被遮挡车辆的检测精度，提出了一种双尺度点云密度扩展网络BPDE-Net,来解决因存在车辆被遮挡而导致的目标点云稀疏问题。第一阶段，将原始点云投影到语义分割后的图像标签上，并在遮挡区域内随机生成固定数目的虚拟点，采用混合插值法来关联虚拟点和实际投影点，得到的虚拟点再反向映射到点云空间；第二阶段，使用马氏距离来关联相邻体素间的点云，以此增加每个体素内的相似点云数量，通过改进注意力高斯矩阵来计算体素特征所对应的相对位置编码，用于关注通道内不同体素序列的相对位置。在KITTI数据集中选取了大量的车辆之间存在遮挡的城市道路场景进行对比试验，结果表明：BPDE-Net在3D视角和鸟瞰图视角下的被遮挡车辆平均检测精度(mAP)分别为79.2%和83.7%,相较于基线网络Second分别提高了11.2%和12.5%;点云密度增强模块和体素特征融合模块的mAP相较于目前主流的方法分别提高了3.9%与1.8%,提升了车辆在被遮挡场景下的可辨识度与鲁棒性。

关键词

被遮挡车辆检测 / 注意力机制 / 点云密度增强 / 体素特征融合 / 多模态融合