买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉湖南大学申请的专利一种基于点云数据的三维目标检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115393601B 。

龙图腾网通过国家知识产权局官网在2026-01-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210544771.1，技术领域涉及：G06V10/44；该发明授权一种基于点云数据的三维目标检测方法是由张辉;车爱博;刘立柱;曹意宏;缪志强;钟杭;毛建旭;王耀南设计研发完成，并于2022-05-19向国家知识产权局提交的专利申请。

本一种基于点云数据的三维目标检测方法在说明书摘要公布了：本发明公开了一种基于点云数据的三维目标检测方法，其主要由稀疏卷积模块提取三维点云的稀疏特征，再由空间语义特征提取模块分别提取检测对象的空间特征和语义特征，通过基于注意力机制的多尺度特征融合模块对空间特征和语义特征进行融合进而输出融合后的特征进行特征预测，最后通过多任务检测头预测模块输出最终的检测框。本方法提出的基于注意力机制的双特征融合模块对于解决遮挡程度高检测难度大的目标具有明显的检测精度方面的提升，大大提高了目标检测的准确性。

本发明授权一种基于点云数据的三维目标检测方法在权利要求书中公布了：1.一种基于点云数据的三维目标检测方法，其特征在于，所述方法包括以下步骤： 步骤S100：获取数据集，对所述数据集进行预处理，将预处理后的数据集按照预设划分比例划分为训练集和测试集； 步骤S200：构建三维检测网络模型，所述三维检测网络模型包括依次连接的稀疏卷积模块、空间语义特征提取模块、基于注意力机制的多尺度特征融合模块和多任务检测头预测模块； 步骤S300：将所述训练集输入至所述三维检测网络模型，所述稀疏卷积模块用于提取所述训练集的图片中的三维点云的稀疏特征，所述空间语义特征提取模块用于从所述稀疏特征中提取空间特征和语义特征，所述基于注意力机制的多尺度特征融合模块进行所述空间特征和所述语义特征融合并将融合后的特征输入所述多任务检测头预测模块进行目标预测得到目标预测结果，根据所述训练集的图片、所述目标预测结果和预测的损失函数对所述三维检测网络模型进行反向传播更新所述模型的网络参数，得到训练好的三维检测网络模型；所述稀疏卷积模块包括4部分，每一部分包括若干个子流形稀疏卷积层SSC和一个稀疏卷积层SC，这四部分分别具有2层、2层、3层、3层SSC卷积层，在每一部分子流形稀疏卷积层SSC的末尾附加一个稀疏卷积层SC，最后将稀疏的体素特征转化为密集的特征映射，并将z轴中的特征连接，生成BEV特征映射作为下一模块的输入，步骤S300中所述稀疏卷积模块用于提取所述训练集的图片中的三维点云的稀疏特征，包括： 步骤S310：定义稀疏卷积符号为SCm,n,f,s：稀疏卷积在处理d维数据时候的感受野是fd，输入一个A1×A2×…×Am×m的张量Tin，经过稀疏卷积后，输出一个B1×B2×…×Bd×n的张量Tout，Ai和Bi满足一个约束条件：Bi＝Ai-f+ss,i＝1,2,…,d； 步骤S320：为维护正常卷积操作，进行空值补零：若计算Tin中的一个元素tin＝Tina1,a2,…,ad,m0的稀疏卷积值，提取tin为中心在fd空间内的所有值和fd大小的核做点乘，利用稀疏卷积将稀疏的张量Tin中把目标位置tin所在的fd空间内所有的空洞位置补充为零，补零后再按照普通卷积计算； 步骤S330：通过子流形卷积操作进行强制清零以维护特征稀疏性，提取得到稀疏特征：为了使输出的尺寸和输入的尺寸一致，在输入张量Tin上做零值补充，在d维中的每一维前和后补充f-12个零，其中，f是奇数，f-12为整数，则Bi＝Ai+2×f-12-f+1＝Ai，稀疏卷积输出的张量尺寸和输入张量是一样的，记Tin中零值区域为Dzero，在Tout中把Dzero区域的值重写为零，最后提取得到稀疏特征； 步骤S300中所述空间语义特征提取模块用于从所述稀疏特征中提取空间特征和语义特征，包括： 步骤S340：所述空间语义特征提取模块包含两组卷积层，分别为空间卷积组和语义卷积组，所述空间卷积组用于从所述稀疏特征中提取空间特征并保持所述空间特征的尺寸与输入相同，所述语义卷积组用于通过将所述空间特征作为输入，使层数增加一倍，空间大小减半，以获得更高层次的抽象语义信息； 步骤S350：采用第一二维反卷积层恢复所述语义特征的维度，使所述语义特征的维度与所述空间特征相同，按元素顺序添加所述空间特征，采用第二二维反卷积层产生上采样的语义特征，将所述上采样的语义特征作为最终提取到的语义特征； 步骤S300中所述基于注意力机制的多尺度特征融合模块进行所述空间特征和所述语义特征融合得到融合后的特征，包括： 步骤S360：对所述空间特征和所述语义特征使用尺度不同的两个分支来提取通道注意力权重，其中一个分支使用全局平均池化来提取全局特征的通道注意力得到全局通道信息，另一个分支使用point-wise卷积提取局部特征的通道注意力得到局部通道信息； 步骤S370：将计算得到的所述局部通道信息和所述全局通道信息进行融合，输出一个权重值用来对输入特征做注意力操作后得到输出； 步骤S380：将所述空间特征和所述语义特征在基于多尺度通道注意力模块的基础上进行注意力特征融合得到融合后的特征； 步骤S400：将所述测试集中的图片输入至所述训练好的三维检测网络模型，得到三维目标检测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人湖南大学，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。