【摘要】針對基于深度學(xué)習(xí)的三維點云目標(biāo)檢測算法在更換場景或設(shè)備的情況下容易出現(xiàn)網(wǎng)絡(luò)性能無法維持、可遷移性較差的問題，提出一種準(zhǔn)確、靈活且遷移性較好的兩階段三維點云目標(biāo)檢測算法（AF3D）：在第一階段，對采集到的激光點云使用分段擬合算法去除路面，并使用具有噪聲應(yīng)用的基于密度的空間聚類（DBSCAN）算法對非地面點云進行聚類，得到若干個聚類簇；在第二階段，搭建點云全連接網(wǎng)絡(luò)（PFC-Net）對聚類簇提取特征并進行分類。試驗結(jié)果表明：該算法在KITTI數(shù)據(jù)集上可實現(xiàn)良好的檢測性能，且在實車數(shù)據(jù)集上對汽車、行人、騎行者的檢測精度分別為69.74%，41.25%、54.33%，具有較好的可遷移性。

主題詞：智能交通 無人駕駛 深度學(xué)習(xí) 目標(biāo)檢測 激光點云

中圖分類號：U461.91" "文獻標(biāo)志碼：A" "DOI： 10.19620/j.cnki.1000-3703.20230550

A Two-Stage 3D Point Cloud Object Detection Algorithm for Road Surfaces

【Abstract】The 3D point cloud object detection algorithm based on deep learning is prone to issues such as inability to maintain network performance and poor transferability when changing scenes or devices. To address this issue， this article proposes an Accurate， Flexible， and highly transferable two-stage 3D point cloud object detection algorithm （AF3D）. In the first stage of the AF3D detection algorithm， a segmented fitting algorithm is used to remove the road surface from the collected laser point cloud， then DBSCAN algorithm is used to cluster non-ground point clouds and obtain several clustering clusters. In the second stage of the AF3D detection algorithm， a point cloud fully connected network PFC-Net is established， and features are extracted and classified. Through experiments， it has been proven that this algorithm can achieve good detection performance on public KITTI datasets， and the detection accuracy for cars， pedestrians， and cyclists on real vehicle datasets is 69.74%， 41.25%， and 54.33%， respectively， indicating good transferability.

Key words： Intelligent transportation， Unmanned vehicle， Deep learning， Object detection， Laser point cloud

1 前言

傳統(tǒng)三維點云目標(biāo)檢測算法整體具有不錯的檢測效果，但難以獲得障礙物的語義信息[1]。范小輝等[2]采用自適應(yīng)具有噪聲應(yīng)用的基于密度的空間聚類（Density-Based Spatial Clustering of Application with Noise，DBSCAN）算法耗時較長，且難以獲得語義信息。范晶晶等[3]引入KD-Tree（K-Dimensional Tree）方法，縮短了運行時間，但難以獲取行人的語義信息。楊思遠等[4]使用DBSCAN算法實現(xiàn)了車輛等動態(tài)障礙物聚類。萬佳等[5]提出一種多密度自適應(yīng)DBSCAN算法，聚類效果較好，但時間較長，難以獲取語義信息。

近年來，深度學(xué)習(xí)[6]技術(shù)廣泛應(yīng)用于三維目標(biāo)檢測領(lǐng)域。如YOLO系列算法及其變體[7-8]，計算速度較快，但存在一定的漏檢及誤檢。Zhou等[9]提出的體素網(wǎng)絡(luò)（VoxelNet）準(zhǔn)確率較好，但無法滿足實時性要求。Lang等[10]提出的Pointpillars算法可預(yù)測目標(biāo)的空間位置和朝向等信息，但遷移性較差。Chen等[11]提出的多視點三維目標(biāo)檢測網(wǎng)絡(luò)（Multi-View 3D object detection Network，MV3D-Net）算法將融合后的圖像通過VGG16（Visual Geometry Group 16）[12]提取二維圖像特征，結(jié)果更加準(zhǔn)確，但受模型深度及復(fù)雜度影響，遷移性較差。Qi等[13]提出Frustum PointNet對圖片進行目標(biāo)檢測，同樣，其在陌生場景下的檢測準(zhǔn)確率將會下降。Qi[14]提出的PointNet直接以點云數(shù)據(jù)作為網(wǎng)絡(luò)輸入，該網(wǎng)絡(luò)可完成點云分類、分割等任務(wù)。Anshul Paigwar等[15]將視覺注意力機制擴展到三維點云，結(jié)合PointNet進行車輛識別，該方法檢測速度較快，但識別準(zhǔn)確率不高。Shi等[16]將圖像分割網(wǎng)絡(luò)區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region-based Convolutional Neural Networks，RCNN）遷移到點云數(shù)據(jù)，提出一種兩階段三維目標(biāo)檢測網(wǎng)絡(luò)，但該方法的深度學(xué)習(xí)模型較為復(fù)雜，限制了其泛化能力。

基于深度學(xué)習(xí)的檢測算法通常效果更優(yōu)，但由于其更加依賴數(shù)據(jù)集，造成在大范圍內(nèi)場景信息變化極大的陌生場景下應(yīng)用時存在性能突然下降的現(xiàn)象。另外，由于點云標(biāo)注成本高，算法的可遷移性顯得尤為重要。事實上，場景的變化對目標(biāo)點簇的特征影響較小，利用該特征，本文提出一種準(zhǔn)確、靈活且遷移性較好的兩階段三維點云目標(biāo)檢測算法（Accurate， Flexible and highly transferable 3D object detection algorithm，AF3D），通過經(jīng)典聚類方法提取目標(biāo)點簇，以縮小識別的感興趣區(qū)域，利用深度學(xué)習(xí)方法直接識別點簇，可提升對陌生場景的適應(yīng)能力。

2 兩階段三維點云目標(biāo)檢測算法

本文結(jié)合傳統(tǒng)障礙物檢測算法，搭建基于PointNet的點云分類網(wǎng)絡(luò)并命名為點云全連接網(wǎng)絡(luò)（Point cloud Fully Connected Network，PFC-Net），提出一種靈活準(zhǔn)確的三維目標(biāo)檢測算法，如圖1所示，算法主要由2個階段組成：在第一階段中，首先通過分段擬合算法進行地面分割，然后將剩余點云通過DBSCAN算法進行聚類，得到若干個點云聚類簇{C1，C2，C3，…，Ck-1，Ck}；在第二階段，首先搭建點云分類網(wǎng)絡(luò)PFC-Net，基于KITTI 3D Object重構(gòu)數(shù)據(jù)集進行訓(xùn)練，得到權(quán)重文件，其次，將第一階段得到的每個聚類簇的點云數(shù)量通過最遠點采樣或零填充的方式統(tǒng)一設(shè)置為1 024個，并行輸入到訓(xùn)練好的PFC-Net中進行點云聚類簇的分類，得到屬于汽車、行人、騎行者類別的目標(biāo)，最終通過最小外接矩形的方法生成三維邊界框。

2.1 基于分段擬合的路面濾除

在原始激光雷達點云數(shù)據(jù)中，地面點云數(shù)量占比約為40%～50%[17]，地面點云的存在會對點云聚類、分類過程造成嚴重干擾，因此有效去除地面有利于減少后續(xù)非地面點云聚類中的噪聲及其計算量，提高障礙物檢測的準(zhǔn)確率?；诜侄螖M合的點云地面分割算法主要思想為：沿汽車前進方向（激光雷達X坐標(biāo)軸方向）將激光點云分割為若干子區(qū)域，對各子區(qū)域提取高度最低的種子點集，擬合得到初始平面模型；判斷點到初始平面模型的距離是否小于設(shè)定閾值，將滿足條件的點作為新的種子點擬合得到新的平面，循環(huán)數(shù)次后得到每個子區(qū)域地面的平面表示。圖2所示為基于KITTI數(shù)據(jù)集的點云地面分割算法分割效果。

2.2 點云聚類

去除地面點云后，需對非地面點云進行分割處理。DBSCAN算法可以從有噪聲的空間數(shù)據(jù)庫中通過分割獲得任意形狀的簇，連接密度足夠大的相鄰區(qū)域，不需要提前指定聚類數(shù)量。因此，本文針對去除地面后的點云通過KD-Tree的方法建立點云拓撲關(guān)系，采用DBSCAN算法進行非地面點云聚類?；贒BSCAN的點云聚類算法流程如圖3所示。根據(jù)可視化結(jié)果，將基于KD-Tree的DBSCAN點云聚類算法聚類鄰域半徑Eps設(shè)置為0.45 m，簇的最小點集中點云數(shù)量設(shè)置為10個，基于DBSCAN的點云聚類效果如圖4所示，分割出的點云較為接近實際情況，未出現(xiàn)明顯的欠分割或過分割現(xiàn)象。本文采用原理簡單、計算量較小的基于最小外接矩形的包圍框擬合方法獲得三維邊界框。

2.3 PFC-Net點簇分類網(wǎng)絡(luò)

采用DBSCAN算法完成自動駕駛場景中非地面點云的聚類后需對聚類生成的簇進行分類，識別點云場景中的目標(biāo)。首先搭建PFC-Net，該網(wǎng)絡(luò)主要負責(zé)對DBSCAN算法生成的聚類簇進行分類，獲得每個簇類的語義信息。

PFC-Net網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，該網(wǎng)絡(luò)以（N，3）大小的張量作為輸入，其中N為點云數(shù)量，3為點云通道信息，使用多個權(quán)重共享的多層感知機（Multi-Layer Perceptron，MLP）對每個點云進行特征提取，依次經(jīng)過64個3×1、256個4×1、512個256×1、1 024個512×1大小的卷積核，得到（N，1 024）大小的張量，這時對于卷積后的每一個點云，都有1 024維的向量特征，經(jīng)過最大池化得到點云的全局特征。將點云的全局特征與每個點云的特征進行拼接，得到（N，2 048）大小的張量，該張量既包含每個點云的多維特征，又包含點云的全局特征。然后依次經(jīng)過2 048個2 048×1大小的卷積核、1 024個2 048×1大小的卷積核，得到（N，1 024）大小的張量。將該張量展平，經(jīng)3層全連接層后得到分類預(yù)測結(jié)果。

3 基于KITTI數(shù)據(jù)集的試驗

3.1 數(shù)據(jù)處理

KITTI 3D Object數(shù)據(jù)集是目前國際上最大的自動駕駛場景下的計算機視覺算法評測數(shù)據(jù)集。由于其目標(biāo)種類與本文的目標(biāo)種類不同，無法直接用于本文網(wǎng)絡(luò)的訓(xùn)練過程，因此首先對該數(shù)據(jù)集進行重構(gòu)，提取屬于汽車、行人、騎行者3種類別的點云數(shù)據(jù)并賦予相應(yīng)的類別標(biāo)簽。其次，針對因各類別樣本數(shù)量不均衡易導(dǎo)致模型泛化能力差的問題，采用數(shù)據(jù)增強方法均衡各類別樣本的數(shù)量。KITTI 3D Object數(shù)據(jù)集的重構(gòu)主要包括目標(biāo)點云提取、數(shù)據(jù)增強2個部分。

3.1.1 目標(biāo)點云提取

針對KITTI訓(xùn)練集的每一幀點云文件，將其對應(yīng)的標(biāo)簽文件中類別為“廂式貨車（Van）”“汽車（Car）”“卡車（Truck）”“有軌電車（Tram）”的統(tǒng)一轉(zhuǎn)換為“汽車（Car）”，只保留“汽車（Car）”“行人（Pedestrian）”“騎行者（Cyclist）”3種類別。KITTI 3D Object數(shù)據(jù)集只對相機視角下的點云進行了標(biāo)注，因此本文只對相機視角中的點云進行處理。如圖6所示，根據(jù)相機坐標(biāo)系與激光雷達坐標(biāo)系之間的轉(zhuǎn)換關(guān)系，將類別為汽車、騎行者、行人的三維邊界框中的點云逐一提取保存至文件夾并賦予類別標(biāo)簽，提取后的點云可視化結(jié)果如圖7所示。此外，由于激光雷達“近密遠疏”的成像特點，遠處的目標(biāo)點云空間信息嚴重缺失，影響網(wǎng)絡(luò)分類性能，因此規(guī)定類別為汽車的目標(biāo)點云數(shù)量不能少于200個，類別為行人的目標(biāo)點云數(shù)量不能少于50個，類別為騎行者的目標(biāo)點云數(shù)量不能少于50個。

此外，將目標(biāo)提取后的剩余點云依次進行地面去除（如圖8所示）、DBSCAN聚類（如圖9所示），保存通過DBSCAN聚類生成的其他目標(biāo)簇并將該類別命名為“其他目標(biāo)（Otherobjects）”。至此，本文從KITTI 3D Object數(shù)據(jù)集提取了“汽車”“行人”“騎行者”“其他目標(biāo)”4種類別的數(shù)據(jù)集進行點云分類網(wǎng)絡(luò)的訓(xùn)練。

3.1.2 數(shù)據(jù)增強

KITTI 3D Object重構(gòu)數(shù)據(jù)集中4種類別的樣本數(shù)量所占比例相差較大，會導(dǎo)致網(wǎng)絡(luò)模型泛化能力較差。本文一方面通過對點云進行平移、繞激光雷達坐標(biāo)系的軸隨機旋轉(zhuǎn)某個角度等經(jīng)典數(shù)據(jù)增強方法對樣本數(shù)量較少的類別進行擴充，另一方面采用加權(quán)隨機采樣的方法，有效解決各類別樣本數(shù)量比例不均衡的問題。采用數(shù)據(jù)增強方法、加權(quán)隨機采樣后樣本數(shù)量所占比例如表1所示。因提取的各種類別的點云數(shù)量不同，輸入網(wǎng)絡(luò)前需統(tǒng)一對點云數(shù)據(jù)進行預(yù)處理：若目標(biāo)簇點云數(shù)量少于1 024個，則通過零填充的方式補充至1 024個；若該目標(biāo)簇點云數(shù)量多于1 024個，則采用最遠點采樣法將點云數(shù)量下采樣至1 024個，盡可能完整地保留點云的空間幾何信息。

3.2 基于KITTI數(shù)據(jù)集的試驗

本文試驗在Unbutu 18.04 LTS系統(tǒng)上運行，涉及的軟件有Cuda 11.1、Cudnn 8.0.5、Python 3.7等。將重構(gòu)后的KITTI 3D Object數(shù)據(jù)集按照8∶2的比例劃分為訓(xùn)練集、測試集作為試驗數(shù)據(jù)集。

云分類網(wǎng)絡(luò)PFC-Net采用交叉熵損失作為損失函數(shù)：

式中，N為樣本數(shù)量；M為類別數(shù)量；yic為樣本i屬于類別c的符號函數(shù)，若網(wǎng)絡(luò)預(yù)測類別與標(biāo)簽一致，則取yic=1，否則取yic=0；pic為樣本i屬于類別c的預(yù)測概率。

本文將重構(gòu)后的KITTI 3D Object數(shù)據(jù)集特征標(biāo)準(zhǔn)化（Feature Standardization）后作為網(wǎng)絡(luò)輸入，以真實類別信息作為標(biāo)簽，使用初始學(xué)習(xí)速率為1×10-3的Adam優(yōu)化器，最大迭代次數(shù)（Epoch）設(shè)置為150，批量處理尺寸（Batch Size）設(shè)置為128。由于激光雷達點云數(shù)據(jù)具有“近密遠疏”的特點，遠處的目標(biāo)點云數(shù)量較少，不再具有完整的輪廓，根據(jù)文獻[18]，車速為80 km/h的車輛應(yīng)具有檢測前方40～50 m距離內(nèi)目標(biāo)的能力，以較低速度行駛的車輛（車速≤40 km/h）應(yīng)至少具有30 m的檢測距離。因此，本文僅對車輛行駛方向上40 m距離內(nèi)的障礙物進行感知。

為了驗證本文AF3D算法的可遷移性，引入Pointpillars[14]算法進行對比。2種三維目標(biāo)檢測算法基于公開數(shù)據(jù)集的試驗對比結(jié)果如表2所示。

采用AF3D算法對KITTI數(shù)據(jù)集進行推理，可視化結(jié)果如圖10所示。

由圖10可以看出，AF3D算法可有效識別地面，以及近距離的汽車、行人與騎行者，但該方法依靠聚類得到目標(biāo)輪廓，通過PFC-Net進行分類獲得每個聚類簇的語義信息，在識別過程中無法獲得點云場景的上下文信息，導(dǎo)致某些因存在嚴重遮擋或距離較遠造成點云數(shù)量稀疏而無法保留其輪廓的目標(biāo)識別效果較差。

4 實車試驗

4.1 實車數(shù)據(jù)采集平臺

本文搭建如圖11所示的實車數(shù)據(jù)采集平臺，數(shù)據(jù)采集車基于長安奔奔改裝獲得，該車搭載的硬件設(shè)備包括激光雷達安裝支架、禾賽科技Pandar 64線激光雷達、單目相機、差分GPS以及一臺筆記本電腦。其中，禾賽科技Pandar 64線激光雷達傳感器安裝于汽車縱向?qū)ΨQ平面處的激光雷達支架上，距離地面高度約為1.90 m。雷達參數(shù)和計算機配置如表3、表4所示。

4.2 激光雷達點云數(shù)據(jù)采集及處理

本文基于機器人操作系統(tǒng)（Robot Operating System，ROS）建立計算機端與禾賽科技Pandar 64線激光雷達間的通信，激光雷達的工作頻率默認為10 Hz，部分場景如圖12所示。

激光雷達在采集數(shù)據(jù)的過程中因障礙物材質(zhì)、自身精度等會產(chǎn)生少量的非數(shù)（Not a Number，NaN）點、噪聲點、離群點，需對每幀激光雷達點云進行預(yù)處理，處理過程如圖13所示。首先去除激光點云數(shù)據(jù)中的NaN點，其次，通過直通濾波截取感興趣區(qū)域，相應(yīng)閾值為：

式中，（x，y）為點的坐標(biāo)。

最后，對感興趣區(qū)域中的點云通過統(tǒng)計濾波進行噪聲點、離群點的濾除，完成數(shù)據(jù)預(yù)處理。本文借助開源軟件PCAT依次對挑選出的200幀點云數(shù)據(jù)使用三維邊界框進行標(biāo)注，包括“汽車”“行人”“騎行者”3種類別。

4.3 實車試驗

由于點云數(shù)據(jù)標(biāo)注難度大、耗時長、成本高，且算法在陌生場景下的遷移性十分重要。因此對2種三維目標(biāo)檢測算法Pointpillars、AF3D在未重新訓(xùn)練的情況下進行測試，2種算法在實車數(shù)據(jù)集上的檢測精度如表5所示。

本文采用經(jīng)KITTI 3D Object數(shù)據(jù)集訓(xùn)練后的Pointpillars、AF3D算法直接推理實車數(shù)據(jù)集，表2、表5數(shù)據(jù)對比表明：Pointpillars在陌生場景中的檢測精度下降幅度較大，而AF3D算法檢測精度波動相對較小。這一方面可能是因為標(biāo)注后的真實值與實際場景的真值存在一定誤差，另一方面可能是由于PFC-Net對實際場景中的某些車型（如灑水車、敞篷電動車等）無法準(zhǔn)確識別導(dǎo)致。AF3D算法的目標(biāo)檢測結(jié)果如圖14所示，AF3D算法在陌生場景中依舊可以準(zhǔn)確地檢測出目標(biāo)所在的位置以及類別。由此可見，相比于Pointpillars，AF3D算法對陌生場景的適用性較強，具有良好的場景遷移性。

5 結(jié)束語

本文提出一種較為靈活、準(zhǔn)確且遷移性好的兩階段三維點云目標(biāo)檢測算法框架AD3F：在第一階段，采用基于分段擬合的地面點云分割方法完成地面點云分割，選用DBSCAN算法對非地面點進行聚類，獲得聚類結(jié)果；在第二階段，搭建PFC-Net進行特征識別，準(zhǔn)確完成點云聚類簇分類任務(wù)。分別對Pointpillars、AF3D算法在KITTI 3D Object數(shù)據(jù)集以及實車數(shù)據(jù)集上進行了算法對比驗證，結(jié)果表明：在KITTI 3D Object數(shù)據(jù)集上，經(jīng)訓(xùn)練后的Pointpillars網(wǎng)絡(luò)模型檢測精度整體優(yōu)于AF3D算法；在實車數(shù)據(jù)集上，AF3D算法的檢測精度優(yōu)于Pointpillars；Pointpillars在陌生場景中的檢測精度下降幅度較大，而AF3D算法依靠聚類獲得障礙物的輪廓，使得該算法可以更好地適應(yīng)陌生場景，算法性能可以較好地保持，具有高度可遷移性。

參 考 文 獻

[1] MAO J G， SHI S S， WANG X G， et al. 3D Object Detection for Autonomous Driving： A Comprehensive Survey[EB/OL]. （2023-04-04）[2023-09-10]. https：//doi.org/10.48550/arXiv.2206.09474.

[2] 范小輝， 許國良， 李萬林， 等. 基于深度圖的三維激光雷達點云目標(biāo)分割方法[J]. 中國激光， 2019， 46（7）： 292-299.

FAN X H， XU G L， LI W L， et al. A 3D LiDAR Point Cloud Target Segmentation Method Based on Depth Maps[J]. China Laser， 2019， 46（7）： 292-299.

[3] 范晶晶， 王力， 褚文博， 等. 基于KD-Tree樹和歐式聚類的越野環(huán)境下行人識別的研究[J]. 汽車工程， 2019， 41（12）： 1410-1415.

FAN J J， WANG L， CHU W B， et al. Research on Pedestrian Recognition in off-Road Environments Based on KDTree Tree and Euclidean Clustering[J]. Automotive Engineering， 2019， 41（12）： 1410-1415.

[4] 楊思遠， 鄭建穎. 基于路側(cè)三維激光雷達的車輛目標(biāo)分類算法[J]. 傳感器與微系統(tǒng)， 2020， 39（7）： 123-126.

YANG S Y， ZHENG J Y. Vehicle Target Classification" " " Algorithm Based on Roadside 3D LiDAR[J]. Sensors and" "Microsystems， 2020， 39（7）： 123-126.

[5] 萬佳， 胡大裟， 蔣玉明. 多密度自適應(yīng)確定DBSCAN算法參數(shù)的算法研究[J]. 計算機工程與應(yīng)用， 2022， 58（2）： 78-85.

WAN J， HU D X， JIANG Y M. Research on Algorithm for Multidensity Adaptive Determination of DBSCAN Algorithm Parameters[J]. Computer Engineering and Applications， 2022， 58（2）： 78-85.

[6] GUO Y L， WANG H Y， HU Q Y， et al. Deep Learning for 3D Point Clouds： A Survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 43（12）： 4338-4364.

[7] ALI W， ABDELKARIM S， ZIDAN M， et al. Yolo3D： End-to-End Real-Time 3D Oriented Object Bounding Box" " " " " "Detection from LiDAR Point Cloud[C]// 2018 European" " Conference on Computer Vision （ECCV） Workshops." " " " Munich， Germany： Springer， 2018： 716-728.

[8] MARTIN S， STEFAN M， KARL A. Complex-YOLO： An" "Euler-Region-Proposal for Real-Time 3D Object Detection on Point Clouds[C]// 2018 European Conference on" " " " "Computer Vision （ECCV） Workshops. Munich， Germany： Springer， 2018： 197-209.

[9] ZHOU Y， TUZEL O. VoxelNet： End-to-End Learning for Point Cloud Based 3D Object Detection[C]// 2018 IEEE" Conference on Computer Vision and Pattern Recognition （CVPR）. Salt Lake City， UT， USA： IEEE， 2018： 4490-4499.

[10] LANG A H， VORA S， CAESAR H， et al. Pointpillars： Fast Encoders for Object Detection from Point Clouds[C]// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Long Beach， CA， USA： IEEE， 2019： 12697-12705.

[11] CHEN X Z， MA H M， WAN J， et al. Multi-View 3D Object Detection Network for Autonomous Driving[C]// 2017 IEEE/CVF Computer Vision and Pattern Recognition （CVPR）. Honolulu， HI， USA： IEEE， 2017： 1907-1915.

[12] SIMONYAN K， ZISSERMAN A. Very Deep Convolutional Networks for Large-Scale Image Recognition[EB/OL]. （2015-04-10）[2023-07-24]. https：//arxiv.org/abs/1409.1556.

[13] QI C R， LIU W， WU C X， et al. Frustum Pointnets for 3D Object Detection from RGB-D Data[C]// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Salt Lake City， UT， USA： IEEE， 2018： 918-927.

[14] QI C R， SU H， MO K， et al. PointNet： Deep Learning on Point Sets for 3D Classification and Segmentation[C]// 2017 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Honolulu， HI， USA： IEEE， 2017： 652-660.

[15] PAIGWAR A， ERKENT O， WOLF C， et al. Attentional PointNet for 3D-Object Detection in Point Clouds[C]// 2019 IEEE/CVF Conference on Computer Vision and" nbsp; "Pattern Recognition （CVPRW）. Long Beach， CA， USA： IEEE， 2019： 1297-1306.

[16] SHI S S， WANG X G， LI H S. PointRCNN： 3D Object" " " Proposal Generation and Detection from Point Cloud[C]// 2019 IEEE/CVF Conference on Computer Vision and" " "Pattern Recognition （CVPR）. Long Beach， CA， USA： IEEE， 2019： 770-779.

[17] 王肖. 復(fù)雜環(huán)境下智能車輛動態(tài)目標(biāo)三維感知方法研究[D]. 北京： 清華大學(xué)， 2016.

WANG X. Research on 3D Perception Method for Dynamic Targets of Intelligent Vehicles in Complex Environments[D]. Beijing： Tsinghua University， 2016.

[18] LI B. On Enhancing Ground Surface Detection from Sparse Lidar Point Cloud[C]// 2019 IEEE/RSJ International" " " Conference on Intelligent Robots and Systems （IROS）." " "Macau， China： IEEE， 2019： 4524-4529.