基于改进PointRCNN的激光雷达三维目标检测

针对当前在点云三维（3D）目标检测算法中存在的误检率高、远处物体与较小物体检测效果差等问题，在PointRCNN算法的基础上提出一种改进的三维目标检测算法。在训练阶段的数据预处理方面，利用空间自相关算法对数据进行降维处理，有效去除无关点与噪声点，优化了网络对关键目标的特征提取和识别能力。提出了MGSA-PointNet模块对PointRCNN的点云编码网络进行改进，引入了流形自注意力以更精确地提取原始点云中空间结构信息，同时还融入了分组自注意力机制，旨在减少自注意力权重编码层的参数数量，从而提高了模型的效率和泛化能力，增强了网络的特征提取能力。本文改进算法与基准网络PointRCNN在KITTI数据集上的对比表明，对汽车与骑行者目标在困难场景下3D检测的精度提升了2.10百分点和2.14百分点，对行人的3D检测精度提升了5.21百分点，证明了本文算法的有效性。