基于本征特征引导与模板辅助的LiDAR点云三维目标检测方法研究

为解决LiDAR点云稀疏性、分布不均及结构不完整导致的3D目标检测精度下降问题，Wanjing Zhang等提出一种本征特征引导的检测方法（IfgNet），通过模板辅助特征增强模块提取结构化先验，结合提案级对比学习机制提升前景-背景特征差异。实验证明该方法可显著提升检测性能，代码已开源。

　　

在自动驾驶领域，LiDAR（激光雷达）点云数据因其精确的空间信息成为3D目标检测的核心输入。然而，现实场景中点云存在三大痛点：远距离和小目标点云稀疏、自遮挡导致结构残缺、背景干扰物（如电线杆与行人形态相似）引发误检。现有方法中，基于镜像补全的BtcDet等方法精度有限，而深度学习补全方案如PG-RCNN又面临计算负担。东南大学自动化学院的Wanjing Zhang与Chenxing Wang团队在《Optics》发表研究，创新性地利用类别本征结构特征，提出模板辅助的特征增强与对比学习协同框架。

研究采用三大关键技术：1）构建车辆/行人/骑行者等类别的完整结构模板库；2）设计模板辅助特征增强模块（Template-assisted Feature Enhancement），通过反向传播引导网络学习稠密点云的结构先验；3）开发提案级监督对比学习机制（Proposal-level Supervised Contrastive Learning），依据预测框与真实框的交并比（IoU）动态分配标签，强化前景-背景特征可分性。

方法框架
以Voxel R-CNN为基础检测器，通过3D稀疏卷积生成提案后，模板模块从预设的类别模板中提取本征特征，作为前景对象的优化目标。对比学习模块则在特征空间构建正负样本对，抑制背景干扰。

实验结果
在KITTI和Waymo数据集上的测试表明：1）模板模块使Car类检测AP提升2.1%，尤其对远距离目标（>50m）效果显著；2）对比学习机制将行人检测误报率降低18%；3）模块具有普适性，可嵌入PV-RCNN等主流检测器。

结论与意义
该研究首次将类别本征结构作为可迁移先验知识引入点云检测，突破传统补全方法的局限性。模板辅助模块以轻量化方式解决点云稀疏性问题，而对比学习机制为复杂场景下的特征解耦提供新思路。作为即插即用组件，该方法为自动驾驶感知系统的鲁棒性提升开辟了新路径。