【技术实现步骤摘要】
车辆目标检测方法、装置、计算机设备和存储介质
本申请涉及目标检测
,特别是涉及一种车辆目标检测方法、装置、计算机设备和存储介质。
技术介绍
机器人或者无人驾驶车辆通过3D目标检测技术来感知周围空间环境,并依据感知的周边环境做出路径规划,从而实现机器人的自动操控或无人车的安全驾驶。常用的3D检测算法可以分为基于单目2D图像的方法、基于双目2D图像的方法、基于3D激光点云方法,以及同时采用2D图像和3D激光点云的方法,通过这些检测算法,检测出车辆在三维空间的位置信息(车辆目标在三维空间的中心点坐标x,y,z),车辆的长宽高和车辆的偏航角(偏航角指车头与y轴正方向的夹角)等信息,以完整地检测出三维空间中车辆目标。然而,现有的3D车辆检测算法在检测车辆目标时不能够精确地检测到各车辆目标。
技术实现思路
基于此,有必要针对上述技术问题,提供一种车辆目标检测方法、装置、计算机设备和存储介质。第一方面,本申请实施例提供一种车辆目标检测方法,该方法包括:获取目标三维空间的点云数据;对目标三维空间的点云数据进行2D体素化;将2D体素化后的点云数据输入至预设的三维车辆检测网络中;三维车辆检测网络包括高分辨率网络HRNet网络和区域生成网络RPN网络;对三维车辆检测网络的输出结果进行解码、筛选,得到目标三维空间中所有车辆目标的检测框。在其中一个实施例中,上述对目标三维空间的点云数据进行2D体素化,包括:将目标三维空间划分为多个小空间;点云数据 ...
【技术保护点】
1.一种车辆目标检测方法,其特征在于,所述方法包括:/n获取目标三维空间的点云数据;/n对所述目标三维空间的点云数据进行2D体素化;/n将2D体素化后的点云数据输入至预设的三维车辆检测网络中;所述三维车辆检测网络包括高分辨率网络HRNet网络和区域生成网络RPN网络;/n对所述三维车辆检测网络的输出结果进行解码、筛选,得到所述目标三维空间中所有车辆目标的检测框。/n
【技术特征摘要】 【专利技术属性】
1.一种车辆目标检测方法,其特征在于,所述方法包括:
获取目标三维空间的点云数据;
对所述目标三维空间的点云数据进行2D体素化;
将2D体素化后的点云数据输入至预设的三维车辆检测网络中;所述三维车辆检测网络包括高分辨率网络HRNet网络和区域生成网络RPN网络;
对所述三维车辆检测网络的输出结果进行解码、筛选,得到所述目标三维空间中所有车辆目标的检测框。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标三维空间的点云数据进行2D体素化,包括:
将所述目标三维空间划分为多个小空间;所述点云数据随机分布在各小空间中;
转换所述目标三维空间为同等规格的矩阵,且所述矩阵中的单元格与所述目标三维空间中的各小空间一一对应;
若所述目标三维空间中的小空间中存在所述点云数据,则对所述矩阵中对应的单元格填充第一值,若所述目标三维空间中的小空间中不存在所述点云数据,则对所述矩阵中对应的单元格填充第二值;其中,所述第一值与所述第二值不同。
3.根据权利要求1或2所述的方法,其特征在于,所述将2D体素化后的点云数据输入至预设的三维车辆检测网络中,包括:
将所述2D体素化后的点云数据输入至所述HRNet网络,提取所述2D体素化后的点云数据的深度特征;
将所述深度特征输入至所述RPN网络中,得到所述2D体素化后的点云数据的分类结果和回归结果;其中,所述分类结果包括是否为车辆目标的预测概率结果,以及偏航角类别的预测结果;所述回归结果回归的锚点框与真值之间偏差的预测结果;所述锚点框表征预先生成的预选框。
4.根据权利要求3所述的方法,其特征在于,所述对所述三维车辆检测网络的输出结果进行解码、筛选,得到所述目标三维空间中所有车辆目标的检测框,包括:
获取所述车辆目标的预测概率结果中概率最高的预设数量的锚点框;
对所述预设数量的锚点框的回归结果进行解码,并根据解码结果和所述偏航角类别的预测结果,确定所述预设数量的锚点框实际输出值;
通过非极大值抑制算法和所述预设数量的锚点框对应的车辆目标的预测概率结果,对所述预设数量的锚点框实际输出值进行筛选,得到所述目标三维空间中所有车辆目标的检测框。
5.根据权利要求1或2所述的方法,其特征在于,所述获取目标三维空间的点云数据,包括:
通过激光雷达获取所述目标三维空间中各物体表面点在所述目标三维空间的坐标位置,得到所述点云数据。
6.根据权利要求1或2所述的方法,其特征在于,所述三维车辆检测网络的训练过程,包括:
获取多个样本三维空间的点云数据;所述样本三维空间的点云数据中包括所述样本三维空间中各车辆目标的标准标注框;
对所述多个样本三维空间的点云数据分别进行2D体素化;
技术研发人员:周康明,郭义波,
申请(专利权)人:上海眼控科技股份有限公司,
类型:发明
国别省市:上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。