车辆目标检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种车辆目标检测方法、装置、计算机设备和存储介质，通过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，并将2D体素化后的点云数据输入至预设的包括高分辨率网络HRNet网络和区域生成网络RPN网络的三维车辆检测网络中，然后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。该方法可以极大地提升三维车辆目标检测的性能，使得检测结果更加精确。

【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；点云数据随机分布在各小空间中；转换目标三维空间为同等规格的矩阵，且矩阵中的单元格与目标三维空间中的各小空间一一对应；若目标三维空间中的小空间中存在点云数据，则对矩阵中对应的单元格填充第一值，若目标三维空间中的小空间中不存在点云数据，则对矩阵中对应的单元格填充第二值；其中，第一值与第二值不同。在其中一个实施例中，上述将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2D体素化后的点云数据输入至HRNet网络，提取2D体素化后的点云数据的深度特征；将深度特征输入至RPN网络中，得到2D体素化后的点云数据的分类结果和回归结果；其中，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；回归结果回归的锚点框与真值之间偏差的预测结果；锚点框表征预先生成的预选框。在其中一个实施例中，上述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，包括：获取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，并根据解码结果和偏航角类别的预测结果，确定预设数量的锚点框实际输出值；通过非极大值抑制算法和预设数量的锚点框对应的车辆目标的预测概率结果，对预设数量的锚点框实际输出值进行筛选，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，上述获取目标三维空间的点云数据，包括：通过激光雷达获取目标三维空间中各物体表面点在目标三维空间的坐标位置，得到点云数据。在其中一个实施例中，上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；样本三维空间的点云数据中包括样本三维空间中各车辆目标的标准标注框；对多个样本三维空间的点云数据分别进行2D体素化；将2D体素化的各样本点云数据输入至初始三维车辆检测网络的初始HRNet网络进行深度特征提取，并将提取的深度特征输入至初始三维车辆检测网络的初始RPN网络中，得到2D体素化的各样本点云数据的分类结果和回归结果；根据2D体素化的各样本点云数据的分类结果和回归结果，确定初始三维车辆检测网络的损失函数的值，直到损失函数的值的变化幅度处于预设范围内，得到三维车辆检测网络。在其中一个实施例中，该方法还包括：根据初始HRNet网络提取的深度特征，确定与深度特征规格相同的坐标点矩阵；以坐标点矩阵中的每个坐标点为中心，生成与预设偏航角对应数量的锚点框；对锚点框中的正类锚点框进行编码，得到编码后的回归标签标准值；正类锚点框表示锚点框与对应标准标注框的交并比大于预设值；对正类锚点框的偏航角类别进行编码，得到编码后的偏航角分类标签标准值，以及对正类锚点框的车辆目标类别进行编码，得到编码后的车辆目标分类标签标准值。在其中一个实施例中，上述损失函数包括回归损失函数、偏航角分类损失函数、车辆目标分类损失函数；2D体素化的各样本点云数据的分类结果包括车辆目标的预测概率结果和偏航角类别的预测结果；则上述根据2D体素化的各样本点云数据的分类结果和回归结果，确定初始三维车辆检测网络的损失函数的值，包括：根据2D体素化的各样本点云数据的回归结果和编码后的回归标签标准值，确定回归损失函数的值；根据偏航角类别的预测结果和编码后的偏航角分类标签标准值，确定偏航角分类损失函数的值；根据车辆目标的预测概率结果和编码后的车辆目标分类标签标准值，确定车辆目标分类损失函数的值。第二方面，本申请实施例提供一种车辆目标检测装置，该装置包括：获取模块，用于获取目标三维空间的点云数据；转换模块，用于对目标三维空间的点云数据进行2D体素化；检测模块，用于将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；处理模块，用于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。第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面实施例提供的任一项方法的步骤。第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。本申请实施例提供的一种车辆目标检测方法、装置、计算机设备和存储介质，通过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，并将2D体素化后的点云数据输入至预设的包括高分辨率网络HRNet网络和区域生成网络RPN网络的三维车辆检测网络中，然后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。该方法中，通过将三维点云数据2D体素化，丢弃了点云数据的坐标信息，只保留点云在体素空间的位置信息，且保留的位置信息同样能够表征车辆目标的几何形状，因此，在不损失车辆目标几何形状的前提下减少数据量，把得到的2D体素数据输入到HRNet网络进行提取特征，通过HRNet的特征提取和融合能力得到更具判别能力的表征车辆目标位置与几何形状的深度特征，把得到的深度特征应用于RPN网络，可以极大地提升三维车辆目标检测的性能，使得检测结果更加精确。附图说明图1为一个实施例提供的一种车辆目标检测方法的应用环境图；<本文档来自技高网...

【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】
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；

【专利技术属性】
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