一种目标检测方法、电子设备和计算机存储介质技术

本申请公开了一种目标检测方法、电子设备和计算机存储介质，该目标方法包括：获得摄像装置拍摄的图像数据并对图像数据进行预处理，获得毫米波雷达探测的雷达数据并对雷达数据进行预处理，以使雷达数据和图像数据以相同尺度分别输入卷积神经网络；将雷达数据和图像数据在卷积神经网络的多个层级中进行级联以获得融合数据，输出融合数据中的目标的类别检测结果和关键点检测结果；对类别检测结果和关键点检测结果进行后处理，以输出目标的类别和运动状态。通过上述方式，本申请能够将雷达数据和图像数据在多个层级进行级联融合，充分融合两种数据的特征，以提高目标检测的准确性和鲁棒性。

【技术实现步骤摘要】
一种目标检测方法、电子设备和计算机存储介质
本申请涉及智能识别
，特别是涉及一种目标检测方法、电子设备和计算机存储介质。
技术介绍
随着人工智能的兴趣、自动驾驶等领域的发展，智能识别成为了重要的研究方向。其中，目标检测是自动驾驶的核心研究领域，目标检测结果的准确性对于自动驾驶的安全性具有极其重大的影响，而现有的目标检测方法，对于传感装置采集的数据的特征难以有效利用，导致目标识别效果不佳。有鉴于此，如何提高目标检测的准确性成为亟待解决的问题。
技术实现思路
本申请主要解决的技术问题是提供一种目标检测方法、电子设备和计算机存储介质，能够将雷达数据和图像数据在多个层级进行级联融合，充分融合两种数据的特征，以提高目标检测的准确性和鲁棒性。为解决上述技术问题，本申请第一方面提供一种目标检测方法，该方法包括：获得摄像装置拍摄的图像数据并对所述图像数据进行预处理，获得毫米波雷达探测的雷达数据并对所述雷达数据进行预处理，以使所述雷达数据和所述图像数据以相同尺度分别输入卷积神经网络；将所述雷达数据和所述图像数据在所述卷积神经网络的多个层级中进行级联以获得融合数据，输出所述融合数据中的目标的类别检测结果和关键点检测结果；对所述类别检测结果和所述关键点检测结果进行后处理，以输出所述目标的类别和运动状态。其中，所述获得毫米波雷达探测的雷达数据并对所述雷达数据进行预处理的步骤，包括：获得在当前时间点所述毫米波雷达探测的包含所述目标的目标数据；利用当前时间点之前的所述毫米波雷达探测的包含所述目标的历史数据对当前时间点的所述目标进行补偿，生成在当前时间点的雷达数据；获得在当前时间点所述目标在所述雷达数据中的位置信息，并根据所述位置信息将所述目标投影至在当前时间点的所述图像数据的像素点上，以获得所述雷达数据在所述图像数据上的目标增强数据；对所述目标数据进行归一化处理。其中，所述目标数据包括所述目标相对所述毫米波雷达的相对距离、相对速度和散射截面，所述对所述目标数据进行归一化处理的步骤之后，还包括：根据所述目标所对应的所述距离、所述相对速度和所述散射截面，生成三通道数据。其中，所述获得摄像装置拍摄的图像数据并对所述图像数据进行预处理的步骤，包括：调节所述摄像装置的图象处理参数；获得调节后的所述摄像装置拍摄的图像数据；对所述图像数据进行归一化处理。其中，所述将所述雷达数据和所述图像数据在所述卷积神经网络的多个层级中进行级联以获得融合数据，输出所述融合数据中的目标的类别检测结果和关键点检测结果的步骤，包括：将所述雷达数据经过所述卷积神经网络不同层级后获得的不同尺度的雷达数据图谱，与所述图像数据经过所述神经网络的不同层级后且同尺度的图像数据图谱进行多次级联，以获得融合特征图谱；根据所述融合特征图谱输出所述目标的类别检测结果和关键点检测结果。其中，所述将所述雷达数据和所述图像数据在所述卷积神经网络的多个层级中进行级联以获得融合数据，输出所述融合数据中的目标的类别检测结果和关键点检测结果的步骤之后，还包括：获得当前时间点前的相邻时间点对应的所述关键点检测结果，进而获取所述当前时间点和所述相邻时间点对应的所述关键点检测结果的重合系数，将重合系数大于第一阈值的关键点确定为同一目标，以获得目标时序匹配结果。其中，所述对所述类别检测结果和所述关键点检测结果进行后处理，以输出所述目标的类别和运动状态的步骤，包括：根据所述目标时序匹配结果获取在当前时间点时所述目标的累计检测次数；根据所述类别检测结果获取在当前时间点时所述目标的类别的累计识别次数；当同一目标的所述累计识别次数与所述累计检测次数的比值达到第二阈值时，将所述目标确定为达到所述第二阈值的类别；根据所述关键点检测结果，利用预设的滤波方法获得所述目标的运动状态。其中，所述根据所述关键点检测结果，利用预设的滤波方法获得所述目标的运动状态的步骤，包括：获得所述摄像装置的世界坐标系，根据所述关键点检测结果获取所述目标在所述世界坐标系中的位置；利用交互多模型滤波方法，获取所述目标在所述世界坐标系中的运动状态。为解决上述技术问题，本申请第二方面提供一种电子设备，该电子设备包括相互耦接的存储器和处理器，其中，所述存储器存储有程序数据，所述处理器调用所述程序数据以执行上述第一方面的目标检测方法。为解决上述技术问题，本申请第三方面提供一种计算机存储介质，该计算机存储介质上存储有程序数据，所述程序数据被处理器执行时实现上述第一方面的目标检测方法。本申请的有益效果是：本申请对雷达数据和图像数据分别进行预处理，使雷达数据和图像数据以相同尺度输入卷积神经网络，将雷达数据和图像数据在多个层级进行级联融合，充分融合两种数据的特征后，根据融合特征后的数据输出目标的类别检测结果和关键点检测结果，以提高根据类别检测结果和关键点检测结果输出目标的类别和运动状态的精确度，进而提高目标检测的准确性和鲁棒性。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：图1是本申请提供的目标检测方法一实施方式对应的流程示意图；图2是本申请提供的目标检测方法另一实施方式对应的流程示意图；图3是图2中步骤S202对应的一实施方式的流程示意图；图4是图2中步骤S203对应的一实施方式的流程示意图；图5是卷积神经网络对应的拓扑结构图；图6是图2中步骤S205对应的一实施方式的流程示意图；图7是图6中步骤S604对应的一实施方式的流程示意图；图8是本申请提供的电子设备一实施方式的结构示意图；图9是本申请提供的计算机存储介质一实施方式的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。请参阅图1，图1是本申请提供的目标检测方法一实施方式对应的流程示意图，该方法包括：步骤S101：获得摄像装置拍摄的图像数据并对图像数据进行预处理，获得毫米波雷达探测的雷达数据并对雷达数据进行预处理，以使雷达数据和图像数据以相同尺度分别输入卷积神经网络。具体地，无人驾驶汽车上设有摄像装置和毫米波雷达分别用于进行图像拍摄和障碍物探测。其中，毫本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，所述方法包括：/n获得摄像装置拍摄的图像数据并对所述图像数据进行预处理，获得毫米波雷达探测的雷达数据并对所述雷达数据进行预处理，以使所述雷达数据和所述图像数据以相同尺度分别输入卷积神经网络；/n将所述雷达数据和所述图像数据在所述卷积神经网络的多个层级中进行级联以获得融合数据，输出所述融合数据中的目标的类别检测结果和关键点检测结果；/n对所述类别检测结果和所述关键点检测结果进行后处理，以输出所述目标的类别和运动状态。/n

【技术特征摘要】
1.一种目标检测方法，其特征在于，所述方法包括：
获得摄像装置拍摄的图像数据并对所述图像数据进行预处理，获得毫米波雷达探测的雷达数据并对所述雷达数据进行预处理，以使所述雷达数据和所述图像数据以相同尺度分别输入卷积神经网络；
将所述雷达数据和所述图像数据在所述卷积神经网络的多个层级中进行级联以获得融合数据，输出所述融合数据中的目标的类别检测结果和关键点检测结果；
对所述类别检测结果和所述关键点检测结果进行后处理，以输出所述目标的类别和运动状态。


2.根据权利要求1所述的方法，其特征在于，所述获得毫米波雷达探测的雷达数据并对所述雷达数据进行预处理的步骤，包括：
获得在当前时间点所述毫米波雷达探测的包含所述目标的目标数据；
利用当前时间点之前的所述毫米波雷达探测的包含所述目标的历史数据对当前时间点的所述目标进行补偿，生成在当前时间点的雷达数据；
获得在当前时间点所述目标在所述雷达数据中的位置信息，并根据所述位置信息将所述目标投影至在当前时间点的所述图像数据的像素点上，以获得所述雷达数据在所述图像数据上的目标增强数据；
对所述目标数据进行归一化处理。


3.根据权利要求2所述的方法，其特征在于，所述目标数据包括所述目标相对所述毫米波雷达的相对距离、相对速度和散射截面，所述对所述目标数据进行归一化处理的步骤之后，还包括：
根据所述目标所对应的所述距离、所述相对速度和所述散射截面，生成三通道数据。


4.根据权利要求1所述的方法，其特征在于，所述获得摄像装置拍摄的图像数据并对所述图像数据进行预处理的步骤，包括：
调节所述摄像装置的图象处理参数；
获得调节后的所述摄像装置拍摄的图像数据；
对所述图像数据进行归一化处理。


5.根据权利要求1所述的方法，其特征在于，所述将所述雷达数据和所述图像数据在所述卷积神经网络的多个层级中进行级联以获得融合数据，输出所述融合数据中的目标的类别检测结果和关键点检测结果的步骤，包括：
将所述雷达数据经过所述卷...

【专利技术属性】
技术研发人员：金智，缪其恒，
申请(专利权)人：浙江大华汽车技术有限公司，
类型：发明
国别省市：浙江;33