一种目标检测方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种目标检测方法、装置、电子设备和存储介质，该方法包括：获取针对应用场景采集的雷达点云数据；将雷达点云数据输入至预设卷积神经网络模型中，其中，预设卷积神经网络模型包括由预设大小的预设卷积核组成的预设卷积层，预设卷积核中参与当次卷积计算的有效卷积点是基于预设卷积核对应的参数权重值确定的，参数权重值是通过训练预设卷积神经网络模型获得的；根据预设卷积神经网络模型的输出，确定应用场景中的目标物体信息。通过本发明专利技术实施例的技术方案，可以提高目标检测的准确性。

【技术实现步骤摘要】
一种目标检测方法、装置、电子设备和存储介质
本专利技术实施例涉及计算机技术，尤其涉及一种目标检测方法、装置、电子设备和存储介质。
技术介绍
随着计算机技术的快速发展，可以对应用场景中的目标物体进行目标检测，以便获得应用场景中的目标物体位置信息等。例如，在无人驾驶场景中，可以对无人驾驶车辆周围环境中的目标物体进行检测。目前，可以利用普通卷积层或者稀疏卷积层(比如子流形稀疏卷积层)对采集的雷达点云数据进行处理，以便获得应用场景中的目标物体。然而，在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：由于采集的雷达点云数据为稀疏数据，而普通卷积层通常是用于处理稠密数据的，从而普通卷积层在处理雷达点云数据时无法获得较好的处理效果，进而降低了目标检测的准确性。而且，稀疏卷积层在处理稀疏的雷达点云数据时，虽然一定程度上抑制了雷达点云数据在空间上的膨胀现象的发生，但同时也抑制了临近信息之间的融合过程，导致只能通过池化层或者较大卷积步长进行临界信息的融合。而使用过多的池化层或者较大卷积步长无法保证最终特征图的分辨率，进而也降低了目标检测的准确性。
技术实现思路
本专利技术实施例提供了一种目标检测方法、装置、电子设备和存储介质，以提高目标检测的准确性。第一方面，本专利技术实施例提供了一种目标检测方法，包括：获取针对应用场景采集的雷达点云数据；将所述雷达点云数据输入至预设卷积神经网络模型中，其中，所述预设卷积神经网络模型包括由预设大小的预设卷积核组成的预设卷积层，所述预设卷积核中参与当次卷积计算的有效卷积点是基于所述预设卷积核对应的参数权重值确定的，所述参数权重值是通过训练所述预设卷积神经网络模型获得的；根据所述预设卷积神经网络模型的输出，确定所述应用场景中的目标物体信息。第二方面，本专利技术实施例还提供了一种目标检测装置，包括：雷达点云数据获取模块，用于获取针对应用场景采集的雷达点云数据；雷达点云数据输入模块，用于将所述雷达点云数据输入至预设卷积神经网络模型中，其中，所述预设卷积神经网络模型包括由预设大小的预设卷积核组成的预设卷积层，所述预设卷积核中参与当次卷积计算的有效卷积点是基于所述预设卷积核对应的参数权重值确定的，所述参数权重值是通过训练所述预设卷积神经网络模型获得的；目标物体信息确定模块，用于根据所述预设卷积神经网络模型的输出，确定所述应用场景中的目标物体信息。第三方面，本专利技术实施例还提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术任意实施例所提供的目标检测方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任意实施例所提供的目标检测方法。上述专利技术中的实施例具有如下优点或有益效果：通过利用预设卷积神经网络模型中的由预设大小的预设卷积核组成的预设卷积层对雷达点云数据进行处理，并且预设卷积核中的参与当次卷积计算的有效卷积点是基于预先训练获得的参数权重值确定的，从而可以动态调整预设卷积核中参与当次卷积计算的有效卷积点，使得预设卷积神经网络模型可以获得更多的邻近信息的融合结果，并且可以保证最终特征图的分辨率，进而提高了目标检测的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。图1是本专利技术实施例一提供的一种目标检测方法的流程图；图2是本专利技术实施例一所涉及的一种预设卷积核的示例；图3是本专利技术实施例一所涉及的一种特征提取子模型的示例；图4是本专利技术实施例二提供的一种目标检测方法的流程图；图5是本专利技术实施例三提供的一种目标检测装置的结构示意图；图6是本专利技术实施例四提供的一种电子设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1为本专利技术实施例一提供的一种目标检测方法的流程图，本实施例可适用于对应用场景中的目标物体进行检测的情况，尤其是可以用于对自动驾驶场景中的目标物体进行检测的情况，同时也可以用于其他需要检测目标的应用场景中。该方法可以由目标检测装置来执行，该装置可以由软件和/或硬件的方式来实现，集成于电子设备中，比如该设备可以搭载在自动驾驶车辆中。如图1所示，该方法具体包括以下步骤：S110、获取针对应用场景采集的雷达点云数据。其中，应用场景可以是指任意一种需要检测目标物体的业务场景，比如，机器人场景、无人驾驶场景等。雷达点云数据可以包括应用场景中多个位置点的三维坐标信息。例如，采集的雷达点云数据可以包括height×width个点的三维坐标信息，即雷达点云数据的输入维度为：height×width×3。其中，height表示雷达点云数据的高度；width表示雷达点云数据的宽度。具体地，可以预先利用布置在应用场景中的雷达探测器采集雷达点云数据，以便获取所采集的雷达点云数据。例如，在无人驾驶场景中，可以获取无人驾驶车辆上预先安装的雷达探测器所采集的雷达点云数据。S120、将雷达点云数据输入至预设卷积神经网络模型中，其中，预设卷积神经网络模型包括由预设大小的预设卷积核组成的预设卷积层，预设卷积核中参与当次卷积计算的有效卷积点是基于预设卷积核对应的参数权重值确定的，参数权重值是通过训练预设卷积神经网络模型获得的。其中，预设卷积神经网络模型可以是预先设置的，用于基于雷达点云数据进行目标检测的深度神经网络模型。本实施例中的卷积神经网络模型可以是预先基于现有的训练方式，根据样本数据进行训练后所获得的模型。预设卷积层可以是对输入的数据进行卷积操作的网络层。预设卷积神经网络模型中可以包括一个或多个预设卷积层，其具体数量可以基于业务需求和模型深度进行设置。预设卷积核可以是指在预设卷积层中，与输入数据中的邻近信息进行卷积操作的函数。预设卷积核的预设大小可以是基于业务需求预先设置的。例如，图2给出了一种预设卷积核的示例。如图2所示，该预设卷积核的预设大小可以设置为3×3。预设卷积核可以利用一个预设大小的矩阵形式进行表征，比如3×3的矩阵。预设卷积核中的卷积点可以是指预设卷积核中的每行每列所对应的各个点。例如，图2中的预设卷积核可以包括9个卷积点。有效卷积点可以是指预设卷积核中参与当次卷积计算的卷积点，比如图2中的阴影区域所对应的卷积点。无效卷积点可以是指预设卷积核中不会参与当次卷积计算的卷积点，比如图2中的本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，包括：/n获取针对应用场景采集的雷达点云数据；/n将所述雷达点云数据输入至预设卷积神经网络模型中，其中，所述预设卷积神经网络模型包括由预设大小的预设卷积核组成的预设卷积层，所述预设卷积核中参与当次卷积计算的有效卷积点是基于所述预设卷积核对应的参数权重值确定的，所述参数权重值是通过训练所述预设卷积神经网络模型获得的；/n根据所述预设卷积神经网络模型的输出，确定所述应用场景中的目标物体信息。/n

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：
获取针对应用场景采集的雷达点云数据；
将所述雷达点云数据输入至预设卷积神经网络模型中，其中，所述预设卷积神经网络模型包括由预设大小的预设卷积核组成的预设卷积层，所述预设卷积核中参与当次卷积计算的有效卷积点是基于所述预设卷积核对应的参数权重值确定的，所述参数权重值是通过训练所述预设卷积神经网络模型获得的；
根据所述预设卷积神经网络模型的输出，确定所述应用场景中的目标物体信息。


2.根据权利要求1所述的方法，其特征在于，基于所述预设卷积核对应的参数权重值确定所述预设卷积核中参与当次卷积计算的有效卷积点，包括：
针对所述预设卷积核中的每个卷积点，基于所述预设卷积核对应的参数权重值，确定当前卷积点对应的当前权重值；
根据所述当前权重值，确定所述当前卷积点对应的当前激活值；
根据所述当前激活值和预设阈值，检测所述当前卷积点是否为参与当次卷积计算的有效卷积点。


3.根据权利要求2所述的方法，其特征在于，根据所述当前激活值和预设阈值，检测所述当前卷积点是否为参与当次卷积计算的有效卷积点，包括：
若当次卷积为首次卷积，则根据所述当前激活值和预设阈值，检测所述当前卷积点是否为参与当次卷积计算的有效卷积点；
若当次卷积为非首次卷积，则获取上次卷积计算中所述当前卷积点对应的上一检测结果，并根据所述当前激活值、预设阈值和所述上一检测结果，检测所述当前卷积点是否为参与当次卷积计算的有效卷积点。


4.根据权利要求3所述的方法，其特征在于，根据所述当前激活值和预设阈值，检测所述当前卷积点是否为参与当次卷积计算的有效卷积点，包括：
若所述当前激活值大于或等于预设阈值，则确定所述当前卷积点为参与当次卷积计算的有效卷积点。


5.根据权利要求3所述的方法，其特征在于，根据所述当前激活值、预设阈值和所述上一检测结果，检测所述当前卷积点是否为参与当次卷积计算的有效卷积点，包括：
若所述当前激活值大于或等于预设阈值，且所述当前卷积点为参与上次卷积计算的有效卷积点，则确定所述当前卷积点为参与当次卷积计算的有效卷积点。


6.根据权利要...

【专利技术属性】
技术研发人员：白宇，
申请(专利权)人：京东鲲鹏江苏科技有限公司，
类型：发明
国别省市：江苏;32