智慧交通下的智能汽车的目标检测方法及其系统技术方案

本申请涉及智慧交通的领域，其具体地公开了一种智慧交通下的智能汽车的目标检测方法及其系统，其通过卷积神经网络模型挖掘出被测目标的图像的局部高维特征分布以得到图像特征向量，并且使用基于上下文的编码器模型对深度点云数据中的每个数据点的五维坐标进行全局性关联特征的提取，进一步将获得的所述每一组第一到第五特征向量基于浅层映射网络进行3D空间数据的优化，以将点的体函数表示优化为向量函数，从而得到角度特征向量，这样就可以使用图神经网络来融合这两个特征向量以综合所述激光雷达获取的目标深度点云数据和所述RGB相机获取的目标图像来对被测目标的类别进行检测，以提高对于智能汽车的分类检测的准确度。度。度。

【技术实现步骤摘要】
智慧交通下的智能汽车的目标检测方法及其系统


[0001]本专利技术涉及智慧交通的领域，且更为具体地，涉及一种智慧交通下的智能汽车的目标检测方法及其系统。

技术介绍

[0002]智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体。现在对智能车辆的研究主要致力于提高汽车的安全性、舒适性，以及提供优良的人车交互界面。近年来，智能车辆己经成为世界车辆工程领域研究的热点和汽车工业增长的新动力，很多发达国家都将其纳入到各自重点发展的智能交通系统当中。
[0003]目前，智能汽车上都配备有传感器感知系统，以用来避免发生车辆的碰撞，进而保护人们的生命安全。但是，现今针对智能汽车单一传感器的环境感知具有局限性，这样就会导致智能汽车的避障不准确，从而发生意外的交通事故，给人们的生命财产带来损失。因此，为了提高对于目标检测的准确度，期望一种智慧交通下的智能汽车的目标检测方法。
[0004]目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0005]深度学习以及神经网络的发展为智慧交通中的智能汽车的目标检测提供了新的解决思路和方案。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智慧交通下的智能汽车的目标检测方法及其系统，其通过卷积神经网络模型挖掘出被测目标的图像的局部高维特征分布以得到图像特征向量，并且使用基于上下文的编码器模型对深度点云数据中的每个数据点的五维坐标进行全局性关联特征的提取，进一步将获得的所述每一组第一到第五特征向量基于浅层映射网络进行3D空间数据的优化，以将点的体函数表示优化为向量函数，从而得到角度特征向量，这样就可以使用图神经网络来融合这两个特征向量以综合所述激光雷达获取的目标深度点云数据和所述RGB相机获取的目标图像来对被测目标的类别进行检测，以提高对于智能汽车的分类检测的准确度。
[0007]根据本申请的一个方面，提供了一种智慧交通下的智能汽车的目标检测方法，其包括：
[0008]通过部署于智能汽车的激光雷达获得被测目标的深度点云数据以及通过部署于所述智能汽车的RGB相机获取所述被测目标的图像；
[0009]将所述被测目标的图像通过卷积神经网络以获得图像特征向量；
[0010]获取所述深度点云数据中每个数据点的五维坐标其中θ表示数据点相对于视线轴线的角度，表示数据点在视平面上的角度；
[0011]将所述深度点云数据中所有数据点的五维坐标分别输入上下文编码器以获得N组第一到第三位置特征向量和N组第四和第五特征向量，其中，所述N为所述深度点云数据中数据点的数量；
[0012]将所述N组第一到第三位置特征向量中每一组第一到第三位置特征向量级联后分别输入第一全连接神经网络以获得对应于每一组第一到第三位置特征向量的一个空间坐标值以获得N个空间坐标值；
[0013]将所述N组第四和第五特征向量中每一组第四和第五特征向量级联后分别输入第二全连接神经网络以获得对应于每一组第四和第五特征向量的第一角度值和第二角度值；
[0014]基于每一组所述空间坐标值、所述第一角度值和所述第二角度值获得一个角度特征值以生成由N个角度特征值组成的角度特征向量，其中，所述角度特征值为所述第一角度值乘以所述空间坐标值加上所述第二角度值的正弦函数值；
[0015]构造所述图像特征向量和所述角度特征向量的高斯密度图，其中，所述高斯密度图的均值向量为所述图像特征向量和所述角度特征向量之间的均值向量，所述高斯密度图的协方差矩阵中各个位置的值为所述图像特征向量和所述角度特征向量中相应位置的特征值之间的方差；
[0016]对所述高斯密度图进行高斯离散化以获得分类矩阵；以及
[0017]将所述分类矩阵通过分类器以获得分类结果，所述分类结果为所述被测目标的类别标签。
[0018]根据本申请的另一方面，提供了一种智慧交通下的智能汽车的目标检测系统，其包括：
[0019]图像获取单元，用于通过部署于智能汽车的激光雷达获得被测目标的深度点云数据以及通过部署于所述智能汽车的RGB相机获取所述被测目标的图像；
[0020]卷积单元，用于将所述图像获取单元获得的所述被测目标的图像通过卷积神经网络以获得图像特征向量；
[0021]五维坐标获取单元，用于获取所述深度点云数据中每个数据点的五维坐标其中θ表示数据点相对于视线轴线的角度，表示数据点在视平面上的角度；
[0022]上下文编码单元，用于将所述五维坐标获取单元获得的所述深度点云数据中所有数据点的五维坐标分别输入上下文编码器以获得N组第一到第三位置特征向量和N组第四和第五特征向量，其中，所述N为所述深度点云数据中数据点的数量；
[0023]空间坐标值生成单元，用于将所述上下文编码单元获得的所述N组第一到第三位置特征向量中每一组第一到第三位置特征向量级联后分别输入第一全连接神经网络以获得对应于每一组第一到第三位置特征向量的一个空间坐标值以获得N个空间坐标值；
[0024]角度值生成单元，用于将所述上下文编码单元获得的所述N组第四和第五特征向量中每一组第四和第五特征向量级联后分别输入第二全连接神经网络以获得对应于每一组第四和第五特征向量的第一角度值和第二角度值；
[0025]角度特征向量计算单元，用于基于每一组所述空间坐标值生成单元获得的所述空间坐标值、所述角度值生成单元获得的所述第一角度值和所述角度值生成单元获得的所述第二角度值获得一个角度特征值以生成由N个角度特征值组成的角度特征向量，其中，所述
角度特征值为所述第一角度值乘以所述空间坐标值加上所述第二角度值的正弦函数值；
[0026]高密密度图构造单元，用于构造所述卷积单元获得的所述图像特征向量和所述角度特征向量计算单元获得的所述角度特征向量的高斯密度图，其中，所述高斯密度图的均值向量为所述图像特征向量和所述角度特征向量之间的均值向量，所述高斯密度图的协方差矩阵中各个位置的值为所述图像特征向量和所述角度特征向量中相应位置的特征值之间的方差；
[0027]高斯离散化单元，用于对所述高密密度图构造单元获得的所述高斯密度图进行高斯离散化以获得分类矩阵；以及
[0028]分类单元，用于将所述高斯离散化单元获得的所述分类矩阵通过分类器以获得分类结果，所述分类结果为所述被测目标的类别标签。
[0029]根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智慧交通下的智能汽车的目标检测方法。
[0030]与现有技术相比，本申请提供的智慧交通下的智能汽车的目标检测方法及其系统，其通过卷积神经网络模型挖掘出被测目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智慧交通下的智能汽车的目标检测方法，其特征在于，包括：通过部署于智能汽车的激光雷达获得被测目标的深度点云数据以及通过部署于所述智能汽车的RGB相机获取所述被测目标的图像；将所述被测目标的图像通过卷积神经网络以获得图像特征向量；获取所述深度点云数据中每个数据点的五维坐标其中θ表示数据点相对于视线轴线的角度，表示数据点在视平面上的角度；将所述深度点云数据中所有数据点的五维坐标分别输入上下文编码器以获得N组第一到第三位置特征向量和N组第四和第五特征向量，其中，所述N为所述深度点云数据中数据点的数量；将所述N组第一到第三位置特征向量中每一组第一到第三位置特征向量级联后分别输入第一全连接神经网络以获得对应于每一组第一到第三位置特征向量的一个空间坐标值以获得N个空间坐标值；将所述N组第四和第五特征向量中每一组第四和第五特征向量级联后分别输入第二全连接神经网络以获得对应于每一组第四和第五特征向量的第一角度值和第二角度值；基于每一组所述空间坐标值、所述第一角度值和所述第二角度值获得一个角度特征值以生成由N个角度特征值组成的角度特征向量，其中，所述角度特征值为所述第一角度值乘以所述空间坐标值加上所述第二角度值的正弦函数值；构造所述图像特征向量和所述角度特征向量的高斯密度图，其中，所述高斯密度图的均值向量为所述图像特征向量和所述角度特征向量之间的均值向量，所述高斯密度图的协方差矩阵中各个位置的值为所述图像特征向量和所述角度特征向量中相应位置的特征值之间的方差；对所述高斯密度图进行高斯离散化以获得分类矩阵；以及将所述分类矩阵通过分类器以获得分类结果，所述分类结果为所述被测目标的类别标签。2.根据权利要求1所述的智慧交通下的智能汽车的目标检测方法，其中，将所述被测目标的图像通过卷积神经网络以获得图像特征向量，包括：所述卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层生成所述图像特征向量，其中，所述卷积神经网络的第一层的输入为所述被测目标的图像。3.根据权利要求2所述的智慧交通下的智能汽车的目标检测方法，其中，将所述深度点云数据中所有数据点的五维坐标分别输入上下文编码器以获得N组第一到第三位置特征向量和N组第四和第五特征向量，其中，所述N为所述深度点云数据中数据点的数量，包括：使用所述基于上下文的编码器模型的嵌入层分别将所述深度点云数据中所有数据点的五维坐标转化为输入向量以获得输入向量的序列；以及使用所述基于上下文的编码器模型的转换器分别对所述输入向量的序列进行基于全局的上下文语义编码以获得N组第一到第三位置特征向量和N组第四和第五特征向量。4.根据权利要求3所述的智慧交通下的智能汽车的目标检测方法，其中，将所述N组第一到第三位置特征向量中每一组第一到第三位置特征向量级联后分别输入第一全连接神
经网络以获得对应于每一组第一到第三位置特征向量的一个空间坐标值以获得N个空间坐标值，包括：以如下公式将所述N组第一到第三位置特征向量中每一组第一到第三位置特征向量级联后分别输入第一全连接神经网络以获得对应于每一组第一到第三位置特征向量的一个空间坐标值以获得N个空间坐标值；其中，所述公式为：其中X是所述N组第一到第三位置特征向量中每一组第一到第三位置特征向量，Y是所述N个坐标值，W是权重矩阵，B是偏置向量，表示矩阵乘，p(
·
)为激活函数。5.根据权利要求4所述的智慧交通下的智能汽车的目标检测方法，其中，基于每一组所述空间坐标值、所述第一角度值和所述第二角度值获得一个角度特征值以生成由N个角度特征值组成的角度特征向量，包括：基于每一组所述空间坐标值、所述第一角度值和所述第二角度值以如下公式获得一个角度特征值以生成由N个角度特征值组成的角度特征向量；其中，所述公式为：sin(α
·
p+β)其中，p表示对应于每一组所述第一到第三位置特征向量的一个空间坐标值，α表示对应于每一组所述第四特征向量的第一角度值，β表示对应于每一组所述第五特征向量的第二角度值。6.根据权利要求5所述的智慧交通下的智能汽车的目标检测方法，其中，构造所...

【专利技术属性】
技术研发人员：李玮涛，沈琦超，
申请(专利权)人：杭州超阳科技有限公司，
类型：发明
国别省市：