一种基于占据网络的目标检测方法、系统及存储介质技术方案

本发明专利技术涉及一种基于占据网络的目标检测方法、系统及存储介质，所述方法包括L1.车辆行驶在道路上，基于车载周身摄像头，实时获取车辆周围图像数据信息，并对图像进行拼接和缩放处理，输出处理后的图像数据信息；L2.将所述处理后的图像数据信息输入占据网络目标检测模型进行检测，输出图像3D空间的占用数据信息；L3.将所述图像3D空间的占用数据信息进行平滑处理，消除离散点，输出处理后的图像3D空间的占用数据信息。本发明专利技术不仅实现对场景中形状不明确的物体的检测，而且能预测三维信息，信息更加丰富，能够为下游任务提供可靠的信息支撑。撑。撑。

【技术实现步骤摘要】
一种基于占据网络的目标检测方法、系统及存储介质


[0001]本专利技术涉及目标识别
，尤其是涉及一种基于占据网络的目标检测方法、系统及存储介质。

技术介绍

[0002]自动驾驶技术在过去几年得到了广泛的发展，特别是在车辆感知方面取得了重大突破。目前在自动驾驶领域中，传统的目标检测方法，通过使用Multi
‑
Camera采集车体周围的视频，感知车体周围物体的距离、大小、速度、密度等，从而进行下一步的运动规划。但传统的目标检测方法无法感知周围物体的轮廓信息，容易受到环境的影响而出现误检或漏检，所以在目标的形状或外观不明确的开放世界交通场景中可能会失败。这些形状或外观不明确的物体被称为长尾障碍物，包括可变形的障碍物，如两节拖车；异形障碍物，如翻车的车辆；未知类别的障碍物，如道路上的碎石、垃圾；部分遮蔽的物体等。

技术实现思路

[0003]鉴于以上问题，本专利技术提供了一种基于占据网络的目标检测方法、系统及存储介质，不仅实现对场景中形状不明确的物体的检测，而且能预测三维信息，信息更加丰富，能够为下游任务提供可靠的信息支撑。
[0004]为了实现上述目的及其他相关目的，本专利技术提供的技术方案如下：一种基于占据网络的目标检测方法，所述方法包括：L1.车辆行驶在道路上，基于车载周身摄像头，实时获取车辆周围图像数据信息，并对图像进行拼接和缩放处理，输出处理后的图像数据信息；L2.将所述处理后的图像数据信息输入占据网络目标检测模型进行检测，输出图像3D空间的占用数据信息；L3.将所述图像3D空间的占用数据信息进行平滑处理，消除离散点，输出处理后的图像3D空间的占用数据信息；L4.基于所述处理后的图像3D空间占用数据信息，采用边界计算法对图像中的目标进行距离推算，输出目标的距离数据信息；L5.基于所述目标的距离数据信息，生成目标的Bev信息，根据所述目标的Bev信息输出目标感知数据信息。
[0005]进一步的，在步骤L2中，所述将所述处理后的图像数据信息输入占据网络目标检测模型进行检测包括：L21.将所述处理后的图像数据信息输入Resnet34卷积网络进行图像特征提取，并融合深层卷积层的高级别特征和浅层卷积层的低级别特征，输出图像的征张量数据信息；L22.将所述图像的征张量数据信息输入2DTo3D网络进行图像转化，输出图像的3D数据信息；L23.将所述图像的3D数据信息输入3DVGG网络进行分类，输出处理后的图像3D空
间的占用数据信息。
[0006]进一步的，所述深层卷积层的高级别特征为图像的深层的卷积层特征，所述浅层卷积层的低级别特征为图像的浅层的卷积层特征。
[0007]进一步的，所述处理后的图像3D空间的占用数据信息包括多个目标，每个目标由多个3D矩形单元组成。
[0008]进一步的，在步骤L4中，所述采用边界计算法对图像中的目标进行距离推算包括：L41.基于所述处理后的图像3D空间占用数据信息，计算距离车体最大的3D矩形单元为max
xyz
和最小的3D矩形单元为min
xyz
；L42.根据所述max
xyz
和min
xyz
，得到目标的最大外接矩形Rect
hwh
和中心坐标Center
xyz
，Center
xyz
=0.5*(max
xyz
+min
xyz
)，Rect
hwh
=max
xyz
‑
min
xyz
；L43.根据所述目标的最大外接矩形Rect
hwh
和中心坐标Center
xyz
，输出目标的距离数据信息。
[0009]进一步的，在步骤L5中，所述目标感知数据信息包括目标的相对位置数据信息和目标形状数据信息。
[0010]为了实现上述目的及其他相关目的，本专利技术还提供了一种基于占据网络的目标检测系统，所述系统包括：图像获取模块，用于实时获取车辆周围的图像数据信息；图像预处理模块，与所述图像获取模块连接，用于对图像进行缩放和拼接处理；占用网络目标检测模块，与所述图像预处理模块连接，用于对预处理后图像进行分类和处理，得到目标的3D占用信息；计算模块，与所述占用网络目标检测模块连接，用于计算目标的距离数据信息；输出模块，与所述计算模块连接，用于输出目标的感知数据信息。
[0011]进一步的，所述占用网络目标检测模块包括Encoder单元和 Decoder单元，所述Encoder单元为Resnet34卷积网络、深层卷积层和浅层卷积层，所述Decoder单元包括2DTo3D子单元和3DVGG子单元。
[0012]进一步的，所述系统还包括显示模块，所述显示模块与所述输出模块连接，用于显示实时接收到的目标的感知数据信息。
[0013]为了实现上述目的及其他相关目的，本专利技术还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述基于占据网络的目标检测方法的计算机程序。
[0014]本专利技术具有以下积极效果：1.本专利技术通过通过摄像头预测周围的障碍物，不仅能够实时的显示出来，而且相对成本更低，有利于进行推广使用。
[0015]2.本专利技术通过占据网络进行图像的处理，能预测三维信息，信息更加丰富，能够为下游任务提供可靠的信息支撑。
附图说明
[0016]图1为本专利技术方法流程示意图；图2为本专利技术的图像拼接结果示意图；图3为本专利技术的Bev显示效果示意图。
具体实施方式
[0017]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0018]实施例1：如图1或图2或图3所示，一种基于占据网络的目标检测方法，所述方法包括：L1.车辆行驶在道路上，基于车载周身摄像头，实时获取车辆周围图像数据信息，并对图像进行拼接和缩放处理，输出处理后的图像数据信息；L2.将所述处理后的图像数据信息输入占据网络目标检测模型进行检测，输出图像3D空间的占用数据信息；L3.将所述图像3D空间的占用数据信息进行平滑处理，消除离散点，输出处理后的图像3D空间的占用数据信息；L4.基于所述处理后的图像3D空间占用数据信息，采用边界计算法对图像中的目标进行距离推算，输出目标的距离数据信息；L5.基于所述目标的距离数据信息，生成目标的Bev信息，根据所述目标的Bev信息输出目标感知数据信息。
[0019]在本实施例中，在步骤L2中，所述将所述处理后的图像数据信息输入占据网络目标检测模型进行检测包括：L21.将所述处理后的图像数据信息输入Resnet34卷积网络进行图像特征提取，并融合深层卷积层的高级别特征和浅层卷积层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于占据网络的目标检测方法，其特征在于，所述方法包括：L1.车辆行驶在道路上，基于车载周身摄像头，实时获取车辆周围图像数据信息，并对图像进行拼接和缩放处理，输出处理后的图像数据信息；L2.将所述处理后的图像数据信息输入占据网络目标检测模型进行检测，输出图像3D空间的占用数据信息；L3.将所述图像3D空间的占用数据信息进行平滑处理，消除离散点，输出处理后的图像3D空间的占用数据信息；L4.基于所述处理后的图像3D空间占用数据信息，采用边界计算法对图像中的目标进行距离推算，输出目标的距离数据信息；L5.基于所述目标的距离数据信息，生成目标的Bev信息，根据所述目标的Bev信息输出目标感知数据信息。2.根据权利要求1所述的基于占据网络的目标检测方法，其特征在于，在步骤L2中，所述将所述处理后的图像数据信息输入占据网络目标检测模型进行检测包括：L21.将所述处理后的图像数据信息输入Resnet34卷积网络进行图像特征提取，并融合深层卷积层的高级别特征和浅层卷积层的低级别特征，输出图像的征张量数据信息；L22.将所述图像的征张量数据信息输入2DTo3D网络进行图像转化，输出图像的3D数据信息；L23.将所述图像的3D数据信息输入3DVGG网络进行分类，输出处理后的图像3D空间的占用数据信息。3.根据权利要求2所述的基于占据网络的目标检测方法，其特征在于：所述深层卷积层的高级别特征为图像的深层的卷积层特征，所述浅层卷积层的低级别特征为图像的浅层的卷积层特征。4.根据权利要求1所述的基于占据网络的目标检测方法，其特征在于：所述处理后的图像3D空间的占用数据信息包括多个目标，每个目标由多个3D矩形单元组成。5.根据权利要求1所述的基于占据网络的目标检测方法，其特征在于，在步骤L4中，所述采用边界计算法对图像中的目标进行距离推算包括：L41.基于所述处理后的图像3D空间占用数据信息，计算距离车体最大的3D矩形单元为max
xyz
和最小的3D矩形单元为min
xyz
；L42.根据所述max
xyz
...

【专利技术属性】
技术研发人员：崔志斌，杨志伟，于欢，章品，姜成杰，雷迪，李鑫，吴迪，
申请(专利权)人：东风悦享科技有限公司，
类型：发明
国别省市：