【技术实现步骤摘要】
三维目标检测方法、电子设备及存储介质
[0001]本申请涉及计算机视觉和深度学习技术
、
尤其涉及一种三维目标检测方法
、
电子设备及存储介质
。
技术介绍
[0002]在自动驾驶领域中,根据不同的传感器可以检测车辆前方或附近的物体,自动驾驶才能做出对应的决策
。
因此自动驾驶系统需要快速精准的检测出物体的类别及位置,才能确保行车安全
。
目前多数三维目标检测算法需要利用回归运算才能得到物体的三维位置,然而使用回归运算,造成三维目标检测算法在预测处理上耗费很长时间
。
此外,在检测车辆与前方物体的距离时,目前三维目标检测算法是利用光达或者雷达取得深度信息,但使用光达或者雷达的成本高昂
、
视场范围比较小
。
技术实现思路
[0003]鉴于以上内容,有必要提供一种三维目标检测方法
、
电子设备及存储介质,以解决检测物体的类别及三维位置速度慢的问题,并减少了检测成本
。
[0004]本申请实施例提供一种三维目标检测方法,所述三维目标检测方法包括:获取相机拍摄的检测图像;将所述检测图像输入至训练完成的目标检测模型,利用所述目标检测模型确定所述检测图像中物体的物体类别
、
物体的二维边线框及物体的旋转角度;根据所述物体类别,查找三维物体模型库确定与所述物体对应的物件模型及与所述物件模型对应的三维边线框;根据所述物体的二维边线框的大小
、 >所述检测图像的图像信息及所述相机的焦距确定所述相机到所述物件模型的距离;根据所述物体的旋转角度
、
所述相机到所述物件模型的距离及所述三维边线框确定所述物件模型在三维空间中的位置,将所述物件模型在三维空间中的值作为所述物体在三维空间中的位置
。
[0005]在一种可选的实施方式中,所述方法还包括:构建所述目标检测模型,基于
Single Shot MultiBox Detector(SSD)
网络改进所述目标检测模型,其中,所述
SSD
网络包括
backbone
网络及第一
head
网络;所述基于
SSD
网络进行改进包括:在所述
SSD
网络中的所述
backbone
网络后新增第二
head
网络;改进后,所述目标检测模型包括所述
backbone
网络
、
所述第一
head
网络及所述第二
head
网络
。
[0006]在一种可选的实施方式中,所述方法还包括:获取训练样本图像;利用所述目标检测模型中所述
backbone
网络对所述训练样本图像进行特征提取,得到所述训练样本图像的多个不同尺度的训练特征图;在所述多个不同尺度的训练特征图上生成多个第一默认框及将每个不同尺度的训练特征图输入所述第一
head
网络进行卷积,输出所述多个第一默认框内物体的物体类别的得分和所述多个第一默认框的位置;将所述多个第一默认框进行非极大值抑制运算,输出所述训练样本图像中物体的二维边线框,其中,所述训练样本图像中物体的二维边线框包括所述二维边线框内的物体类别及所述二维边线框的位置;将每个不同尺度的训练特征图输入所述第二
head
网络进行卷积,输出所述训练样本图像中物体的旋转
角度;最小化所述第一
head
网络及所述第二
head
网络的损失值,得到训练完成的目标检测模型
。
[0007]在一种可选的实施方式中,所述方法还包括:对所述训练样本图像进行数据增强处理以增加所述训练样本图像,其中所述数据增强处理包括对所述训练样本图像进行翻转
、
旋转
、
缩放比例
、
移位处理
。
[0008]在一种可选的实施方式中,所述根据所述物体类别,查找三维物体模型库确定与所述物体对应的物件模型及与所述物件模型对应的三维边线框包括:建立三维物体模型库,其中,所述三维物体模型库包括与不同物体类别对应的多个物件模型及与每个物件模型对应的三维边线框,所述三维边线框包括所述物体类别对应的长
、
宽
、
高
。
[0009]在一种可选的实施方式中,所述根据所述物体的二维边线框的大小
、
所述检测图像的图像信息及所述相机的焦距确定所述相机到所述物件模型的距离包括:根据所述物体的二维边线框的宽度及
/
或长度
、
所述相机焦距
、
所述检测图像的分辨率及像素宽度计算得到所述相机到所述物件模型的距离
。
[0010]在一种可选的实施方式中,所述根据所述物体的旋转角度
、
所述相机到所述物件模型的距离及所述三维边线框确定所述物件模型在三维空间中的位置包括:将所述物体的旋转角度作为所述物件模型的旋转角度;根据所述物件模型的旋转角度确定所述物件模型在所述三维空间中的方向;根据所述物件模型在所述三维空间中的方向
、
所述相机到所述物件模型的距离及所述三维边线框,确定所述物件模型在三维空间中的位置
。
[0011]在一种可选的实施方式中,所述方法还包括:输出所述物体类别及所述物体在三维空间中的位置并将所述物体类别及所述物体在三维空间中的位置显示于显示屏
。
[0012]本申请实施例还提供一种电子设备,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现所述的三维目标检测方法
。
[0013]本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的三维目标检测方法
。
[0014]通过利用本申请各实施例提供的技术方案,不需进行复杂的运算减少了人力成本且能快速地得到物体的三维位置
。
附图说明
[0015]图1为本申请实施例提供的一种三维目标检测方法的流程图
。
[0016]图2为本申请实施例提供的非极大值抑制方法流程图
。
[0017]图3为本申请实施例提供的三维物体模型库示意图
。
[0018]图4为本申请实施例提供的计算相机到物体的物件模型的距离方法示意图
。
[0019]图5为本申请实施例提供的一种电子设备的结构示意图
。
具体实施方式
[0020]为了能够更清楚地理解本申请的上述目的
、
特征和优点,下面结合附图和具体实施例对本申请进行详细描述
。
需要说明的是,此处所描述的具体实施例仅用以解释本申请,并不用于限定本本文档来自技高网...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种三维目标检测方法,其特征在于,所述三维目标检测方法包括:获取相机拍摄的检测图像;将所述检测图像输入至训练完成的目标检测模型,利用所述目标检测模型确定所述检测图像中物体的物体类别
、
物体的二维边线框及物体的旋转角度;根据所述物体类别,查找三维物体模型库确定与所述物体对应的物件模型及与所述物件模型对应的三维边线框;根据所述物体的二维边线框的大小
、
所述检测图像的图像信息及所述相机的焦距确定所述相机到所述物件模型的距离;根据所述物体的旋转角度
、
所述相机到所述物件模型的距离及所述三维边线框确定所述物件模型在三维空间中的位置,将所述物件模型在三维空间中的位置作为所述物体在三维空间中的位置
。2.
根据权利要求1所述的三维目标检测方法,其特征在于,所述方法还包括:构建所述目标检测模型,基于
Single Shot MultiBox Detector(SSD)
网络改进所述目标检测模型,其中,所述
SSD
网络包括
backbone
网络及第一
head
网络;所述基于
SSD
网络进行改进包括:在所述
SSD
网络中的所述
backbone
网络后新增第二
head
网络;改进后,所述目标检测模型包括所述
backbone
网络
、
所述第一
head
网络及所述第二
head
网络
。3.
根据权利要求2所述的三维目标检测方法,其特征在于,所述方法还包括:获取训练样本图像;利用所述目标检测模型中所述
backbone
网络对所述训练样本图像进行特征提取,得到所述训练样本图像的多个不同尺度的训练特征图;在所述多个不同尺度的训练特征图上生成多个第一默认框及将每个不同尺度的训练特征图输入所述第一
head
网络进行卷积,输出所述多个第一默认框内物体的物体类别的得分和所述多个第一默认框的位置;将所述多个第一默认框进行非极大值抑制运算,输出所述训练样本图像中物体的二维边线框,其中,所述训练样本图像中物体的二维边线框包括所述二维边线框内的物体类别及所述二维边线框的位置;将每个不同尺度的训练特征图输入所述第二
head
网络进行卷积,输出所述训练样本图像中物体的旋转角度;最小化所述第一
head
网络及所述第二
技术研发人员:卢志德,李洁,郭锦斌,
申请(专利权)人:鸿海精密工业股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。