System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及三维图像数据处理,具体为基于前景点筛选的三维目标检测方法、系统、设备、介质。
技术介绍
1、3d目标检测是智能交通领域中的一个关键问题,也是一个具有挑战性的任务。近年来,随着自动驾驶、智能交通等新兴领域需求的增加以及深度学习的广泛应用,3d目标检测技术迎来了新的发展高潮。3d目标检测技术利用图像或点云信息来检测和定位目标,在交通领域一般指利用路侧或车载的相机、激光雷达等设备采集的数据作为输入,通过对这些数据进行深度分析和学习,实现对车辆、行人等交通目标的预测和定位。这种技术在智能交通系统中起着至关重要的作用,为自动驾驶、交通安全等方面提供了有力支持。
2、现有的3d目标检测方法,常使用基于体素的方法将点云离散化为有序的体素表示,通过将点云映射到3d体素网格中,形成类似2d图像的伪图像,最后使用2d卷积神经网络进行目标检测,该方法虽然计算速度较快,但是处理过程中易丢失点云信息,目标检测结果的准确度较低。
技术实现思路
1、本专利技术的目的是提供基于前景点筛选的三维目标检测方法、系统、设备、介质。
2、本专利技术技术方案如下:
3、一种基于前景点筛选的三维目标检测方法,包括如下操作:
4、s1、获取目标的初始点云数据,所述初始点云数据经特征提取处理,得到特征点云数据;
5、s2、将所述特征点云数据中,每个特征点云进行特征分类处理,得到的所有特征点云,以及每个特征点云对应的像素分类类别,形成了特征点云分类集;基于所
6、s3、对所述复合点云数据进行体素划分处理,得到同一体素内多个复合点云的多体素数据;所述多体素数据经特征信息聚合处理,得到聚合多体素数据;所述聚合多体素数据经特征卷积处理,得到二维特征图;
7、s4、基于所述特征点云分类集中的前景点信息,对二维特征图进行类别感知高斯掩码分配处理,得到特征权重分布图;所述特征权重分布图与二维特征图相乘,得到待检特征图;
8、s5、所述待检特征图经语义分割处理,得到分类检测结果。
9、所述s1中特征提取处理的操作具体为:将所述初始点云数据进行空间距离划分处理,得到的所有点云区域形成了点云区域集;将所述点云区域集中,每个点云区域内的所有初始点云,转化为一个点云特征向量,得到的所有点云特征向量形成了点云特征向量集;将所述点云特征向量集中,每个点云特征向量与对应初始点云进行信息聚合处理,得到的所有信息聚合点云形成了所述特征点云数据。
10、所述s2中特征分类处理的操作具体为:所述特征点云数据,依次经归一化处理、第一线性处理、第一非线性处理、参数丢失处理、第二线性处理、第二非线性处理,得到第一特征点云数据;获取所述第一特征点云数据中,每个第一特征点云的像素值与标准分类像素数据中标准分类像素的近似值,若所述近似值超过阈值,将对应标准分类像素的分类结果,作为对应第一特征点云的像素分类类别;所有第一特征点云,以及每个第一特征点云对应的像素分类类别,形成了特征点云分类集。
11、所述s3中特征信息聚合处理的操作具体为:将所述多体素数据中,每个体素内,坐标值最接近体素几何中心的复合点云,作为复合点云中心;将每个体素内的复合点云中心,与预设邻域范围内,同一体素内的其他复合点云,进行信息聚合,得到聚合体素数据;所有的聚合体素数据,形成了所述聚合多体素数据。
12、所述s4中类别感知高斯掩码分配处理的操作具体为:所述二维特征图中,分别以每个前景点为中心,每个前景点对应掩码半径为搜索半径,对搜索范围内的点进行权重值分配,得到的所有初始权重值分布图,形成了初始权重值分布图集;将初始权重值分布图集中,同一个点在不同初始权重值分布图上的多个权重值的乘积,作为对应点的特征权重,得到所述特征权重分布图。
13、所述s5中语义分割处理的操作具体为:所述待检特征图经边界框回归处理和分类概率处理,得到分类检测框区域集;获取所述分类检测框区域集中,同一检测区域内,不同检测框与真实框的交并比,将交并比最大值对应的检测框,作为目标检测框;将所述目标检测框中,分类概率最大值对应的分类结果,作为所述分类检测结果。
14、所述s3的体素划分处理的操作之前,还包括删除所述复合点云数据中,属性为背景点的部分复合点云,得到的简化复合点云数据,用于执行所述体素划分处理的操作。
15、一种基于前景点筛选的三维目标检测系统,包括:
16、特征点云数据生成模块,用于获取目标的初始点云数据,所述初始点云数据经特征提取处理,得到特征点云数据;
17、复合点云数据生成模块,用于将所述特征点云数据中,每个特征点云进行特征分类处理,得到的所有特征点云,以及每个特征点云对应的像素分类类别,形成了特征点云分类集;基于所述特征点云分类集,对所述初始点云数据进行分类特征补充,得到复合点云数据;
18、二维特征图生成模块,用于对所述复合点云数据进行体素划分处理,得到同一体素内多个复合点云的多体素数据;所述多体素数据经特征信息聚合处理,得到聚合多体素数据;所述聚合多体素数据经特征卷积处理,得到二维特征图;
19、待检特征图生成模块,用于基于所述特征点云分类集中的前景点信息,对二维特征图进行类别感知高斯掩码分配处理,得到特征权重分布图;所述特征权重分布图与二维特征图相乘,得到待检特征图;
20、分类检测结果生成模块,用于所述待检特征图经语义分割处理,得到分类检测结果。
21、一种基于前景点筛选的三维目标检测设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现上述的基于前景点筛选的三维目标检测方法。
22、一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现上述的基于前景点筛选的三维目标检测方法。
23、本专利技术的有益效果在于:
24、本专利技术提供的一种基于前景点筛选的三维目标检测方法,通过将目标的初始点云数据进行特征提取和分类后,得到初始点云分类结果;接着,将初始点云分类结果与初始点云的坐标信息、像素信息结合,在保留点云原始数据的基础上,进一步增加了点云数据的特征丰富性;然后,将特征丰富的复合点云数据进行体素化、信息聚合和特征卷积,得到空间特征表达能力较高的二维特征图;最后,利用初始点云分类结果中的前景点信息,引导体素进行特征表达,增强与目标的相关特征,将得到的待检特征图进行语义分割处理,实现高效准确的目标检测。
本文档来自技高网...【技术保护点】
1.一种基于前景点筛选的三维目标检测方法,其特征在于,包括如下操作:
2.根据权利要求1所述的基于前景点筛选的三维目标检测方法,其特征在于,所述S1中特征提取处理的操作具体为:
3.根据权利要求1所述的基于前景点筛选的三维目标检测方法,其特征在于,所述S2中特征分类处理的操作具体为:
4.根据权利要求1所述的基于前景点筛选的三维目标检测方法,其特征在于,所述S3中特征信息聚合处理的操作具体为:
5.根据权利要求1所述的基于前景点筛选的三维目标检测方法,其特征在于,所述S4中类别感知高斯掩码分配处理的操作具体为:
6.根据权利要求1所述的基于前景点筛选的三维目标检测方法,其特征在于,所述S5中语义分割处理的操作具体为:
7.根据权利要求1所述的基于前景点筛选的三维目标检测方法,其特征在于,所述S3的体素划分处理的操作之前,还包括删除所述复合点云数据中,属性为背景点的部分复合点云,得到的简化复合点云数据,用于执行所述体素划分处理的操作。
8.一种基于前景点筛选的三维目标检测系统,其特征在于,包括:
...【技术特征摘要】
1.一种基于前景点筛选的三维目标检测方法,其特征在于,包括如下操作:
2.根据权利要求1所述的基于前景点筛选的三维目标检测方法,其特征在于,所述s1中特征提取处理的操作具体为:
3.根据权利要求1所述的基于前景点筛选的三维目标检测方法,其特征在于,所述s2中特征分类处理的操作具体为:
4.根据权利要求1所述的基于前景点筛选的三维目标检测方法,其特征在于,所述s3中特征信息聚合处理的操作具体为:
5.根据权利要求1所述的基于前景点筛选的三维目标检测方法,其特征在于,所述s4中类别感知高斯掩码分配处理的操作具体为:
6.根据权利要求1所述的基于前景点筛选的三维目标检测方法,其特征在于,所述s5中语义分割处理的操作具体为:<...
【专利技术属性】
技术研发人员:张有磊,潘晓东,王一帆,于晰廷,初明超,
申请(专利权)人:山东海润数聚科技有限公司,
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。