【技术实现步骤摘要】
本专利技术涉及行人检测领域，尤其涉及一种行人检测方法、一种行人检测系统、一种行人检测装置，以及一种计算机可读存储介质。
技术介绍
1、行人检测技术根据传感器所获取的环境数据判断当前环境中是否有行人存在，并给出行人在空间中的准确位置信息。行人检测的精度越高、稳定性越强，便可以为后续的人流量统计、行人跟踪等任务提供更可靠的保障。
2、现有的行人检测方法主要基于视觉传感器实现，在光照不理想、背景杂乱的情况下，现有的行人检测方法的检测精度会明显下降；此外，视觉传感器还存在视角局限性、检测范围较小等问题。
3、2d激光雷达作为一种距离传感器能够感知周围障碍物的空间位置，从而较为准确地确定障碍物的二维空间信息。早期基于2d激光雷达的行人检测方法通常先对激光雷达点云进行分割，然后对分割出的点簇利用传统机器学习分类器进行人腿检测，最后进行人腿关联以完成整个行人检测过程。现有的基于2d激光雷达的行人检测方法将端到端的深度学习运用于2d激光雷达行人检测中，从而有效降低算法复杂度。然而，激光点云数据本身的稀疏性和信息有限性导致所检测目标的结构和语义信息不完整，因此对行人检测的精度和准确性造成了一定影响。
4、为了克服现有技术存在的上述缺陷，本领域亟需一种行人检测技术，能够在实现高效行人检测的同时，解决激光点云稀疏和信息有限性所导致的行人特征不完整的问题，有效提高行人检测的精度与准确性。
技术实现思路
1、以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概
2、为了克服现有技术存在的上述缺陷，本专利技术提供了一种行人检测方法、一种行人检测系统、一种行人检测装置，以及一种计算机可读存储介质，能够在实现高效行人检测的同时，解决激光点云稀疏和信息有限性所导致的行人特征不完整的问题，有效提高行人检测的精度与准确性。
3、具体来说，根据本专利技术的第一方面提供的上述行人检测方法，包括步骤：获取2d激光雷达所采集的点云数据集，根据所述点云数据集进行特征重采样以形成重采样特征数据集；对所述重采样特征数据集进行归一化处理，以获得归一化特征数据集；根据所述归一化特征数据集，基于深度学习模型确定行人检测结果置信度和行人空间坐标，所述深度学习模型基于时空注意力机制所构建；以及根据所述行人检测结果置信度和所述行人空间坐标确定行人检测结果。
4、优选地，在本专利技术的一实施例中，所述根据所述点云数据集进行特征重采样以形成重采样特征数据集的步骤包括：以所述点云数据集中各点云为中心构建所述各点云的重采样扇形区域；在所述重采样扇形区域中重新采样以获取特征点；以及根据所述特征点，确定所述重采样特征数据集。
5、优选地，在本专利技术的一实施例中，所述在所述重采样扇形区域中重新采样以获取特征点的步骤包括：确定所述点云数据集中的第一点云和与所述第一点云的所述特征点角度差最小的第二点云；取所述第二点云的测量距离作为所述第一点云的所述特征点的对应特征。
6、优选地，在本专利技术的一实施例中，所述对所述重采样特征数据集进行归一化处理，以获得归一化特征数据集的步骤包括：根据所设定的特征归一化限制范围，对所述重采样特征数据集进行归一化处理，以确定所述归一化特征数据集。
7、优选地，在本专利技术的一实施例中，所述根据所述归一化特征数据集，基于深度学习模型确定行人检测结果置信度和行人空间坐标，所述深度学习模型基于时空注意力机制所构建的步骤包括：基于一维卷积神经网络进行所述归一化特征数据集的特征提取，确定初步特征提取数据集；将所述初步特征提取数据集输入至时空注意力特征融合模块，以确定时空注意力特征融合数据集；基于一维卷积神经网络进行所述时空注意力特征融合数据集的特征提取，确定二次特征提取数据集；以及将所述二次特征提取数据集输入至多层感知机网络，以确定所述行人检测结果置信度和所述行人空间坐标。
8、优选地，在本专利技术的一实施例中，所述将所述初步特征提取数据集输入至时空注意力特征融合模块，以确定时空注意力特征融合数据集的步骤包括：将所述初步特征提取数据集输入至所述时空注意力特征融合模块，以确定当前时刻特征融合数据集和上一时刻特征融合数据集；以及将所述当前时刻特征融合数据集和所述上一时刻特征融合数据集进行加权求和，以确定所述时空注意力特征融合数据集。
9、优选地，在本专利技术的一实施例中，所述时空注意力特征融合模块的输入还包括所述上一时刻特征融合数据集。
10、优选地，在本专利技术的一实施例中，所述将所述二次特征提取数据集输入至多层感知机网络，以确定所述行人检测结果置信度和所述行人空间坐标的步骤包括：将所述二次特征提取数据集输入至多层感知机网络，以确定所述行人空间坐标偏移量，通过坐标转换行人空间坐标偏移量以确定所述行人空间坐标。
11、优选地，在本专利技术的一实施例中，所述根据所述行人检测结果置信度和所述行人空间坐标确定行人检测结果的步骤包括：通过非极大值抑制算法优化所述行人检测结果。
12、此外，根据本专利技术的第二方面提供的上述行人检测系统包括存储器及处理器。所述存储器上存储有计算机指令。所述处理器连接所述存储器，并被配置用于执行所述存储器上存储的计算机指令，以实施上述任意一个实施例所提供的行人检测方法。
13、此外，根据本专利技术的第三方面提供的上述行人检测装置包括本专利技术第二方面提供的行人检测系统和2d激光雷达，所述2d激光雷达用于采集点云数据集；所述2d激光雷达与所述行人检测系统连接。
14、此外，根据本专利技术的第四方面提供的上述计算机可读存储介质上存储有计算机指令。所述计算机指令被处理器执行时，实施上述任意一个实施例所提供的行人检测方法。
本文档来自技高网...【技术保护点】
1.一种行人检测方法，其特征在于，包括步骤：
2.如权利要求1所述的行人检测方法，其特征在于，所述根据所述点云数据集进行特征重采样以形成重采样特征数据集的步骤包括：
3.如权利要求2所述的行人检测方法，其特征在于，所述在所述重采样扇形区域中重新采样以获取特征点的步骤包括：
4.如权利要求1所述的行人检测方法，其特征在于，所述对所述重采样特征数据集进行归一化处理，以获得归一化特征数据集的步骤包括：
5.如权利要求1所述的行人检测方法，其特征在于，所述根据所述归一化特征数据集，基于深度学习模型确定行人检测结果置信度和行人空间坐标，所述深度学习模型基于时空注意力机制所构建的步骤包括：
6.如权利要求5所述的行人检测方法，其特征在于，所述将所述初步特征提取数据集输入至时空注意力特征融合模块，以确定时空注意力特征融合数据集的步骤包括：
7.如权利要求6所述的行人检测方法，其特征在于，所述时空注意力特征融合模块的输入还包括所述上一时刻特征融合数据集。
8.如权利要求5所述的行人检测方法，其特征在于，所述将所述
9.如权利要求1所述的行人检测方法，其特征在于，所述根据所述行人检测结果置信度和所述行人空间坐标确定行人检测结果的步骤包括：
10.一种行人检测系统，其特征在于，包括：
11.一种行人检测装置，其特征在于，包括：
12.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实施如权利要求1～9中任一项所述的行人检测方法。
...【技术特征摘要】
1.一种行人检测方法，其特征在于，包括步骤：
2.如权利要求1所述的行人检测方法，其特征在于，所述根据所述点云数据集进行特征重采样以形成重采样特征数据集的步骤包括：
3.如权利要求2所述的行人检测方法，其特征在于，所述在所述重采样扇形区域中重新采样以获取特征点的步骤包括：
4.如权利要求1所述的行人检测方法，其特征在于，所述对所述重采样特征数据集进行归一化处理，以获得归一化特征数据集的步骤包括：
5.如权利要求1所述的行人检测方法，其特征在于，所述根据所述归一化特征数据集，基于深度学习模型确定行人检测结果置信度和行人空间坐标，所述深度学习模型基于时空注意力机制所构建的步骤包括：
6.如权利要求5所述的行人检测方法，其特征在于，所述将所述初步特征提取数据集输入至时空注意力特征融合模块...
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。