【技术实现步骤摘要】
本专利技术涉及目标检测，具体涉及一种点云3d目标检测方法、系统、存储介质及设备。
技术介绍
1、随着自动驾驶技术的快速发展，对周围环境的精确感知成为自动驾驶系统的核心需求之一。传统的二维图像处理技术在捕捉物体立体信息方面存在局限性。从成像原理的方面来阐述：二维图像处理技术主要依赖于图像传感器，如摄像头，捕捉到的二维图像。这些图像虽然能够展示物体的形状、颜色等表面信息，但无法直接提供物体的深度信息，即物体在三维空间中的位置关系。由于二维图像缺乏深度信息，自动驾驶系统难以准确判断物体与车辆之间的实际距离，这在复杂的交通环境中尤为关键。尤其在十字路口或弯道处，如果无法准确判断前方车辆或行人的距离，可能会导致严重的交通事故。从环境适应性的方面来阐述：二维图像处理技术对光照条件的变化非常敏感。在强光、逆光或夜间等恶劣光照条件下，图像质量会显著下降，从而影响物体识别的准确性和可靠性。雨雪、雾霾等恶劣天气条件也会对二维图像处理技术造成严重影响。这些天气现象会导致图像模糊、对比度降低等问题，进一步增加物体识别的难度。
2、随着深度学习的不断发展，基于点云的3d目标检测方法对于自动驾驶进行监控成为一个热门的研究方向。然而尽管现有的常用目标检测技术在某些场景下已经取得了较好的效果，但整体而言，算法的性能仍有较大的提升空间。特别是算法的实时性、算法的可靠性、算法的准确性和算法的鲁棒性等。
3、针对自动驾驶领域中对目标检测的实时性和精确性，目前存在以下难题：
4、（1）遮挡问题：在复杂的交通环境中，车辆、行人、骑行者
5、（2）小目标检测：对于远离传感器的小目标，如远处的行人或小型障碍物，其在点云数据中所占的像素或点数量较少，难以被准确检测。
6、（3）实时性：自动驾驶系统需要实时地检测和响应周围的物体，以保证行车安全。然而，现有的目标检测方法在实时性方面仍存在一定的差距，特别是在处理复杂场景和大量数据时。
技术实现思路
1、针对现有技术的不足，本专利技术的目的在于提供一种点云3d目标检测方法、系统、存储介质及设备，本专利技术通过对自动驾驶中不同场景进行检测，有利于准确判断道路情况、预测行人和骑行者行为，提升行车效率和提高行车安全性，增强系统适应性和鲁棒性，减少交通事故的发生。
2、本专利技术的第一方面在于提供一种点云3d目标检测方法，所述方法包括：
3、获取不同驾驶场景中各种道路参与者与不同程度遮挡、截断的图像数据，对图像数据进行预处理，得到目标数据集，并将目标数据集按照预设比例划分为训练集、测试集与验证集；
4、构建基于b样条激活函数的点云3d目标检测模型的模型结构；
5、将所述训练集导入所述点云3d目标检测模型中进行训练，并使用所述测试集对所述点云3d目标检测模型进行校验，以及使用所述验证集对所述点云3d目标检测模型进行评估；
6、将所述点云3d目标检测模型部署于车辆中，采用所述点云3d目标检测模型对不同驾驶场景中各种道路参与者与不同程度遮挡、截断的场景进行检测。
7、根据上述技术方案的一方面，获取不同驾驶场景中各种道路参与者与不同程度遮挡、截断的图像数据，对图像数据进行预处理，得到目标数据集，并将目标数据集按照预设比例划分为训练集、测试集与验证集的步骤，包括：
8、获取包含实际道路场景中采集的图像数据与激光雷达点云数据的目标数据集，或者获取不同驾驶场景中各种道路参与者与不同程度遮挡、截断的图像数据，得到目标数据集；
9、对所述目标数据集进行预处理，并进行数据标注；
10、将所述目标数据集按照7:3:3的比例划分为训练集、测试集与验证集。
11、根据上述技术方案的一方面，将所述训练集导入所述点云3d目标检测模型中进行训练，并使用所述测试集对所述点云3d目标检测模型进行校验，以及使用所述验证集对所述点云3d目标检测模型进行评估的步骤中，将所述训练集导入所述点云3d目标检测模型中进行训练的步骤，包括：
12、将所述训练集导入所述点云3d目标检测模型中进行训练，在前向传播计算过程中根据预先确定的整体损失进行目标检测损失的计算；
13、使用随机梯度下降算法进行反向求导，并且根据梯度更新模型的参数，完成最小化损失函数的模型训练过程。
14、根据上述技术方案的一方面，所述整体损失包括总定位损失、目标分类损失与归一分类损失，所述整体损失的整体损失值由总定位损失、目标分类损失与归一分类损失加权平均得到；
15、其中，所述总定位损失包括中心位置损失、尺寸损失、方向损失与旋转角度损失，所述目标分类损失包括存在性分类损失与类别分类损失；
16、所述整体损失的计算表达式为：
17、；
18、式中， npos为正锚点的数量，为总定位损失，为目标分类损失，为归一分类损失，、、分别为各项损失的权重系数，用于平衡不同损失项的重要性。
19、根据上述技术方案的一方面，所述总定位损失的计算表达式为：
20、；
21、式中， lcenter为中心位置损失、 ldim为尺寸损失、 lori为方向损失、 lrot为旋转角度损失， λcenter 、λdim 、λori 、λrot分别为各项损失的权重系数，用于平衡不同损失项的重要性；
22、其中，所述总定位损失中，所述中心位置损失的计算表达式为：
23、；
24、式中，b为边界框，为目标检测回归损失函数，为真实框与锚点框之间的定位回归残差，（x,y,z）为真实框的位置坐标；
25、其中，真实框与锚点框之间的定位回归残差定义为：
26、；
27、式中，为真实框的x轴坐标，为锚点框的x轴坐标，为真实框的y轴坐标，为锚点框的y轴坐标，为真实框的z轴坐标，为锚点框的z轴坐标；
28、其中，所述总定位损失中，所述尺寸损失的计算表达式为：
29、；
30、式中，为真实框的宽度，为锚点框的宽度，为真实框的长度，为锚点框的长度，为真实框的高度，为锚点框的高度；
31、其中，所述总定位损失中，所述方向损失的计算表达式为：
32、；
33、式中，为真实框的旋转角度，为锚点框的旋转角度；
34、其中，所述总定位损失中，所述旋转角度损失的计算表达式为：
35、；
【技术保护点】
1.一种点云3D目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的点云3D目标检测方法，其特征在于，获取不同驾驶场景中各种道路参与者与不同程度遮挡、截断的图像数据，对图像数据进行预处理，得到目标数据集，并将目标数据集按照预设比例划分为训练集、测试集与验证集的步骤，包括：
3.根据权利要求1所述的点云3D目标检测方法，其特征在于，将所述训练集导入所述点云3D目标检测模型中进行训练，并使用所述测试集对所述点云3D目标检测模型进行校验，以及使用所述验证集对所述点云3D目标检测模型进行评估的步骤中，将所述训练集导入所述点云3D目标检测模型中进行训练的步骤，包括：
4.根据权利要求3所述的点云3D目标检测方法，其特征在于，所述整体损失包括总定位损失、目标分类损失与归一分类损失，所述整体损失的整体损失值由总定位损失、目标分类损失与归一分类损失加权平均得到；
5.根据权利要求4所述的点云3D目标检测方法，其特征在于，所述总定位损失的计算表达式为：
6.根据权利要求4所述的点云3D目标检测方法，其特征在于，所述目标分类损
7.根据权利要求4所述的点云3D目标检测方法，其特征在于，所述归一分类损失的计算表达式为：
8.一种点云3D目标检测系统，其特征在于，所述系统应用于权利要求1-7任一项所述的方法，所述系统包括：
9.一种可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可实现所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种点云3d目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的点云3d目标检测方法，其特征在于，获取不同驾驶场景中各种道路参与者与不同程度遮挡、截断的图像数据，对图像数据进行预处理，得到目标数据集，并将目标数据集按照预设比例划分为训练集、测试集与验证集的步骤，包括：
3.根据权利要求1所述的点云3d目标检测方法，其特征在于，将所述训练集导入所述点云3d目标检测模型中进行训练，并使用所述测试集对所述点云3d目标检测模型进行校验，以及使用所述验证集对所述点云3d目标检测模型进行评估的步骤中，将所述训练集导入所述点云3d目标检测模型中进行训练的步骤，包括：
4.根据权利要求3所述的点云3d目标检测方法，其特征在于，所述整体损失包括总定位损失、目标分类损失与归一分类损失，所述整体损失的整体损失值由总定位损失、目标分类损失...
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。