CN110807461B - 一种目标位置检测方法 - Google Patents

一种目标位置检测方法 Download PDF

Info

Publication number
CN110807461B
CN110807461B CN202010016602.1A CN202010016602A CN110807461B CN 110807461 B CN110807461 B CN 110807461B CN 202010016602 A CN202010016602 A CN 202010016602A CN 110807461 B CN110807461 B CN 110807461B
Authority
CN
China
Prior art keywords
point cloud
segments
segment
feature
point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010016602.1A
Other languages
English (en)
Other versions
CN110807461A (zh
Inventor
刘培超
徐培
郎需林
刘主福
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yuejiang Technology Co Ltd
Original Assignee
Shenzhen Yuejiang Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Yuejiang Technology Co Ltd filed Critical Shenzhen Yuejiang Technology Co Ltd
Priority to CN202010016602.1A priority Critical patent/CN110807461B/zh
Publication of CN110807461A publication Critical patent/CN110807461A/zh
Application granted granted Critical
Publication of CN110807461B publication Critical patent/CN110807461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及目标检测技术领域，公开了一种目标位置检测方法。方法包括：建立3D特征表，3D特征表包括目标对象若干参考特征点的3D局部特征描述子；获取目标对象的若干点云片段；根据每个点云片段，提取与每个点云片段对应的3D局部特征描述子；根据3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出最优点云片段，并将最优点云片段在场景点云中的位置作为目标位置，从而有利于3D特征的提取及目标检测。

Description

一种目标位置检测方法
技术领域
本发明涉及目标检测技术领域，尤其是涉及一种目标位置检测方法。
背景技术
随着深度学习的出现，越来越多的研究人员利用3D数据解决3D检索、识别、分割和描述符学习等问题。
传统的深度学习方法都是对深度图像转换为多个视角的2D图像进行操作，或者将3D数据体素化后进行处理。由于深度图像和多个视角的2D图像均忽略了3D数据的稀疏性限制，并且3D数据体素化后分辨率会受到计算能力和数据的稀疏性的限制，不利于3D特征的提取及目标检测。
发明内容
基于此，有必要针对上述技术问题，提供一种目标位置检测方法，有利于3D特征的提取及目标检测。
第一方面，本发明实施例提供了一种目标位置检测方法，所述方法包括：
建立3D特征表，所述3D特征表包括目标对象若干参考特征点的3D局部特征描述子；
获取所述目标对象的若干点云片段；
根据每个所述点云片段，提取与每个所述点云片段对应的3D局部特征描述子；
根据所述3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出最优点云片段，并将所述最优点云片段在场景点云中的位置作为目标位置。
在一些实施例中，所述获取所述目标对象的若干点云片段，包括：
根据所述目标对象的直径进行采样，得到若干点云片段。
在一些实施例中，所述根据每个所述点云片段，提取与每个所述点云片段对应的3D局部特征描述子，包括：
构建3D局部特征提取网络；
将每个所述点云片段输入所述3D局部特征提取网络，以提取与每个所述点云片段对应的3D局部特征描述子。
在一些实施例中，所述构建目标点对特征网络，包括：
获取所述目标对象的三维点云并对所述目标对象的三维点云进行采样，得到采样数据；
对所述采样数据进行编码，得到编码后的数据特征；
将所述编码后的数据特征输入预设点对特征网络进行训练，将训练后的网络作为3D局部特征提取网络。
在一些实施例中，所述将所述编码后的数据特征输入预设点对特征网络进行训练，包括：
使用预设点对特征网络中的损失函数训练所述编码后的数据特征。
在一些实施例中，所述采样数据包括参考点的坐标、法线方向、主曲率方向以及参考点领域内的点对特征。
在一些实施例中，所述根据所述3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出最优点云片段，包括：
根据所述3D特征表对所述若干点云片段进行投票，得到投票结果；
根据投票结果选取票数最高的M个点云片段作为候选区域，其中M为自然数；
从所述若干候选点云片段筛选出若干最优点云片段，其中，任一所述最优点云片段与其余任一所述最优点云片段之间的重叠度满足预设条件。
在一些实施例中，所述根据所述3D特征表对所述若干点云片段进行投票，得到投票结果，包括：
在检测到所述参考特征点的3D局部特征描述子之间的特征距离小于预设阈值时，将与所述参考特征点对应的点云片段的票数增加预设数值。
在一些实施例中，所述从所述若干候选点云片段筛选出若干最优点云片段，包括：
根据所述投票结果，对所述M个点云片段按票数由高到低的顺序进行排序；
判断票数最高的点云片段与其余点云片段中点云片段i之间的重叠度是否大于预设阈值，其中，i为正整数，i≤M；
若是，保留所述票数最高的点云片段，抛弃所述i点云片段；
获取剩余点云片段中票数最高的点云片段j，判断其余点云片段与所述点云片段j的重叠度是否大于预设阈值，若是，则保留所述点云片段j，其中，j为正整数，j≤M；
循环执行上述步骤，输出所有被保留的点云片段。
第二方面，本发明实施例还提供了一种目标位置检测装置，包括：
建立模块，用于建立3D特征表，所述3D特征表包括目标对象若干参考特征点的3D局部特征描述子；
获取模块，用于获取所述目标对象的若干点云片段；
提取模块，用于根据每个所述点云片段，提取与每个所述点云片段对应的3D局部特征描述子；
遍历模块，根据所述3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出最优点云片段，并将所述最优点云片段在场景点云中的位置作为目标位置。
在一些实施例中，所述装置还包括：
采样模块，用于获取所述目标对象的三维点云并对所述目标对象的三维点云进行采样，得到采样数据；
训练模块，用于将所述编码后的数据特征输入预设点对特征网络进行训练，将训练后的网络作为3D局部特征提取网络。
在一些实施例中，所述获取模块具体用于：
根据所述目标对象的直径进行采样，得到若干点云片段。
在一些实施例中，所述提取模块具体用于：
构建3D局部特征提取网络；
将每个所述点云片段输入所述3D局部特征提取网络，以提取与每个所述点云片段对应的3D局部特征描述子。
在一些实施例中，所述采样数据包括参考点的坐标、法线方向、主曲率方向以及参考点领域内的点对特征。
在一些实施例中，所述遍历模块具体用于：
根据所述3D特征表对所述若干点云片段进行投票，得到投票结果；
根据投票结果选取票数最高的M个点云片段作为候选区域，其中M为自然数；
从所述若干候选点云片段筛选出若干最优点云片段，其中，任一所述最优点云片段与其余任一所述最优点云片段之间的重叠度满足预设条件；
在检测到所述参考特征点的3D局部特征描述子之间的特征距离小于预设阈值时，将与所述参考特征点对应的点云片段的票数增加预设数值；
根据所述投票结果，对所述M个点云片段按票数由高到低的顺序进行排序；
判断票数最高的点云片段与其余点云片段中点云片段i之间的重叠度是否大于预设阈值，其中，i为正整数，i≤M；
若是，保留所述票数最高的点云片段，抛弃所述点云片段i；
获取剩余点云片段中票数最高的点云片段j，判断其余点云片段与所述点云片段j的重叠度是否大于预设阈值，若是，则保留所述点云片段j，其中，j为正整数，j≤M；
循环执行上述步骤，输出所有被保留的点云片段。
在一些实施例中，所述训练模块具体用于：
使用预设点对特征网络中的损失函数训练所述编码后的数据特征。
第三方面，本发明实施例还提供了一种目标位置检测设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。
第四方面，本方面实施例还提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，当所述计算机可执行指令被处理器所执行时，使所述处理器执行上述的方法。
本发明实施例提供的目标位置检测方法，通过建立3D特征表，获取目标对象的若干点云片段，根据每个所述点云片段，提取与每个所述点云片段对应的3D局部特征描述子，根据所述3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出最优点云片段，并将所述最优点云片段在场景点云中的位置作为目标位置，从而有利于3D特征提取及目标检测。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本发明目标位置检测方法的一个实施例的流程图；
图2是本发明提取局部特征点的一个实施例的流程图；
图3是本发明构建3D局部特征提取网络的一个实施例的流程图；
图4是本发明选取若干最优点云片段的一个实施例的流程图；
图5是本发明目标位置检测方法的另一个实施例的流程图；
图6是本发明目标位置检测装置的一个实施例的结构框图；
图7是本发明目标位置检测装置的另一个实施例的结构框图；
图8是本发明目标位置检测设备的一个实施例的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种目标位置检测方法，包括：
步骤102，建立3D特征表，所述3D特征表包括目标对象若干参考特征点的3D局部特征描述子。
3D特征表是根据目标对象的完整点云建立的全局特征，具体是通过激光雷达或者3D扫描仪扫描目标对象，然后得到目标对象的完整三维点云数据，接着将三维点云数据进行导出处理，从而建立3D特征表，参考特征点为目标对象在三维空间中的位置点坐标，示例性的，参考特征点可以为法线和曲率等，其中，所述曲率可以用来标识偏离程度，法线可以用来调整目标对象的显示方向。3D局部特征描述子为高维向量，用来描述特征点的局部特征。
步骤104，获取所述目标对象的若干点云片段。
点云片段是把三维点云数据分割为不同的片段，根据目标对象直径大小在场景中以一定步长均匀采样若干个片段，目标对象的直径为目标对象点云中最远的两个点之间的间距。具体地，通过以目标对象直径大小的三维窗口在场景点云中滑动获取点云片段，并保证若干点云片段属于同一目标对象的不同位置。
步骤106，根据每个所述点云片段，提取与每个所述点云片段对应的3D局部特征描述子。
不同的点云片段对应不同的3D局部特征描述子，根据获取到的目标对象的若干个点云片段，提取与每个点云片段对应的3D局部特征描述子。
步骤108，根据所述3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出最优点云片段，并将所述最优点云片段在场景点云中的位置作为目标位置。
最优点云片段为与目标对象相似度最高的片段，即最终保留的片段，根据所述3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出与目标对象相似度最高的点云片段，然后将该相识度最高的点云片段在场景点云中的位置作为目标位置，由此可实现对目标的检测。
在本实施例中，通过建立3D特征表，获取目标对象的若干点云片段，根据每个所述点云片段，提取与每个所述点云片段对应的3D局部特征描述子，根据所述3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出最优点云片段，并将所述最优点云片段在场景点云中的位置作为目标位置，有利于3D特征提取及目标检测。
在一些实施例中，如图2所示，所述根据每个所述点云片段，提取与每个所述点云片段对应的3D局部特征描述子，包括：
步骤202，构建3D局部特征提取网络。
3D局部特征提取是基于深度学习的方法来生成易区分且抗旋转的3D局部特征子，在本实施例中，首先构建一个3D局部特征提取网络，即训练一个3D局部特征提取网络。
步骤204，将每个所述点云片段输入所述3D局部特征提取网络，以提取与每个所述点云片段对应的3D局部特征描述子。
3D局部特征描述子可以为曲率和法线等，将点云片段输入3D局部特征提取网络，并提取与每个点云片段对应的曲率和法线等一系列局部特征点。
在一些实施例中，如图3所示，所述构建3D局部特征提取网络，包括：
步骤302，获取所述目标对象的三维点云并对所述目标对象的三维点云进行采样，得到采样数据。
利用激光雷达或者3D扫描仪扫描目标对象获取三维点云并对目标对象的三维点云采样N个点作为参考点，得到采样数据，采样数据包括参考点的坐标、法线方向、主曲率方向以及参考点领域内的点对特征。
步骤304，对所述采样数据进行编码，得到编码后的数据特征。
对参考点、参考点主曲率方向和局部区域每个点和参考点组成的点对特征进行编码，得到编码后的数据特征
Figure 969931DEST_PATH_IMAGE001
，如下式（1）所示：
Figure 33701DEST_PATH_IMAGE002
（1）
其中，
Figure 639126DEST_PATH_IMAGE003
、
Figure 839163DEST_PATH_IMAGE004
分别表示参考点坐标和法线方向；
Figure 566948DEST_PATH_IMAGE005
、
Figure 977070DEST_PATH_IMAGE006
表示主曲率方向（单位向量）；
Figure 245240DEST_PATH_IMAGE007
表示参考点领域内的点坐标；
Figure 440729DEST_PATH_IMAGE008
表示计算PPF点对特征。
步骤306，将所述编码后的数据特征输入预设点对特征网络进行训练，将训练后的网络作为3D局部特征提取网络。
将编码后的数据特征输入到预设的点对特征网络中，使用PPFNet网络中的损失函数N-tuple loss来训练网络参数，得到训练后的3D局部特征提取网络，后续利用该3D局部特征提取网络提取点云片段的3D局部特征。通过对采样数据编码，使得所述3D局部特征提取网络学习到对抗旋转不变性的能力，从而使得网络更稳定。
在一些实施例中，如图4所示，所述根据所述3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出最优点云片段，包括：
步骤402，根据所述3D特征表对所述若干点云片段进行投票，得到投票结果。
步骤404，根据投票结果选取票数最高的M个点云片段作为候选区域，其中M为自然数。
具体地，将每个点云片段输入3D局部特征提取网络，得到每个点云片段的对应的3D局部特征描述子，并将3D局部特征描述子与目标对象的3D特征表中的特征进行比较，当检测到3D特征表中的参考特征点的3D局部特征描述子之间的距离小于预设阈值时，将与所述参考特征点对应的点云片段的票数增加预设数值。例如，当3D特征表中的参考特征点的3D局部特征描述子之间的距离小于
Figure 604994DEST_PATH_IMAGE009
时，该点云片段的票数加1。根据投票结果选取票数最高的M个点云片段作为候选区域，其中M为自然数。
步骤406，从所述若干候选点云片段筛选出若干最优点云片段，其中，任一所述最优点云片段与其余任一所述最优点云片段之间的重叠度满足预设条件。
在本实施例中采用交并比（Intersection-over-Union，IOU）来计算点云片段，并通过非极大值抑制剔出重叠的点云片段。IOU是最优点云片段与其余任一所述最优点云片段之间的重叠度，即他们的交集与并集的比值满足预设条件，最理想情况是完全重叠，即比值为1。非极大值抑制剔出重叠的点云片段即使用极大概率的备选点云片段抑制其它位置相近的备选点云片段，也就是说如果有两个点云片段重叠的部分比较多，就把概率低的剔除掉，从而筛选出最优点云片段。
在一些实施例中，如图5所示，所述从所述若干候选点云片段筛选出若干最优点云片段，包括：
步骤502，根据所述投票结果，对所述M个点云片段按票数由高到低的顺序进行排序。
对点云投票获得的M个点云片段按照票数由高到低的顺序进行排序，由此可直观的反映点云片段与目标对象的相似概率大小。
步骤504，判断票数最高的点云片段与其余点云片段中点云片段i之间的重叠度是否大于预设阈值。
具体的，分别判断票数最高的点云片段与其余点云片段中点云片段i之间的重叠度是否大于预设阈值，其中，i为正整数，i≤M，需要说明的是，该阈值可根据实际情况自行预先设定。
步骤506，若是，保留所述票数最高的点云片段，抛弃所述点云片段i。
若点云片段i与票数最高的点云片段之间的重叠度大于预设阈值，则抛弃所述点云片段i，并保留票数最高的点云片段。示例性的，预设阈值为70%，若票数最高的点云片段与点云片段i之间的重叠度为78%，则确定重叠度大于预设阈值，将票数最高的点云片段进行保留,若票数最高的点云片段与点云片段i之间的重叠度为68%，小于预设阈值70%，则保点云片段i。
步骤508，获取剩余点云片段中票数最高的点云片段j，判断其余点云片段与所述点云片段j的重叠度是否大于预设阈值，若是，则保留所述点云片段j，其中，j为正整数，j≤M。
从剩余的点云片段中获取票数最高的点云片段j，然后判断其余点云片段与所述点云片段j之间的重叠度是否大于预设阈值，若两者的重叠度大于预设阈值，抛弃该片段，并保留点云片段j，若其余点云片段与所述点云片段j之间的重叠度小于预设阈值，则保留其余点云片段，其中，j为正整数，j≤M。需要说明的是，上述步骤中的点云片段i和点云片段j只是为了便于理解本发明而定义的，是相对概念，并不构成对本发明的限定。
步骤510，循环执行上述步骤，输出所有被保留的点云片段。
循环执行上述步骤找到所有被保留下来的点云片段，然后输出所有被保留的点云片段作为检测到的目标位置。
需要说明的是，在上述各个实施例中，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施例的描述可以理解，不同实施例中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。
相应的，本发明实施例还提供了一种目标位置检测装置，如图6所示，所述目标位置检测装置600包括：
建立模块602，用于建立3D特征表，所述3D特征表包括目标对象若干参考特征点的3D局部特征描述子。
获取模块604，用于获取所述目标对象的若干点云片段。
提取模块606，用于根据每个所述点云片段，提取与每个所述点云片段对应的3D局部特征描述子。
遍历模块608，用于根据所述3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出最优点云片段，并将所述最优点云片段在场景点云中的位置作为目标位置。
本发明实施例提供的目标位置检测装置，通过建立模块建立3D特征表，获取模块获取目标对象的若干点云片段，提取模块根据每个所述点云片段，提取与每个所述点云片段对应的3D局部特征描述子，遍历模块根据所述3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出最优点云片段，并将所述最优点云片段在场景点云中的位置作为目标位置，从而有利于3D特征提取及目标检测。
可选的，在装置的其他实施例中，请参照图7，装置600还包括：
采样模块610，用于获取所述目标对象的三维点云并对所述目标对象的三维点云进行采样，得到采样数据。
训练模块612，用于将所述编码后的数据特征输入预设点对特征网络进行训练，将训练后的网络作为3D局部特征提取网络。
具体的，在一些实施例中，所述获取模块604具体用于：
根据所述目标对象的直径进行采样，得到若干点云片段。
具体的，在一些实施例中，所述提取模块606具体用于：
构建3D局部特征提取网络；
将每个所述点云片段输入所述3D局部特征提取网络，以提取与每个所述点云片段对应的3D局部特征描述子。
具体的，在一些实施例中，所述遍历模块608具体用于：
根据所述3D特征表对所述若干点云片段进行投票，得到投票结果；
根据投票结果选取票数最高的M个点云片段作为候选区域，其中M为自然数；
从所述若干候选点云片段筛选出若干最优点云片段，其中，任一所述最优点云片段与其余任一所述最优点云片段之间的重叠度满足预设条件；
在检测到所述参考特征点的3D局部特征描述子之间的特征距离小于预设阈值时，将与所述参考特征点对应的点云片段的票数增加预设数值；
根据所述投票结果，对所述M个点云片段按票数由高到低的顺序进行排序；
判断票数最高的点云片段与其余点云片段中点云片段i之间的重叠度是否大于预设阈值，其中，i为正整数，i≤M；
若是，保留所述票数最高的点云片段，抛弃所述点云片段i；
获取剩余点云片段中票数最高的点云片段j，判断其余点云片段与所述点云片段j的重叠度是否大于预设阈值，若是，则保留所述点云片段j，其中，j为正整数，j≤M；
循环执行上述步骤，输出所有被保留的点云片段。
具体的，在一些实施例中，所述训练模块612具体用于：
使用预设点对特征网络中的损失函数训练所述编码后的数据特征。
需要说明的是，上述目标位置检测装置可执行本发明实施例所提供的目标位置检测方法，具备执行方法相应的功能模块和有益效果。未在目标位置检测装置实施例中详尽描述的技术细节，可参见本发明实施例所提供的目标位置检测方法。
图8是本发明实施例提供的目标位置检测设备的硬件结构示意图，如图8所示，该目标位置检测设备8包括：
一个或多个处理器81以及存储器82，图8中以一个处理器81为例。
处理器82和存储器82可以通过总线或者其他方式连接，图8中以通过总线连接为例。
存储器82作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的目标检测方法对应的程序指令/模块（例如，附图6所示的建立模块602、获取模块604、提取模块606和遍历模块608）。处理器81通过运行存储在存储器82中的非易失性软件程序、指令以及模块，从而执行目标位置检测设备的各种功能应用以及数据处理，即实现上述方法实施例的目标位置检测方法。
存储器82可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据目标位置检测装置的使用所创建的数据等。此外，存储器82可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器82可选包括相对于处理器81远程设置的存储器，这些远程存储器可以通过网络连接至目标位置检测装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器82中，当被所述一个或者多个处理器81执行时，执行上述任意方法实施例中的目标位置检测方法，例如，执行以上描述的图1中的方法步骤102至步骤108、图2中的方法步骤202至步骤204、图3中的方法步骤302至步骤306、图4中的方法步骤402至步骤406、图5中的方法步骤502至步骤510；实现图6中的模块602至608、图7中的模块602至612的功能。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读
存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(Random AccessMemory, RAM)等。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种目标位置检测方法，其特征在于，所述方法包括：
获取目标对象的三维点云并对所述目标对象的三维点云进行采样，得到采样数据；
对所述采样数据进行编码，得到编码后的数据特征；
将所述编码后的数据特征输入预设点对特征网络进行训练，将训练后的网络作为3D局部特征提取网络；
建立3D特征表，所述3D特征表包括目标对象若干参考特征点的3D局部特征描述子；
利用三维窗口获取目标对象的若干点云片段；
将每个所述点云片段输入所述3D局部特征提取网络，以提取与每个所述点云片段对应的3D局部特征描述子；
根据所述3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出最优点云片段，并将所述最优点云片段在场景点云中的位置作为目标位置。
2.根据权利要求1所述的方法，其特征在于，所述获取所述目标对象的若干点云片段，包括：
根据所述目标对象的直径进行采样，得到若干点云片段。
3.根据权利要求2所述的方法，其特征在于，所述将所述编码后的数据特征输入预设点对特征网络进行训练，包括：
使用预设点对特征网络中的损失函数训练所述编码后的数据特征。
4.根据权利要求3所述的方法，其特征在于，所述采样数据包括参考点的坐标、法线方向、主曲率方向以及参考点领域内的点对特征。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述3D特征表中参考特征点的3D局部特征描述子，在场景点云中遍历出最优点云片段，包括：
根据所述3D特征表对所述若干点云片段进行投票，得到投票结果；
根据投票结果选取票数最高的M个点云片段作为候选区域，其中M为自然数；
从所述候选区域中的M个点云片段中筛选出若干最优点云片段，其中，任一所述最优点云片段与其余任一所述最优点云片段之间的重叠度满足预设条件。
6.根据权利要求5所述的方法，其特征在于，所述根据所述3D特征表对所述若干点云片段进行投票，得到投票结果，包括：
在检测到所述参考特征点的3D局部特征描述子之间的特征距离小于预设阈值时，将与所述参考特征点对应的点云片段的票数增加预设数值。
7.根据权利要求6所述的方法，其特征在于，所述从所述若干候选点云片段筛选出若干最优点云片段，包括：
步骤502：根据所述投票结果，对所述M个点云片段按票数由高到低的顺序进行排序；
步骤504：判断票数最高的点云片段与其余点云片段中点云片段i之间的重叠度是否大于预设阈值，其中，i为正整数，i≤M；
步骤506：若是，保留所述票数最高的点云片段，抛弃所述点云片段i；
步骤508：获取剩余点云片段中票数最高的点云片段j，判断其余点云片段与所述点云片段j的重叠度是否大于预设阈值，若是，则保留所述点云片段j，其中，j为正整数，j≤M；
步骤510：循环执行步骤508，直至对所有点云片段完成筛选，输出所有被保留的点云片段。
8.一种非易失性计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，当所述计算机可执行指令被处理器执行时，使所述处理器执行权利要求1-7任一项所述的方法。
CN202010016602.1A 2020-01-08 2020-01-08 一种目标位置检测方法 Active CN110807461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010016602.1A CN110807461B (zh) 2020-01-08 2020-01-08 一种目标位置检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010016602.1A CN110807461B (zh) 2020-01-08 2020-01-08 一种目标位置检测方法

Publications (2)

Publication Number Publication Date
CN110807461A CN110807461A (zh) 2020-02-18
CN110807461B true CN110807461B (zh) 2020-06-02

Family

ID=69493331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010016602.1A Active CN110807461B (zh) 2020-01-08 2020-01-08 一种目标位置检测方法

Country Status (1)

Country Link
CN (1) CN110807461B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881790B (zh) * 2020-07-14 2023-04-28 武汉中海庭数据技术有限公司 一种高精度地图制作中道路人行横道自动化提取方法和装置
CN113521741B (zh) * 2020-10-23 2024-02-23 腾讯科技（深圳）有限公司 自动生成地图区域链接的方法、装置、设备及存储介质
CN116046017B (zh) * 2023-01-18 2024-05-07 上汽通用五菱汽车股份有限公司 一种测量路径的校准方法、装置、存储介质和计算机设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032962A (zh) * 2019-04-03 2019-07-19 腾讯科技（深圳）有限公司 一种物体检测方法、装置、网络设备和存储介质
CN110414577A (zh) * 2019-07-16 2019-11-05 电子科技大学 一种基于深度学习的激光雷达点云多目标地物识别方法
CN110490912A (zh) * 2019-07-17 2019-11-22 哈尔滨工程大学 基于局部灰度顺序模型描述符的3d-rgb点云配准方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993287A (zh) * 2017-12-01 2018-05-04 大唐国信滨海海上风力发电有限公司 一种目标跟踪的自动初始化方法
CN108830902A (zh) * 2018-04-19 2018-11-16 江南大学 一种基于点云处理的散乱工件识别与定位方法
CN110348310A (zh) * 2019-06-12 2019-10-18 西安工程大学 一种霍夫投票3d彩色点云识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032962A (zh) * 2019-04-03 2019-07-19 腾讯科技（深圳）有限公司 一种物体检测方法、装置、网络设备和存储介质
CN110414577A (zh) * 2019-07-16 2019-11-05 电子科技大学 一种基于深度学习的激光雷达点云多目标地物识别方法
CN110490912A (zh) * 2019-07-17 2019-11-22 哈尔滨工程大学 基于局部灰度顺序模型描述符的3d-rgb点云配准方法

Also Published As

Publication number Publication date
CN110807461A (zh) 2020-02-18

Similar Documents

Publication Publication Date Title
CN110807461B (zh) 一种目标位置检测方法
EP3816818A2 (en) Method and apparatus for visual question answering, computer device and medium
CN109117825B (zh) 车道线处理方法和装置
JP5775225B2 (ja) マルチレイヤ連結成分をヒストグラムと共に用いるテキスト検出
CN111611643B (zh) 户型矢量化数据获得方法、装置、电子设备及存储介质
CN111242925B (zh) 针对ct影像数据的目标检测方法、装置及电子设备
CN112232341B (zh) 文本检测方法、电子设备及计算机可读介质
CN111932577B (zh) 文本检测方法、电子设备及计算机可读介质
CN112396068B (zh) 点云数据的处理方法、装置及电子设备
CN114429637B (zh) 一种文档分类方法、装置、设备及存储介质
CN113267761B (zh) 激光雷达目标检测识别方法、系统及计算机可读存储介质
US20230065774A1 (en) Computer Vision Systems and Methods for Modeling Three-Dimensional Structures Using Two-Dimensional Segments Detected in Digital Aerial Images
US20200005078A1 (en) Content aware forensic detection of image manipulations
CN111105435B (zh) 标志物匹配方法、装置及终端设备
CN114972010A (zh) 图像处理方法、装置、计算机设备、存储介质及程序产品
CN115131634A (zh) 图像识别方法、装置、设备、存储介质及计算机程序产品
CN113592015A (zh) 定位以及训练特征匹配网络的方法和装置
CN112396067A (zh) 点云数据采样方法、装置及电子设备
CN111126436B (zh) 视觉匹配方法及装置
US20230053952A1 (en) Method and apparatus for evaluating motion state of traffic tool, device, and medium
CN115018886B (zh) 运动轨迹识别方法、装置、设备及介质
CN114898221A (zh) 一种杆塔倾斜检测方法、装置、电子设备及介质
CN113221792B (zh) 一种章节检测模型构建方法、编目方法及其相关设备
CN112819953B (zh) 三维重建方法、网络模型训练方法、装置及电子设备
CN114913330A (zh) 点云部件分割方法、装置、电子设备与存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant