CN113111692A - 目标检测方法、装置、计算机可读存储介质及电子设备 - Google Patents
目标检测方法、装置、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN113111692A CN113111692A CN202010033556.6A CN202010033556A CN113111692A CN 113111692 A CN113111692 A CN 113111692A CN 202010033556 A CN202010033556 A CN 202010033556A CN 113111692 A CN113111692 A CN 113111692A
- Authority
- CN
- China
- Prior art keywords
- cluster
- detection
- determining
- target
- reference points
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 309
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种目标检测方法、装置、计算机可读存储介质及电子设备,其中,该方法包括:获取车辆上的多个目标检测设备中的每个目标检测设备分别采集的点云帧;将每个目标检测设备分别对应的点云帧输入预先训练的点云检测模型,得到每个目标检测设备分别对应的用于表征目标物体的位置的第一检测框;确定每个第一检测框对应的参考点;对参考点进行聚类,得到至少一个簇;对于至少一个簇中的每个簇,响应于确定该簇中的参考点的数量大于或等于预设数量,基于该簇中的参考点分别对应的第一检测框,确定该簇对应的第二检测框。本公开实施例可以提高针对目标物体检测的准确性,降低了检测框发生抖动和闪烁现象的概率。
Description
技术领域
本公开涉及计算机技术领域,尤其是一种目标检测方法、装置、计算机可读存储介质及电子设备。
背景技术
目标检测技术是智能驾驶领域常用的一种检测手段,通常利用激光雷达、双目相机等目标检测设备对物体的位置、大小、类型等属性进行检测。目前,常用的方法是使用单一的目标检测设备,通过采集点云数据、深度图像等方法对目标进行检测。
发明内容
本公开的实施例提供了一种目标检测方法、装置、计算机可读存储介质及电子设备。
本公开的实施例提供了一种目标检测方法,该方法包括:获取车辆上的多个目标检测设备中的每个目标检测设备分别采集的点云帧;将每个目标检测设备分别对应的点云帧输入预先训练的点云检测模型,得到每个目标检测设备分别对应的用于表征目标物体的位置的第一检测框;确定每个第一检测框对应的参考点;对参考点进行聚类,得到至少一个簇;对于至少一个簇中的每个簇,响应于确定该簇中的参考点的数量大于或等于预设数量,基于该簇中的参考点分别对应的第一检测框,确定该簇对应的第二检测框。
根据本公开实施例的另一个方面,提供了一种目标检测装置,该装置包括:获取模块,用于获取车辆上的多个目标检测设备中的每个目标检测设备分别采集的点云帧;检测模块,用于将每个目标检测设备分别对应的点云帧输入预先训练的点云检测模型,得到每个目标检测设备分别对应的用于表征目标物体的位置的第一检测框;第一确定模块,用于确定每个第一检测框对应的参考点;聚类模块,用于对参考点进行聚类,得到至少一个簇;第二确定模块,用于对于至少一个簇中的每个簇,响应于确定该簇中的参考点的数量大于或等于预设数量,基于该簇中的参考点分别对应的第一检测框,确定该簇对应的第二检测框。
根据本公开实施例的另一个方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序用于执行上述目标检测方法。
根据本公开实施例的另一个方面,提供了一种电子设备,电子设备包括:处理器;用于存储处理器可执行指令的存储器;处理器,用于从存储器中读取可执行指令,并执行指令以实现上述目标检测方法。
基于本公开上述实施例提供的目标检测方法、装置、计算机可读存储介质及电子设备,通过对多个目标检测设备采集的点云帧进行检测,得到每个目标检测设备分别对应的第一检测框,在对各个第一检测框分别对应的参考点进行聚类,最后对得到的每个簇中包括的参考点的数量进行判断,根据数量确定用于表征目标物体的正确最终位置的第二检测框,从而实现了利用多个目标检测设备,从不同角度对同一目标物体进行检测,采用投票的方式确定目标物体的检测框,提高了针对目标物体检测的准确性,降低了检测框发生抖动和闪烁现象的概率。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本公开所适用的系统图。
图2是本公开一示例性实施例提供的目标检测方法的流程示意图。
图3是本公开的实施例的目标检测方法的一个应用场景的示意图。
图4是本公开另一示例性实施例提供的目标检测方法的流程示意图。
图5是本公开一示例性实施例提供的目标检测装置的结构示意图。
图6是本公开另一示例性实施例提供的目标检测装置的结构示意图。
图7是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面,将参考附图详细地描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
申请概述
现有的目标检测方法,通常使用单一的目标检测设备检测物体,输出的检测框往往会产生抖动和闪烁的现象,即检测模型对空间物体的检测结果并不确信。
示例性系统
图1示出了可以应用本公开的实施例的目标检测方法或目标检测装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、网络102、服务器103和车辆104。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
车辆104上可以设置有多个目标检测设备105(例如激光雷达),每个激光雷达可以采集针对物体采集的点云帧。多个目标检测设备105可以与终端设备101通信连接,或通过网络102与服务器103通信连接,将采集的点云帧发送至终端设备101或服务器104。
终端设备101通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种应用,例如数据处理类应用、地图类应用、图像处理类应用等。
终端设备101可以是各种电子设备,包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端。
服务器103可以是提供各种服务的服务器,例如利用终端设备101上传的点云帧进行目标检测的后台数据处理服务器。后台数据处理服务器可以对接收到的点云帧进行处理,得到处理结果(例如检测框)。
需要说明的是,本公开的实施例所提供的目标检测方法可以由服务器103执行,也可以由终端设备101执行,相应地,目标检测装置可以设置于服务器103中,也可以设置于终端设备101中。
应该理解,图1中的终端设备、网络、服务器和车辆的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络、服务器和车辆。在点云帧不需要远程处理的情况下,上述系统架构可以不包括网络和服务器。
示例性方法
图2是本公开一示例性实施例提供的目标检测方法的流程示意图。本实施例可应用在电子设备(如图1所示的终端设备101或服务器103)上,如图2所示,该方法包括如下步骤:
步骤201,获取车辆上的多个目标检测设备中的每个目标检测设备分别采集的点云帧。
在本实施例中,电子设备可以获取车辆上的多个目标检测设备中的每个目标检测设备分别采集的点云帧。其中,目标检测设备可以是各种用于采集点云数据的设备,例如激光雷达,立体摄像头,越渡时间相机等。点云帧可以是某个目标检测设备在某个时刻采集的点云数据的集合。点云数据通常包括三维坐标数据,用于表征某个点在某个三维坐标系(例如每个目标检测设备对应于一个坐标系)下的位置。
在本实施例中,可以预先对上述多个目标检测设备两两之间进行外参标定,从而可以得到各个目标检测设备分别对应的三维坐标系之间的关系。
步骤202,将每个目标检测设备分别对应的点云帧输入预先训练的点云检测模型,得到每个目标检测设备分别对应的用于表征目标物体的位置的第一检测框。
在本实施例中,电子设备可以将每个目标检测设备分别对应的点云帧输入预先训练的点云检测模型,得到每个目标检测设备分别对应的用于表征目标物体的位置的第一检测框。其中,点云检测模型可以是现有的用于利用点云数据检测目标的模型。例如,点云检测模型可以是预先利用机器学习方法,使用包括诸如卷积神经网络、条件随机场等的初始模型进行训练得到的模型。点云预测模型可以从输入的点云帧中提取特征信息,并对特征信息进行分类,从而识别出表征目标物体的位置的第一检测框。第一检测框可以是用于表征目标物体的位置的标记。目标物体可以是各种物体,包括但不限于以下至少一种:车辆、建筑物、人、动物等。通常,第一检测框可以是根据表征目标物体的各个点的坐标确定的。例如,可以将包含表征目标物体的各个点的最小三维立方体框作为第一检测框。
需要说明的是,对于某个点云帧,该点云帧可以包括至少一个第一检测框,即该点云帧可以检测出至少一个目标物体的位置。例如,对某个点云帧进行分析,得到该点云帧包括两个第一检测框,分别用于一辆车的位置和一个人的位置。
需要说明的是,点云检测模型的数量可以是一个或多个,当为一个时,该点云检测模型可以是预先使用上述各个目标检测设备采集的点云帧训练的模型。当为多个时,每个点云检测模型可以对应于一个或多个目标检测设备,每个点云预测模型可以是预先使用对应的目标检测设备采集的点云帧训练的模型。
步骤203,确定每个第一检测框对应的参考点。
在本实施例中,电子设备可以确定每个第一检测框对应的参考点。其中,参考点可以是用于代表第一检测框的点。作为示例,参考点可以是第一检测框的某个角点、中心点或其他位置的点。
步骤204,对参考点进行聚类,得到至少一个簇。
在本实施例中,电子设备可以利用各种方法对所得到的各个参考点进行聚类,得到至少一个簇。作为示例,电子设备可以使用现有的层次聚类方法对参考点进行聚类,得到至少一个簇,其中,每个簇对应于一个目标物体。
步骤205,对于至少一个簇中的每个簇,响应于确定该簇中的参考点的数量大于或等于预设数量,基于该簇中的参考点分别对应的第一检测框,确定该簇对应的第二检测框。
在本实施例中,对于至少一个簇中的每个簇,电子设备可以响应于确定该簇中的参考点的数量大于或等于预设数量,基于该簇中的参考点分别对应的第一检测框,确定该簇对应的第二检测框。其中,当某个簇中的参考点的数量大于或等于预设数量时,表示多个目标检测设备可以采集到表征该簇对应的目标物体的点云数据,从而可以确定该簇对应的目标物体可以被有效地检测到。相反,当该簇中的参考点的数量小于预设数量时,表示该簇对应的第一检测框可能是被误检测出的。
作为示例,上述预设数量可以为基于目标检测设备的总数和预设的比例确定的数量,例如,预设数量可以是目标检测设备总数的一半。
在本实施例中,针对某个簇,基于该簇中的参考点分别对应的第一检测框,电子设备可以利用各种方法确定该簇对应的第二检测框。作为示例,电子设备可以将包含该簇中的所有点云的最小三维立方体框作为该簇对应的第二检测框。
在一些可选的实现方式中,在步骤204之后,电子设备还可以执行如下步骤:
对于至少一个簇中的每个簇,响应于确定该簇中的参考点的数量小于预设数量,将该簇中的参考点分别对应的第一检测框删除。具体地,当某个簇中的参考点的数量小于预设数量时,表示该簇对应的第一检测框只是利用了少数目标检测设备采集的点云帧检测出来的,即该簇对应的第一检测框可能是被误检测出的,此时,将该簇对应的第一检测框删除,从而可以降低第一检测框被误检测出的概率,提高目标检测的精确性。
在一些可选的实现方式中,上述步骤203可以如下执行:
将每个目标检测设备分别对应的第一检测框转换到目标坐标系中,在目标坐标系中确定每个第一检测框对应的参考点。其中,目标坐标系可以是预先指定的某个目标检测设备对应的坐标系。通常,由于各个目标检测设备两两之间进行了外参标定,因此可以确定每两个目标检测设备对应的坐标系的对应关系,从而可以将各个目标检测设备分别对应的坐标系转换到目标坐标系中。通过在目标坐标系中确定参考点,可以在同一坐标系下对不同的目标检测设备采集的点云帧进行处理,从而可以使对参考点进行聚类的准确性更高,有利于提高目标检测的准确性。
在一些可选的实现方式中,电子设备可以在目标坐标系中,确定每个第一检测框的中心点作为参考点。作为示例,电子设备可以确定第一检测框的各个角点的坐标分量的平均值,作为中心点的坐标包括的坐标分量。应当理解,电子设备还可以利用其它方法确定中心点,例如,可以将第一检测框包括的各个点云的坐标分量的中位数确定为中心点的坐标包括的坐标分量。采用中心点第一检测框的参考点,可以使参考点表征目标物体的中心位置,从而可以提高最终生成的第二检测框的准确性。
参见图3,图3是根据本实施例的目标检测方法的应用场景的一个示意图。在图3的应用场景中,车辆301上设置有车载终端302和三个激光雷达303(即目标检测设备)。车载终端302首先获取当前时刻每个激光雷达采集的点云帧3041、3042、3043(即执行步骤201)。然后,车载终端302将点云帧3041、3042、3043依次输入预先训练的点云检测模型305,得到每个激光雷达分别对应的多个第一检测框(即执行步骤202)。再然后,确定每个第一检测框对应的中心点作为参考点(例如图中的黑色圆点)(即执行步骤203)。接着,对所得到的各个参考点进行聚类,得到两个簇306、307(即执行步骤204)。最后,确定簇306中的参考点的数量为3,大于预设数量(例如2),基于簇306中的参考点分别对应的第一检测框,确定该簇对应的第二检测框308。例如取簇306中的参考点分别对应的第一检测框的各个角点的坐标分量的平均值作为第二检测框的角点的坐标分量。从而确定出表征目标物体的位置的第二检测框308。确定簇307中的参考点的数量为1,小于预设数量,将簇307中的参考点分别对应的第一检测框删除。
本公开的上述实施例提供的方法,通过对多个目标检测设备采集的点云帧进行检测,得到每个目标检测设备分别对应的第一检测框,在对各个第一检测框分别对应的参考点进行聚类,最后对得到的每个簇中包括的参考点的数量进行判断,根据数量确定用于表征目标物体的正确最终位置的第二检测框,从而实现了利用多个目标检测设备,从不同角度对同一目标物体进行检测,采用投票的方式确定目标物体的检测框,提高了针对目标物体检测的准确性,降低了检测框发生抖动和闪烁现象的概率。
进一步参考图4,示出了目标检测方法的又一个实施例的流程示意图。如图4所示,在上述图2所示实施例的基础上,在步骤205中,对于至少一个簇中的每个簇,电子设备可以基于如下步骤确定该簇对应的第二检测框:
步骤2051,基于该簇中的参考点分别对应的第一检测框的尺寸,确定该簇对应的第二检测框的尺寸。
在本实施例中,簇中的参考点分别对应的第一检测框的尺寸可以包括第一检测框的长、宽、高。作为示例,电子设备可以将各个第一检测框的长、宽、高中的最大长、最大宽、最大高确定为第二检测框的尺寸,或者取各个第一检测框的长、宽、高的平均值作为第二检测框的尺寸。
步骤2052,基于该簇中的参考点,确定该簇对应的第二检测框对应的参考点。
在本实施例中,对于某个簇,电子设备可以基于该簇中的参考点,按照各种方式确定该簇对应的第二检测框对应的参考点。作为示例,电子设备可以从该簇中的参考点中,随机选择一个参考点作为第二检测框的参考点,或者从该簇中的参考点中,选择距离簇中心最近的参考点作为第二检测框的参考点。
在本实施例中,利用上述步骤得到的第二检测框的尺寸,以及参考点的坐标,可以确定出第二检测框的位置及尺寸。
在一些可选的实现方式中,步骤2051可以如下执行:
确定该簇中的参考点分别对应的第一检测框的尺寸分量的平均值作为该簇对应的第二检测框的尺寸。其中,尺寸分量可以包括第一检测框的长度、宽度、高度。作为示例,假设该簇中包括三个参考点,分别对应的第一检测框的尺寸为L1、W1、H1,L2、W2、H2,L3、W3、H3,则第二检测框的尺寸为(L1+L2+L3)/3,(W 1+W 2+W 3)/3,(H 1+H 2+H 3)/3。
步骤2052可以如下执行:
确定该簇中的参考点的坐标分量的平均值作为该簇对应的第二检测框对应的参考点的坐标分量。作为示例,假设该簇中包括的三个参考点的坐标分别为(x1,y1,z1),(x2,y2,z2),(x3,y3,z3),则第二检测框对应的参考点的坐标为((x1+y1+z1)/3,(x2+y2+z2)/3,(x3+y3+z3)/3)。
通过计算平均值的方式确定第二检测框的尺寸和第二检测框的参考点的坐标,可以使得最终确定的第二检测框能够更准确地表征目标物体的位置,提高目标检测精确性。
上述图4对应实施例提供的方法,通过基于簇中的第一检测框的尺寸和第一检测框对应的参考点的坐标,确定第二检测框的尺寸和第二检测框对应的参考点的坐标,可以实现简单、准确地确定第二检测框,提高目标检测的准确性和效率。
示例性装置
图5是本公开一示例性实施例提供的目标检测装置的结构示意图。本实施例可应用在电子设备上,如图5所示,目标检测装置包括:获取模块501,用于获取车辆上的多个目标检测设备中的每个目标检测设备分别采集的点云帧;检测模块502,用于将每个目标检测设备分别对应的点云帧输入预先训练的点云检测模型,得到每个目标检测设备分别对应的用于表征目标物体的位置的第一检测框;第一确定模块503,用于确定每个第一检测框对应的参考点;聚类模块504,用于对参考点进行聚类,得到至少一个簇;第二确定模块505,用于对于至少一个簇中的每个簇,响应于确定该簇中的参考点的数量大于或等于预设数量,基于该簇中的参考点分别对应的第一检测框,确定该簇对应的第二检测框。
在本实施例中,获取模块501可以获取车辆上的多个目标检测设备中的每个目标检测设备分别采集的点云帧。其中,目标检测设备可以是各种用于采集点云数据的设备,例如激光雷达,立体摄像头,越渡时间相机等。点云帧可以是某个目标检测设备在某个时刻采集的点云数据的集合。点云数据通常包括三维坐标数据,用于表征某个点在某个三维坐标系(例如每个目标检测设备对应于一个坐标系)下的位置。
在本实施例中,可以预先对上述多个目标检测设备两两之间进行外参标定,从而可以得到各个目标检测设备分别对应的三维坐标系之间的关系。
在本实施例中,转换模块502可以将每个目标检测设备分别对应的点云帧输入预先训练的点云检测模型,得到每个目标检测设备分别对应的用于表征目标物体的位置的第一检测框。其中,点云检测模型可以是现有的用于利用点云数据检测目标的模型。例如,点云检测模型可以是预先利用机器学习方法,使用包括诸如卷积神经网络、条件随机场等的初始模型进行训练得到的模型。点云预测模型可以从输入的点云帧中提取特征信息,并对特征信息进行分类,从而识别出表征目标物体的位置的第一检测框。第一检测框可以是用于表征目标物体的位置的标记。目标物体可以是各种物体,包括但不限于以下至少一种:车辆、建筑物、人、动物等。通常,第一检测框可以是根据表征目标物体的各个点的坐标确定的。例如,可以将包含表征目标物体的各个点的最小三维框作为第一检测框。
需要说明的是,对于某个点云帧,该点云帧可以包括至少一个第一检测框,即该点云帧可以检测出至少一个目标物体的位置。例如,对某个点云帧进行分析,得到该点云帧包括两个第一检测框,分别用于一辆车的位置和一个人的位置。
需要说明的是,点云检测模型的数量可以是一个或多个,当为一个时,该点云检测模型可以是预先使用上述各个目标检测设备采集的点云帧训练的模型。当为多个时,每个点云检测模型可以对应于一个或多个目标检测设备,每个点云预测模型可以是预先使用对应的目标检测设备采集的点云帧训练的模型。
在本实施例中,第一确定模块503可以确定每个第一检测框对应的参考点。其中,参考点可以是用于代表第一检测框的点。作为示例,参考点可以是第一检测框的某个角点、中心点或其他位置的点。
在本实施例中,聚类模块504可以利用各种方法对所得到的各个参考点进行聚类,得到至少一个簇。作为示例,可以使用现有的层次聚类方法对参考点进行聚类,得到至少一个簇,其中,每个簇对应于一个目标物体。
在本实施例中,对于至少一个簇中的每个簇,第二确定模块505可以响应于确定该簇中的参考点的数量大于或等于预设数量,基于该簇中的参考点分别对应的第一检测框,确定该簇对应的第二检测框。其中,当某个簇中的参考点的数量大于或等于预设数量时,表示多个目标检测设备可以采集到表征该簇对应的目标物体的点云数据,从而可以确定该簇对应的目标物体可以被有效地检测到。相反,当该簇中的参考点的数量小于预设数量时,表示该簇对应的第一检测框可能是被误检测出的。
作为示例,上述预设数量可以为基于目标检测设备的总数和预设的比例确定的数量,例如,预设数量可以是目标检测设备总数的一半。
在本实施例中,针对某个簇,基于该簇中的参考点分别对应的第一检测框,第二确定模块505可以利用各种方法确定该簇对应的第二检测框。作为示例,第二确定模块505可以将包含该簇中的所有点云的最小三维立方体框作为该簇对应的第二检测框。
参照图6,图6是本公开另一示例性实施例提供的目标检测装置的结构示意图。
在一些可选的实现方式中,该装置还可以包括:第三确定模块506,用于对于至少一个簇中的每个簇,响应于确定该簇中的参考点的数量小于预设数量,将该簇中的参考点分别对应的第一检测框删除。
在一些可选的实现方式中,第二确定模块505可以包括:第一确定单元5051,用于基于该簇中的参考点分别对应的第一检测框的尺寸,确定该簇对应的第二检测框的尺寸;第二确定单元5052,用于基于该簇中的参考点,确定该簇对应的第二检测框对应的参考点。
在一些可选的实现方式中,第一确定单元5051可以进一步用于:确定该簇中的参考点分别对应的第一检测框的尺寸分量的平均值作为该簇对应的第二检测框的尺寸;第二确定单元5052可以进一步用于:确定该簇中的参考点的坐标分量的平均值作为该簇对应的第二检测框对应的参考点的坐标分量。
在一些可选的实现方式中,第一确定模块503可以进一步用于:将每个目标检测设备分别对应的第一检测框转换到目标坐标系中,在目标坐标系中确定每个第一检测框对应的参考点。
在一些可选的实现方式中,第一确定模块503可以进一步用于:在目标坐标系中,确定每个第一检测框的中心点作为参考点。
本公开上述实施例提供的目标检测装置,通过对多个目标检测设备采集的点云帧进行检测,得到每个目标检测设备分别对应的第一检测框,在对各个第一检测框分别对应的参考点进行聚类,最后对得到的每个簇中包括的参考点的数量进行判断,根据数量确定用于表征目标物体的正确最终位置的第二检测框,从而实现了利用多个目标检测设备,从不同角度对同一目标物体进行检测,采用投票的方式确定目标物体的检测框,提高了针对目标物体检测的准确性,降低了检测框发生抖动和闪烁现象的概率。
示例性电子设备
下面,参考图7来描述根据本公开实施例的电子设备。该电子设备可以是如图1所示的终端设备101和服务器103中的任一个或两者、或与它们独立的单机设备,该单机设备可以与终端设备101和服务器103进行通信,以从它们接收所采集到的输入信号。
图7图示了根据本公开实施例的电子设备的框图。
如图7所示,电子设备700包括一个或多个处理器701和存储器702。
处理器701可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备700中的其他组件以执行期望的功能。
存储器702可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器701可以运行程序指令,以实现上文的本公开的各个实施例的目标检测方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备700还可以包括:输入装置703和输出装置704,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如,在该电子设备是终端设备101或服务器103时,该输入装置703可以是触控板、键盘等设备,用于输入点云帧。在该电子设备是单机设备时,该输入装置703可以是通信网络连接器,用于从终端设备101和服务器103接收所输入的点云帧。
该输出装置704可以向外部输出各种信息,包括确定出的第二检测框。该输出设备704可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备700中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备700还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的目标检测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的目标检测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是,在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种目标检测方法,包括:
获取车辆上的多个目标检测设备中的每个目标检测设备分别采集的点云帧;
将所述每个目标检测设备分别对应的点云帧输入预先训练的点云检测模型,得到所述每个目标检测设备分别对应的用于表征目标物体的位置的第一检测框;
确定每个所述第一检测框对应的参考点;
对所述参考点进行聚类,得到至少一个簇;
对于所述至少一个簇中的每个簇,响应于确定该簇中的参考点的数量大于或等于预设数量,基于该簇中的参考点分别对应的第一检测框,确定该簇对应的第二检测框。
2.根据权利要求1所述的方法,其中,所述方法还包括:
对于所述至少一个簇中的每个簇,响应于确定该簇中的参考点的数量小于所述预设数量,将该簇中的参考点分别对应的第一检测框删除。
3.根据权利要求1所述的方法,其中,所述基于该簇中的参考点分别对应的第一检测框,确定该簇对应的第二检测框,包括:
基于该簇中的参考点分别对应的第一检测框的尺寸,确定该簇对应的第二检测框的尺寸;
基于该簇中的参考点,确定该簇对应的第二检测框对应的参考点。
4.根据权利要求3所述的方法,其中,所述基于该簇中的参考点分别对应的第一检测框的尺寸,确定该簇对应的第二检测框的尺寸,包括:
确定该簇中的参考点分别对应的第一检测框的尺寸分量的平均值作为该簇对应的第二检测框的尺寸;
所述基于该簇中的参考点,确定该簇对应的第二检测框对应的参考点,包括:
确定该簇中的参考点的坐标分量的平均值作为该簇对应的第二检测框对应的参考点的坐标分量。
5.根据权利要求1-4之一所述的方法,其中,所述确定每个所述第一检测框对应的参考点,包括:
将所述每个目标检测设备分别对应的第一检测框转换到目标坐标系中,在所述目标坐标系中确定每个所述第一检测框对应的参考点。
6.根据权利要求5所述的方法,其中,所述在所述目标坐标系中确定每个所述第一检测框对应的参考点,包括:
在所述目标坐标系中,确定每个所述第一检测框的中心点作为参考点。
7.一种目标检测装置,包括:
获取模块,用于获取车辆上的多个目标检测设备中的每个目标检测设备分别采集的点云帧;
检测模块,用于将所述每个目标检测设备分别对应的点云帧输入预先训练的点云检测模型,得到所述每个目标检测设备分别对应的用于表征目标物体的位置的第一检测框;
第一确定模块,用于确定每个所述第一检测框对应的参考点;
聚类模块,用于对所述参考点进行聚类,得到至少一个簇;
第二确定模块,用于对于所述至少一个簇中的每个簇,响应于确定该簇中的参考点的数量大于或等于预设数量,基于该簇中的参考点分别对应的第一检测框,确定该簇对应的第二检测框。
8.根据权利要求7所述的装置,其中,所述装置还包括:
第三确定模块,用于对于所述至少一个簇中的每个簇,响应于确定该簇中的参考点的数量小于所述预设数量,将该簇中的参考点分别对应的第一检测框删除。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-6任一所述的方法。
10.一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010033556.6A CN113111692B (zh) | 2020-01-13 | 2020-01-13 | 目标检测方法、装置、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010033556.6A CN113111692B (zh) | 2020-01-13 | 2020-01-13 | 目标检测方法、装置、计算机可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111692A true CN113111692A (zh) | 2021-07-13 |
CN113111692B CN113111692B (zh) | 2024-04-23 |
Family
ID=76708792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010033556.6A Active CN113111692B (zh) | 2020-01-13 | 2020-01-13 | 目标检测方法、装置、计算机可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111692B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115098079A (zh) * | 2022-08-25 | 2022-09-23 | 苏州浪潮智能科技有限公司 | 雷达检测模型确定方法、系统、电子设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345529A (zh) * | 2018-09-30 | 2019-02-15 | 福州大学 | 基于改进型二次目标检测网络线夹、均压环故障识别方法 |
CN110213227A (zh) * | 2019-04-24 | 2019-09-06 | 华为技术有限公司 | 一种网络数据流检测方法及装置 |
CN110244322A (zh) * | 2019-06-28 | 2019-09-17 | 东南大学 | 基于多源传感器的路面施工机器人环境感知系统及方法 |
CN110472553A (zh) * | 2019-08-12 | 2019-11-19 | 北京易航远智科技有限公司 | 图像和激光点云融合的目标追踪方法、计算装置和介质 |
-
2020
- 2020-01-13 CN CN202010033556.6A patent/CN113111692B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345529A (zh) * | 2018-09-30 | 2019-02-15 | 福州大学 | 基于改进型二次目标检测网络线夹、均压环故障识别方法 |
CN110213227A (zh) * | 2019-04-24 | 2019-09-06 | 华为技术有限公司 | 一种网络数据流检测方法及装置 |
CN110244322A (zh) * | 2019-06-28 | 2019-09-17 | 东南大学 | 基于多源传感器的路面施工机器人环境感知系统及方法 |
CN110472553A (zh) * | 2019-08-12 | 2019-11-19 | 北京易航远智科技有限公司 | 图像和激光点云融合的目标追踪方法、计算装置和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115098079A (zh) * | 2022-08-25 | 2022-09-23 | 苏州浪潮智能科技有限公司 | 雷达检测模型确定方法、系统、电子设备及可读存储介质 |
WO2024040864A1 (zh) * | 2022-08-25 | 2024-02-29 | 苏州元脑智能科技有限公司 | 雷达检测模型确定方法、系统、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113111692B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109188457B (zh) | 物体检测框的生成方法、装置、设备、存储介质及车辆 | |
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
CN111626219A (zh) | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 | |
CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN112116655A (zh) | 目标对象的图像的位置信息确定方法和装置 | |
CN113435409A (zh) | 图像识别模型的训练方法、装置、存储介质及电子设备 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN115294328A (zh) | 目标检测框的生成方法、装置、存储介质和电子设备 | |
CN113112643A (zh) | 预测轨迹的评价方法、装置以及电子设备和存储介质 | |
CN111639591B (zh) | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 | |
CN113111692B (zh) | 目标检测方法、装置、计算机可读存储介质及电子设备 | |
CN113627298A (zh) | 目标检测模型的训练方法及检测目标对象的方法、装置 | |
CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
CN113704566B (zh) | 识别号主体识别方法、存储介质和电子设备 | |
CN114648712B (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
CN115862597A (zh) | 人物类型的确定方法、装置、电子设备和存储介质 | |
CN110516717B (zh) | 用于生成图像识别模型的方法和装置 | |
CN114648713A (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
CN112991418A (zh) | 图像深度预测和神经网络训练方法和装置、介质、设备 | |
CN111738311A (zh) | 面向多任务的特征提取方法、装置及电子设备 | |
CN112199978A (zh) | 视频物体检测方法和装置、存储介质和电子设备 | |
CN111401224B (zh) | 目标检测方法、装置及电子设备 | |
CN117478434B (zh) | 边缘节点网络流量数据处理方法、装置、设备及介质 | |
CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |