CN113112462A - 一种轻量化车辆检测方法、系统及计算机可读介质 - Google Patents

Abstract

本发明涉及一种轻量化车辆检测方法、系统及计算机可读介质，其中车辆检测方法包括：步骤1：获取源点云数据以及标签；步骤2：对步骤1获取的点云数据进行预处理；步骤3：构建轻量化的车辆检测模型，使用步骤2中预处理后的数据对车辆检测模型进行训练；步骤4：实时获取待检测车辆的源点云数据，并对其进行预处理，将预处理后的点云数据输入训练好的车辆检测模型；步骤5：输出当前车辆的车辆检测结果。与现有技术相比，本发明具有轻量化、准确率高等优点。

Description

一种轻量化车辆检测方法、系统及计算机可读介质

技术领域

本发明涉及自动驾驶车辆检测方法技术领域，尤其是涉及一种轻量化车辆检测方法、系统及计算机可读介质。

背景技术

车辆检测技术是3D目标检测的一种，它是计算机视觉领域研究的热点，也是自动驾驶中的关键技术，相比于2D，3D检测需要输出物体类别及在三维空间中的长宽高、旋转角等信息，数据由稠密的2D图像变为了稀疏的3D点云。在自动驾驶场景下，需要从数据中提供目标物体三维大小及旋转角度等指标，在鸟瞰投影的信息对于后续自动驾驶场景中的路径规划和控制具有至关重要的作用。

车辆检测主要考虑两方面的问题：(1)准确率。点云数据是由激光雷达采集的稀疏数据，正样本的比例相较于稠密的图片数据更加稀少，正负样本比例严重失衡会极大的影响分类的准确率。自动驾驶系统的底线要求是安全性，车辆检测模块的任何漏检、误检都会为自动驾驶带来极大的安全隐患。目前自动驾驶领域的车辆检测技术主要分为两类：一、基于点云的车辆检测，二、基于体素的车辆检测。前者利用全部的点云数据，可以获得相对较高的准确率。后者对点云体素化处理，数据被压缩后失去部分信息，会降低部分精度。但目前得益于深度学习的巨大发展，两种数据的差距在不断缩小，尤其是Voxelnet提出之后，体素化的方法在精度性能上已经不弱于直接利用点云的方法。(2)实时性，在自动驾驶系统中，激光雷达、相机、GPS等多种传感器收集原石数据，传入检测感知模块，通过模块处理之后得到的数据信息是系统判断周围环境的关键数据。目前检测感知模块的瓶颈在于庞杂的原始数据与较慢的模型处理速度之间的不平衡，尤其是3D卷积计算时，模型需要消耗大量时间才能完成运算，这也限制了模型最终的推理速度。诸如稀疏卷积等方法的提出可以大大的提高3D的卷积速度，但是3D卷积的运算方式决定了其运算次数必定比2D的卷积高一个数量级。而且模型的参数量也比2D卷积大幅增加，进一步增加了模型训练和推理的困难。在高性能GPU中尚不能做到实时推断，在计算资源稀缺的汽车中部署更加困难。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种检测准确率高的轻量化车辆检测方法、系统及计算机可读介质。

本发明的目的可以通过以下技术方案来实现：

一种轻量化车辆检测方法，所述的检测方法包括：

步骤1：获取源点云数据以及标签；

步骤2：对步骤1获取的点云数据进行预处理；

步骤3：构建轻量化的车辆检测模型，使用步骤2中预处理后的数据对车辆检测模型进行训练；

步骤4：实时获取待检测车辆的源点云数据，并对其进行预处理，将预处理后的点云数据输入训练好的车辆检测模型；

步骤5：输出当前车辆的车辆检测结果。

优选地，所述的步骤1具体为：

通过设置在车辆上的激光雷达扫描环境，获得点云数据集合{P_i|i＝1,2,…,n}，其中点云集合中点的数量为n，每个点P_i代表该点的3D坐标，同时在点云数据集合中添加标签。

优选地，所述的步骤2具体为：

设定检测范围，将超出或不在范围内的点云数据删除，获得预处理后的点云集合P_i'。

优选地，所述步骤3中的车辆检测模型具体为：

将Voxelnet网络中的3D卷积替换为高维非对称卷积，获得车辆检测模型。

更加优选地，所述的步骤3具体为：

将标准的d×d×d卷积分解为1×1×d、1×d×1和d×1×1三种形状的非对称卷积核；

将获取的三种卷积核串行运算；

Voxelnet网络的其他结构保持不变，车辆检测模型的输出经过非极大值抑制后获得回归得分图与概率得分图。

更加优选地，所述的三种卷积核串行运算具体方法为：

使用F₁∈R^1×1×d×C、F₂∈R^1×d×1×C和F₃∈R^d×1×1×C表示三种卷积核，M∈R^M×N×T×C表示输入一个尺寸为M×N×T，通道数为C的特征图，O∈R^{M′×N′×T′×D}表述输出特征图的尺寸为通道数是D的M′×N′×T′的特征图，那么对于这个层的第j个卷积核，相应的输出特征映射通道为：

其中，*表示3维卷积算子；

代表F₁ ^(j)的第k个通道的F₁形状的卷积核。

更加优选地，所述的车辆检测模型的训练方法具体为：

回归得分图的损失函数为SmoothL1损失函数；

概率得分图使用Focal loss来平衡正负样本，具体为：

其中，N_pos为标记为正样本的anchor的数量；j为anchor集合中的某一个样本，α和γ为平衡因子，p_j为每个anchor的正负样本的概率；

车辆检测模型使用SGD作为优化器，得到的损失函数是当前输出和训练数据的标签数据之间的差，迭代至损失函数为最小值，则输出与所述损失函数对应的参数作为车辆检测模型的参数，即最终的车辆检测模型，完成对车辆检测模型的训练。

优选地，所述的车辆检测结果包括周围车辆相对于当前车辆的位置坐标与方向信息。

一种轻量化车辆检测系统，所述的车辆检测系统包括设置在待测车辆上的激光雷达以及数据处理终端；所述的激光雷达与数据处理终端进行通信；所述的数据处理终端用于执行上述任一项所述车辆检测方法。

一种计算机可读介质，所述的计算机可读介质内存储有上述任一项所述车辆检测方法。

与现有技术相比，本发明具有以下有益效果：

一、实现车辆检测模型的轻量化：本发明中的车辆检测方法利用高维非对称卷积，将稠密高维的3D卷积加分解为低维的非对称卷积，减少卷积的计算量和参数量，其收敛速度与检测性能都可达到与3D卷积相同的水平，实现车辆检测模型的轻量化，同时还能保证检测质量。

二、检测准确率高：本发明中的车辆检测方法关注并平衡了3D点云数据中正负样本比例严重失衡的问题，提高了分类的准确率，进一步提升模型的检测性能。

附图说明

图1为本发明中轻量化车辆检测方法的流程示意图；

图2为本发明实施例中高维卷积核分解的示意图；

图3为本发明实施例中车辆检测模型的结构示意图。

具体实施方式

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的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

一种轻量化车辆检测方法，其流程如图1所示，包括：

步骤1：获取源点云数据以及标签；

通过设置在车辆上的激光雷达扫描环境，获得点云数据集合{P_i|i＝1,2,…,n}，其中点云集合中点的数量为n，每个点P_i代表该点的3D坐标，同时在点云数据集合中添加标签；

步骤2：对步骤1获取的点云数据进行预处理；

设定检测范围，将超出或不在范围内的点云数据删除，获得预处理后的点云集合P_i'；本实施例设定的检测范围为：水平视角(-40,40)，前方视距为(0.7,0.4)，高度为(-1,3)；

步骤3：构建轻量化的车辆检测模型，使用步骤2中预处理后的数据对车辆检测模型进行训练，具体为：

将Voxelnet网络中的3D卷积替换为高维非对称卷积，获得车辆检测模型：

如图2所示，将标准的d×d×d卷积分解为1×1×d、1×d×1和d×1×1三种形状的非对称卷积核；

将获取的三种卷积核串行运算，使用F₁∈R^1×1×d×C、F₂∈R^1×d×1×C和F₃∈R^d×1×1×C表示三种卷积核，M∈R^M×N×T×C表示输入一个尺寸为M×N×T，通道数为C的特征图，O∈R^{M′×N′×T′×D}表述输出特征图的尺寸为通道数是D的M′×N′×T′的特征图，那么对于这个层的第j个卷积核，相应的输出特征映射通道为：

其中，*表示3维卷积算子；

代表F₁ ^(j)的第k个通道的F₁形状的卷积核；

Voxelnet网络的其他结构保持不变，车辆检测模型的输出经过非极大值抑制后获得回归得分图与概率得分图；

回归得分图的损失函数为SmoothL1损失函数；

概率得分图使用Focal loss来平衡正负样本，具体为：

其中，N_pos为标记为正样本的anchor的数量；j为anchor集合中的某一个样本；α为平衡因子，设置为0.25，p_j为每个anchor的正负样本的概率；γ为平衡因子，设置为2；

车辆检测模型使用SGD作为优化器，动量设置为0.9，学习率设置为0.01，权重损失设置为0.01，得到的损失函数是当前输出和训练数据的标签数据之间的差，迭代至损失函数为最小值，则输出与所述损失函数对应的参数作为车辆检测模型的参数，即最终的车辆检测模型，完成对车辆检测模型的训练，最终的车辆检测模型如图3所示。

步骤4：实时获取待检测车辆的源点云数据，并对其进行预处理，将预处理后的点云数据输入训练好的车辆检测模型；

步骤5：在模型预测阶段，模型将输出当前车辆的回归得分图与概率得分图。概率得分图为每个点云是前景(为检测目标)或背景的结果。回归得分图为每个点云的所属类别、方向、坐标等信息，两者的权重各位0.5，回归得分图与概率得分图的IoU小于0.75的结果舍去，大于0.75的认为是有效检测目标，相应信息予以输出，其中包括周围车辆相对于当前车辆的位置坐标与方向信息。

本实施例还涉及一种轻量化车辆检测系统，包括设置在待测车辆上的激光雷达以及数据处理终端，激光雷达与数据处理终端进行通信，数据处理终端用于执行上述中任一项车辆检测方法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种轻量化车辆检测方法，其特征在于，所述的检测方法包括：

步骤1：获取源点云数据以及标签；

步骤2：对步骤1获取的点云数据进行预处理；

步骤3：构建轻量化的车辆检测模型，使用步骤2中预处理后的数据对车辆检测模型进行训练；

步骤4：实时获取待检测车辆的实点云数据，并对其进行预处理，将预处理后的点云数据输入训练好的车辆检测模型；

步骤5：输出当前车辆的车辆检测结果。

2.根据权利要求1所述的一种轻量化车辆检测方法，其特征在于，所述的步骤1具体为：

通过设置在车辆上的激光雷达扫描环境，获得点云数据集合{P_i|i＝1,2,…,n}，其中点云集合中点的数量为n，每个点P_i代表该点的3D坐标，同时在点云数据集合中添加标签。

3.根据权利要求1所述的一种轻量化车辆检测方法，其特征在于，所述的步骤2具体为：

设定检测范围，将超出或不在范围内的点云数据删除，获得预处理后的点云集合P_i'。

4.根据权利要求1所述的一种轻量化车辆检测方法，其特征在于，所述步骤3中的车辆检测模型具体为：

将Voxelnet网络中的3D卷积替换为高维非对称卷积，获得车辆检测模型。

5.根据权利要求4所述的一种轻量化车辆检测方法，其特征在于，所述的步骤3具体为：

将标准的d×d×d卷积分解为1×1×d、1×d×1和d×1×1三种形状的非对称卷积核；

将获取的三种卷积核串行运算；

Voxelnet网络的其他结构保持不变，车辆检测模型的输出经过非极大值抑制后获得回归得分图与概率得分图。

6.根据权利要求5所述的一种轻量化车辆检测方法，其特征在于，所述的三种卷积核串行运算具体方法为：

使用F₁∈R^1×1×d×C、F₂∈R^1×d×1×C和F₃∈R^d×1×1×C表示三种卷积核，M∈R^M×N×T×C表示输入一个尺寸为M×N×T，通道数为C的特征图，O∈R^{M′×N′×T′×D}表述输出特征图的尺寸为通道数是D的M′×N′×T′的特征图，那么对于这个层的第j个卷积核，相应的输出特征映射通道为：

其中，*表示3维卷积算子；

代表F₁ ^(j)的第k个通道的F₁形状的卷积核。

7.根据权利要求5所述的一种轻量化车辆检测方法，其特征在于，所述的车辆检测模型的训练方法具体为：

回归得分图的损失函数为SmoothL1损失函数；

概率得分图使用Focal loss来平衡正负样本，具体为：

其中，N_pos为标记为正样本的anchor的数量；j为anchor集合中的某一个样本；α为平衡因子，p_j为每个anchor的正负样本的概率；γ为平衡因子；

车辆检测模型使用SGD作为优化器，得到的损失函数是当前输出和训练数据的标签数据之间的差，迭代至损失函数为最小值，则输出与所述损失函数对应的参数作为车辆检测模型的参数，即最终的车辆检测模型，完成对车辆检测模型的训练。

8.根据权利要求1所述的一种轻量化车辆检测方法，其特征在于，所述的车辆检测结果包括周围车辆相对于当前车辆的位置坐标与方向信息。

9.一种轻量化车辆检测系统，其特征在于，所述的车辆检测系统包括设置在待测车辆上的激光雷达以及数据处理终端；所述的激光雷达与数据处理终端进行通信；所述的数据处理终端用于执行如权利要求1～8中任一项所述车辆检测方法。

10.一种计算机可读介质，其特征在于，所述的计算机可读介质内存储有如权利要求1～8中任一项所述车辆检测方法。

Images