CN113449799B - 目标检测与分类方法、系统、设备及存储介质 - Google Patents

Abstract

本发明提供了一种目标检测与分类方法、系统、设备及存储介质，该方法包括：获取点云检测数据，确定x‑y平面内的二维点云图像；根据第一间隔距离和第二间隔距离分别将所述二维点云图像划分为多个网格；采用第一特征提取算法获取所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图，将两个第一特征图组合后输入第二特征提取网络，得到用于检测的第二特征图；将所述第二特征图输入训练好的目标检测分类网络，得到所述目标检测分类网络输出的各个点云点的检测分类结果。本发明充分利用了点云数据中的特征，提高了目标检测的准确率。

Description

目标检测与分类方法、系统、设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种目标检测与分类方法、系统、设备及存储介质。

背景技术

目前，随着激光雷达在目标检测中的广泛应用，基于点云数据来进行目标检测成为了一个重要的研究方向。在应用中，需要通过激光雷达采集点云数据，对点云数据进行语义分割，从而实现对于车辆、行人、障碍物等不同目标的检测。然而，现有技术中基于点云语义分割的目标检测方法中，没有对点云数据进行很好的结合，导致点云数据特征不够丰富，目标检测的准确率不高。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种目标检测与分类方法、系统、设备及存储介质，充分利用点云数据中的特征，提高目标检测的准确率。

本发明实施例提供一种目标检测与分类方法，包括如下步骤：

S100：获取点云检测数据，确定x-y平面内的二维点云图像；

S200：根据第一间隔距离将所述二维点云图像划分为多个网格；

S300：采用第一特征提取算法获取所述第一间隔距离所对应的第一特征图；

S400：根据第二间隔距离将所述二维点云数据划分为多个网格；

S500：采用第一特征提取算法获取所述第二间隔距离所对应的第一特征图；

S600：将所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图组合后输入第二特征提取网络，得到用于检测的第二特征图；

S700：将所述第二特征图输入训练好的目标检测分类网络，得到所述目标检测分类网络输出的各个点云点的检测分类结果。

在一些实施例中，所述特征提取算法包括如下步骤：

获取所述二维点云图像中各个非空网格的张量，所述非空网格的张量包括所述网格中各个点的位置信息和反射率以及所述网格中点云的数量；

将所述二维点云图像中各个非空网格的张量输入第一特征提取网络，得到所述特征提取网络输出的第一特征图。

在一些实施例中，基于所述非空网格的张量确定所述二维点云图像的张量，包括如下步骤：

基于所述非空网格的张量得到所述非空网格中各个点的点位特征值；

基于所述非空网格中各个点的点位特征值确定所对应的非空网格的网格特征值；

基于所述非空网格在所述二维点云图像中的位置，将所述非空网格的网格特征值填入到所述二维点云图像的对应位置，得到所述二维点云图像的张量。

在一些实施例中，所述步骤S600中，将所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图组合后输入第二特征提取网络，包括如下步骤：

将所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图调整至同一尺寸；

将同一尺寸的所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图中各个位置所对应的特征进行组合，得到组合后的第一特征图；

将所述组合后的第一特征图输入所述第二特征提取网络。

在一些实施例中，所述方法还包括采用如下步骤训练所述目标检测分类网络：

获取样本特征图，所述样本特征图中添加有真实框的位置和类别的标签；

基于所述样本特征图对所述目标检测分类网络进行基于体素级别的迭代训练，得到第一轮训练完成的目标检测分类结果；

基于所述样本特征图对所述目标检测分类网络进行基于点云点级别的迭代训练，得到第二轮训练完成的目标检测分类结果。

在一些实施例中，基于所述样本特征图对所述目标检测分类网络进行基于体素级别的迭代训练，包括如下步骤：

将所述样本特征图中每个位置的特征作为一个体素，对所述样本特征图进行基于体素级别的目标标记；

将所述样本特征图输入目标检测分类网络，得到所述目标检测分类网络输出的基于体素级别的目标检测分类结果；

基于所述基于体素级别的目标标记和基于体素级别的目标检测分类结果计算第一损失函数，基于所述第一损失函数迭代训练所述目标检测分类网络。

在一些实施例中，所述计算第一损失函数包括采用如下公式计算第一损失函数L_voxel：

L_voxel＝-α_a(1-p^a)^γlogp^a

其中p^a为每个体素a属于一类别的概率，α_a和γ均为预设系数。

在一些实施例中，基于所述样本特征图对所述目标检测分类网络进行基于点云点级别的迭代训练，得到第二轮训练完成的目标检测分类结果，包括如下步骤：

对所述样本特征图进行基于点云点级别的目标标记；

将所述样本特征图输入目标检测分类网络，得到所述目标检测分类网络输出的基于点云点级别的目标检测分类结果；

基于所述基于点云点级别的目标标记和基于点云点级别的目标检测分类结果计算第二损失函数，基于所述第二损失函数迭代训练所述目标检测分类网络。

在一些实施例中，所述计算第二损失函数包括采用如下公式计算第二损失函数L_point：

L_cls1＝-α_a(1-p^a)^γlogp^a

J_C(y^*,y)＝|{y^*＝c}∩{y＝c}|/|{y^*＝c}∪{y＝c}|

Δ_jc(y^*,y)＝1-J_c(y^*,y)

L_point＝β₁L_cls1+β₂L_cls2

其中p^a为每个点云点a属于一类别的概率，α_a和γ均为预设系数，β₁和β₂为预设的权重系数，c表示当前计算类别，C表示所有类别，y^*表示所述目标检测分类网络输出的预测值，y表示所述预测值所对应的真实值。

本发明实施例还提供一种目标检测与分类系统，用于实现所述的目标检测与分类方法，所述系统包括：

图像网格划分模块，用于获取点云检测数据，确定x-y平面内的二维点云图像，根据第一间隔距离将所述二维点云图像划分为多个网格，以及根据第二间隔距离将所述二维点云数据划分为多个网格；

第一特征提取模块，用于采用第一特征提取算法获取所述第一间隔距离所对应的第一特征图，以及采用第一特征提取算法获取所述第二间隔距离所对应的第一特征图；

第二特征提取模块，用于将所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图组合后输入第二特征提取网络，得到用于检测的第二特征图；

目标检测分类模块，用于将所述第二特征图输入训练好的目标检测分类网络，得到所述目标检测分类网络输出的各个点云点的检测分类结果。

本发明实施例还提供一种目标检测与分类设备，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行所述的目标检测与分类方法的步骤。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的目标检测与分类方法的步骤。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

本发明的目标检测与分类方法、系统、设备及存储介质具有如下有益效果：

本发明通过采用该目标检测与分类方案，将点云空间转换到二维平面中，并且采用两种不同的尺度进行网格划分，将不同尺度的网格的特征图组合后再进行全局特征提取，然后基于目标检测分类网络进行目标检测，从而可以充分利用点云数据中的特征，提高目标检测和分类的准确率。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。

图1是本发明一实施例的目标检测与分类方法的流程图；

图2是本发明一实施例的特征提取算法的流程图；

图3是本发明一实施例的训练目标检测分类网络的流程图；

图4是本发明一实施例的基于体素级别的迭代训练的流程图；

图5是本发明一实施例的基于点云点级别的迭代训练的流程图；

图6是本发明一实施例的目标检测与分类系统的结构示意图；

图7是本发明一实施例的目标检测与分类设备的结构示意图；

图8是本发明一实施例的计算机可读存储介质的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。

如图1所示，本发明实施例提供一种目标检测与分类方法，包括如下步骤：

S100：获取点云检测数据，确定x-y平面内的二维点云图像；

S200：根据第一间隔距离将所述二维点云图像划分为多个网格；

S300：采用第一特征提取算法获取所述第一间隔距离所对应的第一特征图；

S400：根据第二间隔距离将所述二维点云数据划分为多个网格；

此处第二间隔距离与第一间隔距离的数值不同，具体可以根据整体的二维点云图像的尺寸来确定，例如，将第一间隔距离设定为0.1m，即划分得到的每个网格的宽和高分别为0.1m，将第二间隔距离设定为0.2m，即划分得到的每个网格的宽和高分别为0.2m，但本发明不以此为限，在其他可替代的实施方式中，所述第一间隔距离和所述第二间隔距离也可以为其他数值，例如第一间隔距离为0.2m，第二间隔距离为0.1m，第二间隔距离为0.3m，第二间隔距离为0.4m等等，均属于本发明的保护范围之内；

S500：采用第一特征提取算法获取所述第二间隔距离所对应的第一特征图；

由于第二间隔距离和第一间隔距离不同，第一间隔距离所对应的第一特征图和第二间隔距离所对应的特征图的尺寸会有所不同；

S600：将所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图组合后输入第二特征提取网络，得到用于检测的第二特征图；

S700：将所述第二特征图输入训练好的目标检测分类网络，得到所述目标检测分类网络输出的各个点云点的检测分类结果，从而实现了点云语义分割。

该实施例的目标检测与分类方法中，每个步骤的序号仅为区分各个步骤，而不作为各个步骤的具体执行顺序的限定，上述各个步骤之间的执行顺序可以根据需要调整改变。例如，上述步骤中，可以先执行步骤S200,和步骤S400，然后再执行步骤S300和S500，分别针对步骤S200和步骤S400划分的网格提取第一特征图。

本发明通过采用该目标检测与分类方法，将点云空间转换到二维平面中，并且采用两种不同的尺度进行网格划分，将不同尺度的网格的特征图组合后再进行全局特征提取，然后基于目标检测分类网络进行目标检测，从而可以充分利用点云数据中的特征，提高目标检测和分类的准确率。

在该实施例中，所述特征提取算法包括如下步骤：

Z100：获取所述二维点云图像中各个非空网格的张量，所述非空网格的张量包括所述网格中各个点的位置信息和反射率以及所述网格中点云的数量；

Z200：将所述二维点云图像中各个非空网格的张量输入第一特征提取网络，得到所述特征提取网络输出的第一特征图。

即所述步骤S300中，采用上述步骤Z100～Z200对步骤S200中划分了网格后的所述二维点云图像进行特征提取，得到第一间隔距离所对应的第一特征图。所述步骤S500中，采用上述步骤Z100～Z200对步骤S200中划分了网格后的所述二维点云图像进行特征提取，得到第二间隔距离所对应的第一特征图。

在该实施例中，所述步骤Z100：获取所述二维点云图像中各个非空网格的张量，包括如下步骤：

确定所述多个网格中非空网格的位置和数量P；此处非空网格指的即为该网格中具有至少一个点云位置点；

计算所述非空网格中所有点的算术平均中心以及所有点到所述算术平均中心的偏移量，此处算术平均中心即为一个非空网格中所有点的中心位置，此处所述非空网格中的各个点指的是根据所述点云检测数据得到的所述非空网格中的各个点云位置点；

获取所述多个网格中的非空网格的张量D×P×N，所述非空网格的张量中，D包括所述非空网格中算数中心的坐标值x_c,y_c,Z_c、各个点的三维坐标值x,y,z、各个点的反射率r、以及各个点到所述算数中心的偏移量x_p,y_p，N表示所述网格中的点云位置点的数量，P表示所述二维点云图像中非空网格的数量。

在该实施例中，所述步骤Z200：将所述二维点云图像中各个非空网格的张量输入第一特征提取网络，得到所述特征提取网络输出的第一特征图，包括如下步骤：

基于所述非空网格的张量D×P×N输入所述第一特征提取网络，得到张量C1×P×N，其中，C1表示各个点云位置点的点位特征值；此处第一特征提取网络可以由一神经网络实现，例如采用一用于特征提取的卷积神经网络，预先基于样本数据训练好，用于提取各个点的点位特征值；

对于各个所述非空网格，选择其中所有点的点位特征值C1的最大值C2，作为该非空网格的网格特征值，得到张量C2×P；

然后，基于所述非空网格在所述二维点云图像中的位置，将所述非空网格的网格特征值填入到所述二维点云图像的对应位置，得到所述二维点云图像的张量C×H×W，作为第一特征图。其中，C表示所述二维点云图像中各个网格的网格特征值，H表示二维点云图像的高度，W表示二维点云图像的宽度。在所述二维点云图像的张量中，对应于非空网格位置填充值C＝C2，对应于空网格的位置填充值C为预设填充值，例如采用0来填充。

此处以第一间隔距离为0.1m，第二间隔距离为0.2m为例进行说明。所述步骤S300中，采用上述步骤Z100～Z200对步骤S200中划分了网格后的所述二维点云图像进行特征提取，得到第一间隔距离所对应的第一特征图C×H×W。所述步骤S500中，采用上述步骤Z100～Z200对步骤S200中划分了网格后的所述二维点云图像进行特征提取，得到第二间隔距离所对应的第一特征图C/2×H/2×W/2。

在该实施例中，所述步骤S600中，将所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图组合后输入第二特征提取网络，包括如下步骤：

将所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图调整至同一尺寸；

将同一尺寸的所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图中各个位置所对应的特征进行组合，得到组合后的第一特征图；

将所述组合后的第一特征图输入所述第二特征提取网络。

此处以第一间隔距离为0.1m，第二间隔距离为0.2m为例进行说明。可以将第一特征图C/2×H/2×W/2调整到与第一特征图C×H×W的尺寸相同，得到调整尺寸后的第一特征图C/2×H×W；然后将第一特征图C×H×W和调整尺寸后的第一特征图C/2×H×W进行组合，得到组合后的第一特征图然后输入所述第二特征提取网络，进行全局特征提取。

在该实施例中，所述第二特征提取网络包含两个子网络：一个子网络自上而下减小特征图空间尺寸并增加通道数，另一个子网络将第一子网络的特征图上采样并且将各层特征图按通道维度合并。最终输出第二特征图，尺寸为H×W。

如图3所示，在该实施例中，所述方法还包括采用如下步骤训练所述目标检测分类网络：

X100：获取样本特征图，所述样本特征图中添加有真实框的位置和类别的标签；

X200：基于所述样本特征图对所述目标检测分类网络进行基于体素级别的迭代训练，得到第一轮训练完成的目标检测分类结果；

X300：基于所述样本特征图对所述目标检测分类网络进行基于点云点级别的迭代训练，得到第二轮训练完成的目标检测分类结果。

在该实施例中，所述目标检测分类网络可以是深度学习模型，例如卷积神经网络模型等，但本发明不限于此。在其他可替代的实施方式中，其他类型的能够实现目标检测和分类的机器学习模型也可以采用，均属于本发明的保护范围之内。

如图4所示，在该实施例中，所述步骤X200：基于所述样本特征图对所述目标检测分类网络进行基于体素级别的迭代训练，包括如下步骤：

X210：将所述样本特征图中每个位置的特征作为一个体素，对所述样本特征图进行基于体素级别的目标标记；

X220：将所述样本特征图输入目标检测分类网络，得到所述目标检测分类网络输出的基于体素级别的目标检测分类结果；

X230：基于所述基于体素级别的目标标记和基于体素级别的目标检测分类结果计算第一损失函数，基于所述第一损失函数迭代训练所述目标检测分类网络。

在该实施例中，所述步骤X230中，计算第一损失函数包括对目标检测分类网络的结果特征图中每一个体素点进行分类结果预测，计算类别损失函数的预测值和真实值的偏差，并以此优化更新目标检测分类网络的权重。具体地，在该实施例中，采用如下公式计算第一损失函数L_voxel：

L_voxel＝-α_a(1-p^a)^γlogp^a

其中p^a为每个体素a属于一类别的概率，α_a和γ均为预设系数。例如，α_a和γ可以分别设置为0.25和2，但本发明不以此为限。

如图5所示，在该实施例中，所述步骤X300：基于所述样本特征图对所述目标检测分类网络进行基于点云点级别的迭代训练，得到第二轮训练完成的目标检测分类结果，包括如下步骤：

X310：对所述样本特征图进行基于点云点级别的目标标记；

X320：将所述样本特征图输入目标检测分类网络，得到所述目标检测分类网络输出的基于点云点级别的目标检测分类结果；

X330：基于所述基于点云点级别的目标标记和基于点云点级别的目标检测分类结果计算第二损失函数，基于所述第二损失函数迭代训练所述目标检测分类网络。

在该实施例中，所述步骤X320中，计算第二损失函数包括选取目标检测分类网络输出的结果特征图中的每一个体素，对其中包含的点云点进行分类结果预测，计算类别损失函数的预测值和实际值偏差，并以此优化更新目标检测分类模型的网络权重。具体地，在该实施例中，检测框分类损失函数包括两个部分，采用如下公式计算第二损失函数L_point：

L_cls1＝-α_a(1-p^a)^γlogp^a

J_C(y^*,y)＝|{y^*＝c}∩{y＝c}|/|{y^*＝c}∪{y＝c}|

Δ_jc(y^*,y)＝1-J_c(y^*,y)

L_point＝β₁L_cls1+β₂L_cls2

其中p^a为每个点云点a属于一类别的概率，α_a和γ均为预设系数，β₁和β₂为预设的权重系数，c表示当前计算类别，C表示所有类别，y^*表示所述目标检测分类网络输出的预测值，y表示所述预测值所对应的真实值。

如图6所示，本发明实施例还提供一种目标检测与分类系统，用于实现所述的目标检测与分类方法，所述系统包括：

图像网格划分模块M100，用于获取点云检测数据，确定x-y平面内的二维点云图像，根据第一间隔距离将所述二维点云图像划分为多个网格，以及根据第二间隔距离将所述二维点云数据划分为多个网格；

第一特征提取模块M200，用于采用第一特征提取算法获取所述第一间隔距离所对应的第一特征图，以及采用第一特征提取算法获取所述第二间隔距离所对应的第一特征图；

第二特征提取模块M300，用于将所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图组合后输入第二特征提取网络，得到用于检测的第二特征图；

目标检测分类模块M400，用于将所述第二特征图输入训练好的目标检测分类网络，得到所述目标检测分类网络输出的各个点云点的检测分类结果。

本发明的目标检测与分类系统中，各个模块的功能可以采用如上所述的目标检测与分类方法的具体实施方式来实现，此处不予赘述。

本发明通过采用该目标检测与分类系统，通过图像网格划分模块M100将点云空间转换到二维平面中，并且通过第一特征提取模块M200采用两种不同的尺度进行网格划分，通过第二特征提取模块M300将不同尺度的网格的特征图组合后再进行全局特征提取，然后通过目标检测分类模块M400基于目标检测分类网络进行目标检测，从而可以充分利用点云数据中的特征，提高目标检测和分类的准确率。

本发明实施例还提供一种目标检测与分类设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的目标检测与分类方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。

下面参照图7来描述根据本发明的这种实施方式的电子设备600。图7显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述目标检测与分类方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

所述目标检测与分类设备中，所述存储器中的程序被处理器执行时实现所述的目标检测与分类方法的步骤，因此，所述设备也可以获得上述目标检测与分类方法的技术效果。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的目标检测与分类方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上执行时，所述程序代码用于使所述终端设备执行本说明书上述目标检测与分类方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图8所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上执行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品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为但不限于电、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。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

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发明操作的程序代码，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。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

所述计算机存储介质中的程序被处理器执行时实现所述的目标检测与分类方法的步骤，因此，所述计算机存储介质也可以获得上述目标检测与分类方法的技术效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (11)

1.一种目标检测与分类方法，其特征在于，包括如下步骤：

S100：获取点云检测数据，确定x-y平面内的二维点云图像；

S200：根据第一间隔距离将所述二维点云图像划分为多个网格，每个网格的宽和高等于所述第一间隔距离；

S300：采用第一特征提取算法获取所述第一间隔距离所对应的第一特征图，所述第一间隔距离所对应的第一特征图中包括根据所述第一间隔距离分隔得到的各个网格的网格特征值；

S400：根据第二间隔距离将所述二维点云数据划分为多个网格，每个网格的宽和高等于所述第二间隔距离；

S500：采用第一特征提取算法获取所述第二间隔距离所对应的第一特征图，所述第二间隔距离所对应的第一特征图包括根据所述第二间隔距离分隔得到的各个网格的网格特征值；

S600：将所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图组合后输入第二特征提取网络，得到用于检测的第二特征图；

S700：将所述第二特征图输入训练好的目标检测分类网络，得到所述目标检测分类网络输出的各个点云点的检测分类结果；

所述步骤S600中，将所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图组合后输入第二特征提取网络，包括如下步骤：

将所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图调整至同一尺寸；

将同一尺寸的所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图中各个位置所对应的特征进行组合，得到组合后的第一特征图；

将所述组合后的第一特征图输入所述第二特征提取网络。

2.根据权利要求1所述的目标检测与分类方法，其特征在于，所述特征提取算法包括如下步骤：

获取所述二维点云图像中各个非空网格的张量，所述非空网格的张量包括所述网格中各个点的位置信息和反射率以及所述网格中点云的数量；

将所述二维点云图像中各个非空网格的张量输入第一特征提取网络，得到所述特征提取网络输出的第一特征图。

3.根据权利要求2所述的目标检测与分类方法，其特征在于，获取所述二维点云图像中各个非空网格的张量，包括如下步骤：

计算所述非空网格中所有点的算术平均中心以及所有点到所述算术平均中心的偏移量；

获取所述多个网格中的非空网格的张量，所述非空网格的张量包括所述非空网格中算数中心的坐标值、各个点的三维坐标值、反射率、各个点到所述算数中心的偏移量以及所述网格中的点云数量。

4.根据权利要求1所述的目标检测与分类方法，其特征在于，所述方法还包括采用如下步骤训练所述目标检测分类网络：

获取样本特征图，所述样本特征图中添加有真实框的位置和类别的标签；

基于所述样本特征图对所述目标检测分类网络进行基于体素级别的迭代训练，得到第一轮训练完成的目标检测分类结果；

基于所述样本特征图对所述目标检测分类网络进行基于点云点级别的迭代训练，得到第二轮训练完成的目标检测分类结果。

5.根据权利要求4所述的目标检测与分类方法，其特征在于，基于所述样本特征图对所述目标检测分类网络进行基于体素级别的迭代训练，包括如下步骤：

将所述样本特征图中每个位置的特征作为一个体素，对所述样本特征图进行基于体素级别的目标标记；

将所述样本特征图输入目标检测分类网络，得到所述目标检测分类网络输出的基于体素级别的目标检测分类结果；

基于所述基于体素级别的目标标记和基于体素级别的目标检测分类结果计算第一损失函数，基于所述第一损失函数迭代训练所述目标检测分类网络。

6.根据权利要求5所述的目标检测与分类方法，其特征在于，所述计算第一损失函数包括采用如下公式计算第一损失函数L_voxel：

L_voxel＝-α_a(1-p^a)^γlogp^a

其中p^a为每个体素a属于该类别的概率，α_a和γ均为预设系数。

7.根据权利要求4所述的目标检测与分类方法，其特征在于，基于所述样本特征图对所述目标检测分类网络进行基于点云点级别的迭代训练，得到第二轮训练完成的目标检测分类结果，包括如下步骤：

对所述样本特征图进行基于点云点级别的目标标记；

将所述样本特征图输入目标检测分类网络，得到所述目标检测分类网络输出的基于点云点级别的目标检测分类结果；

基于所述基于点云点级别的目标标记和基于点云点级别的目标检测分类结果计算第二损失函数，基于所述第二损失函数迭代训练所述目标检测分类网络。

8.根据权利要求7所述的目标检测与分类方法，其特征在于，所述计算第二损失函数包括采用如下公式计算第二损失函数L_point：

L_cls1＝-α_a(1-p^a)^γlogp^a

J_C(y^*，y)＝|{y^*＝c}∩{y＝c}|/|{y^*＝c}U{y＝c}|

L_point＝β₁L_cls1+β₂L_cls2

其中p^a为每个点云点a属于该类别的概率，α_a和γ均为预设系数，β₁和β₂为预设的权重系数，c表示当前计算类别，C表示所有类别，y^*表示所述目标检测分类网络输出的预测值，y表示所述预测值所对应的真实值。

9.一种目标检测与分类系统，其特征在于，用于实现权利要求1至8中任一项所述的目标检测与分类方法，所述系统包括：

图像网格划分模块，用于获取点云检测数据，确定x-y平面内的二维点云图像，根据第一间隔距离将所述二维点云图像划分为多个网格，以及根据第二间隔距离将所述二维点云数据划分为多个网格；

第一特征提取模块，用于采用第一特征提取算法获取所述第一间隔距离所对应的第一特征图，以及采用第一特征提取算法获取所述第二间隔距离所对应的第一特征图；

第二特征提取模块，用于将所述第一间隔距离所对应的第一特征图和所述第二间隔距离所对应的第一特征图组合后输入第二特征提取网络，得到用于检测的第二特征图；

目标检测分类模块，用于将所述第二特征图输入训练好的目标检测分类网络，得到所述目标检测分类网络输出的各个点云点的检测分类结果。

10.一种目标检测与分类设备，其特征在于，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至8中任一项所述的目标检测与分类方法的步骤。

11.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现权利要求1至8中任一项所述的目标检测与分类方法的步骤。