CN115346209A - 机动车三维目标检测方法、装置及计算机可读存储介质 - Google Patents

机动车三维目标检测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN115346209A
CN115346209A CN202210985061.2A CN202210985061A CN115346209A CN 115346209 A CN115346209 A CN 115346209A CN 202210985061 A CN202210985061 A CN 202210985061A CN 115346209 A CN115346209 A CN 115346209A
Authority
CN
China
Prior art keywords
feature
dimensional
motor vehicle
dimensional target
depth information
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.)
Pending
Application number
CN202210985061.2A
Other languages
English (en)
Inventor
罗小平
蔡军
曹继
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 Longhorn Automotive Electronic Equipment Co Ltd
Original Assignee
Shenzhen Longhorn Automotive Electronic Equipment 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 Longhorn Automotive Electronic Equipment Co Ltd filed Critical Shenzhen Longhorn Automotive Electronic Equipment Co Ltd
Priority to CN202210985061.2A priority Critical patent/CN115346209A/zh
Publication of CN115346209A publication Critical patent/CN115346209A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种机动车三维目标检测方法、装置及计算机可读存储介质，所述方法包括：获取第一原始图像和第二原始图像；采用预先训练好的深度信息提取模型从第一原始图像和第二原始图像中提取出深度信息，筛选去除三维目标中的干扰三维目标；对各个三维目标的深度信息进行卷积计算，将卷积计算结果投影至预存的注意力机制模型内以获得待计算特征，获得三维目标的语义特征，将语义特征作为特征分类分支；对深度信息进行卷积处理以获得待强化特征，将待强化特征进行处理获得待提取特征，获得特征回归分支；以及获得三维目标的类别置信度和三维数据信息。本实施例能有效提升三维目标检测效率，降低内存消耗和成本。

Description

机动车三维目标检测方法、装置及计算机可读存储介质
技术领域
本发明实施例涉及车载环境下的三维目标检测技术领域，尤其涉及一种机动车三维目标检测方法、装置及计算机可读存储介质。
背景技术
目前，机动车上通常搭载有检测车身周围物体的三维信息以辅助机动车实现精确自动驾驶的三维目标检测装置。
现有的一种机动车三维目标检测方法通常采用安装在机动车上的激光雷达扫描获取车身周边环境中的三维物体的三维数据，然后将三维物体的三维数据通过卷积神经网络进行处理从而判断三维物体的类别和三维距离。
但是，发明人在具体实施时发现，上述机动车三维目标检测方法的计算过程相对复杂，导致三维目标检测效率相对较低，而且在采用卷积神经网络对三维物体的三维数据进行处理时，需要消耗大量内存，而且激光雷达的成本也相对较高。
发明内容
本发明实施例要解决的技术问题在于，提供一种机动车三维目标检测方法，能有效提升三维目标检测效率，降低内存消耗和成本。
本发明实施例进一步要解决的技术问题在于，提供一种机动车三维目标检测装置，能有效提升三维目标检测效率，降低内存消耗和成本。
本发明实施例进一步要解决的技术问题在于，提供一种计算机可读存储介质，以存储能有效提升三维目标检测效率，降低内存消耗和成本的计算机程序。
为了解决上述技术问题，本发明实施例首先提供以下技术方案：一种机动车三维目标检测方法，包括以下步骤：
从两个从不同视角同时拍摄机动车车身周围同一区域的车载摄像头所分别采集的视频影像中获取第一原始图像和第二原始图像；
采用预先训练好的深度信息提取模型从所述第一原始图像和第二原始图像中分别提取出同一三维目标对应的深度信息，并筛选去除所述三维目标中的干扰目标；
采用两个预定尺寸的卷积核对各个三维目标的深度信息进行卷积计算以分别获得第一待投影特征和第二待投影特征，将所述第一待投影特征和第二待投影特征分别作为注意力机制的查询值和键值投影至预存的注意力机制模型内以获得待计算特征，将所述待计算特征进行缩放点积计算以获得所述三维目标的语义特征，将所述语义特征作为特征分类分支；
采用预定的主干卷积网络对各个三维目标的深度信息进行卷积处理以获得待强化特征，将所述待强化特征依次通过两个预定节点数的全连接层后采用预存的SEblock模型计算获得待提取特征，将所述待强化特征和所述待提取特征输入sigmoid激励函数以获得各个三维目标的几何特征，将所述几何特征作为特征回归分支；以及
将所述特征分类分支和所述特征回归分支输入预存的Transformer网络模型进行计算以获得各个三维目标的类别置信度和三维数据信息。
进一步的，所述深度信息提取模型采用大量标定好三维目标的训练图像分别输入至一个DenseNet深度学习网络后经数据归一化和数据增广获得。
进一步的，所述预定的主干卷积网络为MobileNet网络、RetinaNet网络或EfficientNet网络。
进一步的，在获得所述三维目标的语义特征后，采用尺寸为1*1的卷积核对所述注意力权重进行卷积处理后将卷积处理后的注意力权重作为所述特征分类分支。
进一步的，所述两个预定尺寸的卷积核均为3*3的卷积核。
进一步的，所述两个预定节点数的全连接层均为1024节点的全连接层。
另一方面，为了解决上述进一步的技术问题，本发明实施例再提供以下技术方案：一种机动车三维目标检测装置，与两个车载摄像头相连，所述机动车三维目标检测装置包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的机动车三维目标检测方法。
进一步的，所述两个车载摄像头集成为一个车载双目摄像装置。
再一方面，为了解决上述进一步的技术问题，本发明实施例再提供以下技术方案：一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的机动车三维目标检测方法。
采用上述技术方案后，本发明实施例至少具有如下有益效果：本发明实施例通过从不同视角拍摄机动车周围同一区域的两个车载摄像头采集的视频影像中分别获取第一原始图像和第二原始图像后，利用第一原始图像和第二原始图像中同一三维目标的差异，采用预先训练好的深度信息提取模型从中提取出三维目标对应的深度信息，替代传统技术中利用激光雷达获取三维目标的三维信息，从而降低成本；进一步依次采用两个预定尺寸的卷积核、预存的注意力机制模型以及缩放点积计算对深度信息进行处理以获得所述三维目标的语义特征，并将所述语义特征作为特征分类分支；同时，采用预定的主干卷积网络、两个预定节点数的全连接层、预存的SEblock模型以及sigmoid激励函数也对深度信息进行处理以获得各个三维目标的几何特征，将所述几何特征作为特征回归分支，最后将获得特征分类分支和特征回归分支输入至Transformer网络模型计算获得三维目标的类别置信度和三维数据信息，整体过程结合了Transfomer注意力机制与卷积网络，同时融合全局信息与语义信息，能有效提升对三维目标的检测效率，并且降低对内存的消耗。
附图说明
图1为本发明机动车三维目标检测方法一个可选实施例的步骤流程图。
图2为本发明机动车三维目标检测装置一个可选实施例的原理框图。
图3为本发明机动车三维目标检测装置一个可选实施例的功能模块图。
具体实施方式
下面结合附图和具体实施例对本申请作进一步详细说明。应当理解，以下的示意性实施例及说明仅用来解释本发明，并不作为对本发明的限定，而且，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。
如图1所示，本发明一个可选实施例提供一种机动车三维目标检测方法，包括以下步骤：
S1：从两个从不同视角同时拍摄机动车车身周围同一区域的车载摄像头1所分别采集的视频影像中获取第一原始图像和第二原始图像；
S2：采用预先训练好的深度信息提取模型从所述第一原始图像和第二原始图像中分别提取出同一三维目标对应的深度信息，并筛选去除所述三维目标中的干扰目标；
S3：采用两个预定尺寸的卷积核对各个三维目标的深度信息进行卷积计算以分别获得第一待投影特征和第二待投影特征，将所述第一待投影特征和第二待投影特征分别作为注意力机制的查询值(query)和键值(keys)投影至预存的注意力机制模型内以获得待计算特征，将所述待计算特征进行缩放点积计算以获得所述三维目标的语义特征，将所述语义特征作为特征分类分支；
S4：采用预定的主干卷积网络对各个三维目标的深度信息进行卷积处理以获得待强化特征，将所述待强化特征依次通过两个预定节点数的全连接层后采用预存的SEblock模型计算获得待提取特征，将所述待强化特征和所述待提取特征输入sigmoid激励函数以获得各个三维目标的几何特征，将所述几何特征作为特征回归分支；以及
S5：将所述特征分类分支和所述特征回归分支输入预存的Transformer网络模型进行计算以获得各个三维目标的类别置信度和三维数据信息。
本发明实施例通过从不同视角拍摄机动车周围同一区域的两个车载摄像头1采集的视频影像中分别获取第一原始图像和第二原始图像后，利用第一原始图像和第二原始图像中同一三维目标的差异，采用预先训练好的深度信息提取模型从中提取出三维目标对应的深度信息，替代传统技术中利用激光雷达获取三维目标的三维信息，从而降低成本；进一步依次采用两个预定尺寸的卷积核、预存的注意力机制模型以及缩放点积计算对深度信息进行处理以获得所述三维目标的语义特征，并将所述语义特征作为特征分类分支；同时，采用预定的主干卷积网络、两个预定节点数的全连接层、预存的SEblock模型以及sigmoid激励函数也对深度信息进行处理以获得各个三维目标的几何特征，将所述几何特征作为特征回归分支，最后将获得特征分类分支和特征回归分支输入至Transformer网络模型计算获得三维目标的类别置信度和三维数据信息，整体过程结合了Transfomer注意力机制与卷积网络，同时融合全局信息与语义信息，能有效提升对三维目标的检测效率，并且降低对内存的消耗。
在具体实施时，将所述特征分类分支和所述特征回归分支输入预存的Transformer网络模型后，所述Transformer网络模型会以文本形式处理特征序列，最终输出三维目标的类别、类别对应的置信度以及三维目标的三维数据(例如：三维目标的长、宽、高以及与机动车的三维距离等)；另外，筛选去除所述三维目标中的干扰目标，其中，干扰目标通常是指图像中背景区域。
在本发明一个可选实施例中，所述深度信息提取模型采用大量标定好三维目标的训练图像分别输入至一个DenseNet深度学习网络后经数据归一化和数据增广获得。本实施例中，采用上述训练过程获得基于深度学习的深度信息提取模型，其涵盖图像信息相对较广，生成的深度信息提取模型能有效提取出各类三维目标的深度信息。
在具体过程中，具体训练过程如下：
首先，将预先三维目标的训练图像分别输入至一个DenseNet深度学习网络，进行对比计算得到同一三维目标的灰度信息，将三维目标的灰度信息作为其深度信息，以此作为先验条件，不同灰度值对应不同深度信息，不同三维目标对应不同深度信息；然后，将所有三维目标的深度信息进行归一化处理转化到[-1，1]的区间范围内，最后，归一化后的深度信息采用绕世界坐标的X轴和Y轴进行翻转以及绕Z轴旋转的方法实现数据增广，最终获得深度信息提取模型。
在本发明一个可选实施例中，所述预定的主干卷积网络为MobileNet网络、RetinaNet网络或EfficientNet网络。本实施例中，上述主干卷积网络可以采用MobileNet网络、RetinaNet网络或EfficientNet网络，对三维目标的深度信息进行卷积处理，对应的主干卷积网络能有效强化三维目标的特征，提升检测和识别的准确度。
在本发明一个可选实施例中，在获得所述三维目标的语义特征后，采用尺寸为1*1的卷积核对所述注意力权重进行卷积处理后将卷积处理后的注意力权重作为所述特征分类分支。本实施例中，在获得注意力权重后，先尺寸为1*1的卷积核对所述注意力权重进行卷积处理，能使得注意力权重适配后续Transformer网络模型的输入要求，增加网络的非线性能力，提高网络的表达能力。
在本发明一个可选实施例中，所述两个预定尺寸的卷积核均为3*3的卷积核。本实施例中，采用卷积核的尺寸仅为3*3，进行卷积计算时，计算量相对较小，减小内存消耗，而且，也能在一定程度内有效提升网络的表达能力。
在本发明一个可选实施例中，所述两个预定节点数的全连接层均为1024节点的全连接层。本实施例中，采用上述节点的全连接层，全连接层的主要作用就是将特征表示整合成一个值，能有效减少特征位置对于分类结果的影响，提高整个网络的鲁棒性。
另一方面，如图2所示，本发明实施例再提供一种机动车三维目标检测装置，与两个车载摄像头1相连，所述机动车三维目标检测装置3包括处理器30、存储器32以及存储在所述存储器32中且被配置为由所述处理器30执行的计算机程序，所述处理器30执行所述计算机程序时实现如上述任意一项所述的机动车三维目标检测方法。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器32中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述机动车三维目标检测装置3中的执行过程。例如，所述计算机程序可以被分割成图3所述的机动车三维目标检测装置3中的功能模块，其中，图像获取模块41、深度信息提取模块42、特征分类模块43、特征回归模块44以及Transformer模块45分别对应执行以上的步骤S1-步骤S5。
所述机动车三维目标检测装置3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述机动车三维目标检测装置3可包括，但不仅限于，处理器30、存储器32。本领域技术人员可以理解，所述示意图仅仅是机动车三维目标检测装置3的示例，并不构成对机动车三维目标检测装置3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机动车三维目标检测装置3还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器30是所述机动车三维目标检测装置3的控制中心，利用各种接口和线路连接整个机动车三维目标检测装置3的各个部分。
所述存储器32可用于存储所述计算机程序和/或模块，所述处理器30通过运行或执行存储在所述存储器32内的计算机程序和/或模块，以及调用存储在存储器32内的数据，实现所述机动车三维目标检测装置3的各种功能。所述存储器32可主要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、至少一个功能所需的应用程序(比如图形识别功能、图形层叠功能等)等；存储数据区可存储根据标定装置的使用所创建的数据(比如图形数据等)等。此外，存储器32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，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明实施例所述的功能如果以软件功能模块或单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本发明实施例实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器30执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明一个可选实施例中，所述两个车载摄像头1集成为一个车载双目摄像装置。本实施例中，将两个车载摄像头1集成为一个车载双目摄像装置，整体安装结构相对简单，都能同时从不同视角拍摄机动车车身周围同一区域。
再一方面，本发明实施例再提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的机动车三维目标检测方法。
本说明书中各个实施例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部分互相参见即可。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护范围之内。

Claims (9)

1.一种机动车三维目标检测方法，其特征在于，所述方法包括以下步骤：
从两个从不同视角同时拍摄机动车车身周围同一区域的车载摄像头所分别采集的视频影像中获取第一原始图像和第二原始图像；
采用预先训练好的深度信息提取模型从所述第一原始图像和第二原始图像中分别提取出同一三维目标对应的深度信息，并筛选去除所述三维目标中的干扰目标；
采用两个预定尺寸的卷积核对各个三维目标的深度信息进行卷积计算以分别获得第一待投影特征和第二待投影特征，将所述第一待投影特征和第二待投影特征分别作为注意力机制的查询值和键值投影至预存的注意力机制模型内以获得待计算特征，将所述待计算特征进行缩放点积计算以获得所述三维目标的语义特征，将所述语义特征作为特征分类分支；
采用预定的主干卷积网络对各个三维目标的深度信息进行卷积处理以获得待强化特征，将所述待强化特征依次通过两个预定节点数的全连接层后采用预存的SEblock模型计算获得待提取特征，将所述待强化特征和所述待提取特征输入sigmoid激励函数以获得各个三维目标的几何特征，将所述几何特征作为特征回归分支；以及
将所述特征分类分支和所述特征回归分支输入预存的Transformer网络模型进行计算以获得各个三维目标的类别置信度和三维数据信息。
2.如权利要求1所述的机动车三维目标检测方法，其特征在于，所述深度信息提取模型采用大量标定好三维目标的训练图像分别输入至一个DenseNet深度学习网络后经数据归一化和数据增广获得。
3.如权利要求1所述的机动车三维目标检测方法，其特征在于，所述预定的主干卷积网络为MobileNet网络、RetinaNet网络或EfficientNet网络。
4.如权利要求1所述的机动车三维目标检测方法，其特征在于，在获得所述三维目标的语义特征后，采用尺寸为1*1的卷积核对所述注意力权重进行卷积处理后将卷积处理后的注意力权重作为所述特征分类分支。
5.如权利要求1所述的机动车三维目标检测方法，其特征在于，所述两个预定尺寸的卷积核均为3*3的卷积核。
6.如权利要求1所述的机动车三维目标检测方法，其特征在于，所述两个预定节点数的全连接层均为1024节点的全连接层。
7.一种机动车三维目标检测装置，与两个车载摄像头相连，其特征在于，所述机动车三维目标检测装置包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的机动车三维目标检测方法。
8.如权利要求7所述的机动车三维目标检测装置，其特征在于，所述两个车载摄像头集成为一个车载双目摄像装置。
9.一种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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的机动车三维目标检测方法。
CN202210985061.2A 2022-08-17 2022-08-17 机动车三维目标检测方法、装置及计算机可读存储介质 Pending CN115346209A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210985061.2A CN115346209A (zh) 2022-08-17 2022-08-17 机动车三维目标检测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210985061.2A CN115346209A (zh) 2022-08-17 2022-08-17 机动车三维目标检测方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN115346209A true CN115346209A (zh) 2022-11-15

Family

ID=83952379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210985061.2A Pending CN115346209A (zh) 2022-08-17 2022-08-17 机动车三维目标检测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN115346209A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953418A (zh) * 2023-02-01 2023-04-11 公安部第一研究所 安检ct三维图像中笔记本区域剥离方法、存储介质及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953418A (zh) * 2023-02-01 2023-04-11 公安部第一研究所 安检ct三维图像中笔记本区域剥离方法、存储介质及设备
CN115953418B (zh) * 2023-02-01 2023-11-07 公安部第一研究所 安检ct三维图像中笔记本区域剥离方法、存储介质及设备

Similar Documents

Publication Publication Date Title
US10445602B2 (en) Apparatus and method for recognizing traffic signs
CN112528878A (zh) 检测车道线的方法、装置、终端设备及可读存储介质
CN111860398B (zh) 遥感图像目标检测方法、系统及终端设备
CN113469088B (zh) 一种无源干扰场景下的sar图像舰船目标检测方法及系统
CN110148117B (zh) 基于电力图像的电力设备缺陷识别方法、装置与存储介质
CN111860496A (zh) 车牌识别方法、装置、设备及计算机可读存储介质
CN112200191B (zh) 图像处理方法、装置、计算设备及介质
CN110689578A (zh) 一种基于单目视觉的无人机障碍物识别方法
CN113255433A (zh) 模型训练方法、装置和计算机存储介质
CN114581646A (zh) 文本识别方法、装置、电子设备及存储介质
CN114330565A (zh) 一种人脸识别方法及装置
CN115346209A (zh) 机动车三维目标检测方法、装置及计算机可读存储介质
CN111507340A (zh) 一种基于三维点云数据的目标点云数据提取方法
CN116229406B (zh) 车道线检测方法、系统、电子设备及存储介质
CN113191189A (zh) 人脸活体检测方法、终端设备及计算机可读存储介质
CN112529917A (zh) 一种三维目标分割方法、装置、设备和存储介质
CN111915645A (zh) 影像匹配方法、装置、计算机设备及计算机可读存储介质
CN111144361A (zh) 一种基于二值化cgan网络的公路车道检测方法
CN111222558A (zh) 图像处理方法及存储介质
CN114359572A (zh) 多任务检测模型的训练方法、装置及终端设备
CN113673513A (zh) 一种车牌识别方法、装置、设备及介质
CN112465076A (zh) 多特征融合的方法、装置、系统及存储介质
CN115375997B (zh) 一种海面的目标检测方法、目标检测装置及终端设备
CN113837270B (zh) 一种目标识别方法、装置、设备及存储介质
CN115240249B (zh) 人脸识别的特征提取分类度量学习方法、系统及存储介质

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