CN115761694A - 一种目标检测方法、装置、终端设备及存储介质 - Google Patents
一种目标检测方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN115761694A CN115761694A CN202211371748.3A CN202211371748A CN115761694A CN 115761694 A CN115761694 A CN 115761694A CN 202211371748 A CN202211371748 A CN 202211371748A CN 115761694 A CN115761694 A CN 115761694A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- detection
- target
- processing
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请适用于人工智能技术领域,提供了一种目标检测方法、装置、终端设备及计算机可读存储介质,所述方法包括:获取源点云数据;将源点云数据输入至已训练的目标检测模型进行处理,得到源点云数据的目标检测结果;其中,目标检测模型为包括多个检测头的神经网络,多个检测头分别用于检测源点云数据中不同的目标对象。与现有技术中仅使用单一检测头进行检测相比,本申请中的目标检测模型包括多个分别用于检测源点云数据中不同的目标对象的检测头,使得本申请可以准确的区分不同的目标对象,从而提高了对目标的检测准确率。
Description
技术领域
本申请属于人工智能技术领域,尤其涉及一种目标检测方法、装置、终端设备及计算机可读存储介质。
背景技术
在现有的自动驾驶场景中,利用激光雷达对场景中的目标进行检测,确定目标与自动驾驶设备之间的相对位置、目标的种类等信息是一种常用手段。
现有的目标检测方法通常是将通过激光雷达获取到点云数据输入至目标检测模型进行处理,以得到检测结果。然而,现有的目标检测模型通常无法准确区分不同的目标对象,存在检测准确率较低的问题。
发明内容
本申请实施例提供了一种目标检测方法、装置、终端设备及计算机可读存储介质,能够准确的区分不同的目标对象,从而提高了对目标的检测准确率。
第一方面,本申请实施例提供了一种目标检测方法,包括:
获取源点云数据;
将所述源点云数据输入至已训练的目标检测模型进行处理,得到所述源点云数据的目标检测结果;其中,所述目标检测模型为包括多个检测头的神经网络,所述多个检测头分别用于检测所述源点云数据中不同的目标对象。
可选的,所述将所述源点云数据输入至已训练的目标检测模型进行处理,得到所述源点云数据的目标检测结果,包括:
将所述源点云数据输入所述目标检测模型进行处理,得到每个所述检测头的第一检测结果;
分别对每个所述检测头的第一检测结果进行非极大抑制处理,得到每个所述检测头的第二检测结果;
将每个所述检测头的第二检测结果合并,得到中间检测结果;
对所述中间检测结果进行非极大抑制处理,得到所述目标检测结果。
可选的,所述不同的目标对象包括不同类别的目标对象,不同形状的目标对象或者不同数量的目标对象。
可选的,在所述将所述源点云数据输入至已训练的目标检测模型进行处理,得到所述源点云数据的目标检测结果之前,还包括:
获取样本点云数据,所述样本点云数据包括已标注目标对象检测框的第一点云数据;
根据所述样本点云数据,对预构建的初始检测模型进行优化训练,得到所述目标检测模型;所述初始检测模型包括多个检测头。
可选的,所述获取样本点云数据,包括:
获取所述第一点云数据以及未标注目标对象检测框的第二点云数据,所述第一点云数据和所述第二点云数据对应同一场景;
将所述第一点云数据转换为第一格式的点云数据,以及将所述第二点云数据转换为第二格式的点云数据;
根据所述第一格式的点云数据和所述第二格式的点云数据,生成所述样本点云数据。
可选的,所述获取样本点云数据,包括:
获取已采集的针对同一场景的连续多帧点云数据;
对所述连续多帧点云数据进行分帧处理,得到多个单帧点云数据;
对所述多个单帧点云数据进行过滤处理,并将所述过滤处理后余下的点云数据确定为所述样本点云数据。
可选的,所述初始检测模型包括骨干网络、颈部网络以及多个检测头;所述根据所述样本点云数据,对预构建的初始检测模型进行优化训练,得到所述目标检测模型;所述初始检测模型包括多个检测头,包括:
提取所述样本点云数据的第一点云特征;将所述第一点云特征输入至所述骨干网络进行特征提取处理,得到第二点云特征;
将所述第二点云特征输入至所述颈部网络进行特征融合处理,得到融合特征;
将所述融合特征输入至所述多个检测头进行处理,得到所述融合特征对应的多个预测结果;
根据所述多个预测结果和所述样本点云数据已标注的目标对象检测框,计算得到损失函数;
根据所述损失函数对所述初始检测模型进行优化训练,得到所述目标检测模型。
第二方面,本申请实施例提供了一种目标检测装置,包括:
第一获取单元,用于获取源点云数据;
第一处理单元,用于将所述源点云数据输入至已训练的目标检测模型进行处理,得到所述源点云数据的目标检测结果;其中,所述目标检测模型为包括多个检测头的神经网络,所述多个检测头分别用于检测所述源点云数据中不同的目标对象。
第三方面,本申请实施例提供了一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的目标检测方法。
第四方面,本申请实施例提供了一种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程序,所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的目标检测方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备可执行上述第一方面中任一项所述的目标检测方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例提供的一种目标检测方法,通过获取源点云数据;将源点云数据输入至已训练的目标检测模型进行处理,得到源点云数据的目标检测结果;其中,目标检测模型为包括多个检测头的神经网络,多个检测头分别用于检测源点云数据中不同的目标对象。与现有技术中仅使用单一检测头进行检测相比,本申请中的目标检测模型包括多个分别用于检测源点云数据中不同的目标对象的检测头,使得本申请实施例提供的方法可以准确的区分不同的目标对象,从而提高了对目标的检测准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的目标检测方法的实现流程图;
图2是本申请另一实施例提供的目标检测方法的实现流程图;
图3是本申请再一实施例提供的目标检测方法的实现流程图;
图4是本申请又一实施例提供的目标检测方法的实现流程图;
图5是本申请又一实施例提供的目标检测方法的实现流程图;
图6是本申请又一实施例提供的目标检测方法的实现流程图;
图7是本申请一实施例提供的目标检测装置的结构示意图;
图8是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
请参阅图1,图1是本申请一实施例提供的一种目标检测方法的实现流程图。本申请实施例中,该目标检测方法的执行主体为终端设备。
如图1所示,本申请一实施例提供的目标检测方法可以包括S101~S102,详述如下:
在S101中,获取源点云数据。
以本申请实施例提供的方法应用于汽车领域为例,当汽车处于自动驾驶状态时,该汽车需要识别其周围的相关物体,以做出决策、执行路径规划或发出制动操作等。其中,相关物体包括但不限于各种类型的其他车辆(例如汽车、卡车、拖车)、电动车、自行车、骑自行车的人、行人、车道边界、道路标志等。
因此,本申请实施例中,汽车在需要识别其周围的相关物体时,汽车中的终端设备可以获取在上述场景下的源点云数据。
在本申请实施例的一种实现方式中,终端设备可以通过与其无线通信连接的采集设备实时获取到上述场景下的源点云数据。其中,采集设备可以是激光雷达或毫米波雷达。
在S102中,将所述源点云数据输入至已训练的目标检测模型进行处理,得到所述源点云数据的目标检测结果;其中,所述目标检测模型为包括多个检测头的神经网络,所述多个检测头分别用于检测所述源点云数据中不同的目标对象。
本申请实施例中,终端设备在得到源点云数据后,可以将该源点云数据输入至已训练的目标检测模型进行处理,从而得到上述源点云数据的目标检测结果。其中,该目标检测结果可以是包含用于标注不同的目标对象的检测框的图像数据。目标对象包括但不限于电动车、自行车、汽车、卡车及行人等。
需要说明的是,由于不同的目标对象差异较大,然而使用同一个检测头对不同的目标对象进行检测时,无法很好的输出不同的目标对象的差异特征,从而导致检测效果不佳,因此,本申请实施例中的目标检测模型为包括多个检测头(Head)的神经网络。其中,多个检测头分别用于检测源点云数据中不同的目标对象。
由于多个检测头分别用于检测源点云数据中不同的目标对象,也就是说,一个检测头只用于检测源点云数据中的一种目标对象,即一个检测头只用于提取源点云数据中一种目标对象的细粒度特征,也即多个检测头可以分别提取源点云数据中不同的目标对象的细粒度特征,使得上述不同的目标对象的个性化特征保留更多,从而提高了检测精度。
在一些可能的实施例中,不同的目标对象包括不同类别的目标对象,不同形状的目标对象或者不同数量的目标对象。
可以理解的是,当不同的目标对象为不同类别的目标对象时,每个检测头用于检测源点云数据中一个类别的目标对象。示例性的,假设目标对象的类别包括但不限于电动车、自行车、汽车及行人,则一个检测头可以用于检测源点云数据中类别为电动车的目标对象,一个检测头可以用于检测源点云数据中类别为自行车的目标对象,一个检测头可以用于检测源点云数据中类别为汽车的目标对象,一个检测头可以用于检测源点云数据中类别为行人的目标对象。
当不同的目标对象为不同形状的目标对象时,每个检测头用于检测源点云数据中一种形状的目标对象。示例性的,假设目标对象的类别包括但不限于电动车、自行车、汽车及行人,则一个检测头可以用于检测源点云数据中形状为电动车和自行车的目标对象,一个检测头可以用于检测源点云数据中形状为行人的目标对象,一个检测头可以用于检测源点云数据中形状为汽车的目标对象。
当不同的目标对象为不同数量的目标对象时,每个检测头用于检测源点云数据中一种数量等级的目标对象。示例性的,假设目标对象的类别包括但不限于电动车、自行车、汽车及行人,且电动车的数量为10000,自行车的数量为1000,汽车的数量为15000,行人的数量为300,则一个检测头可以用于检测源点云数据中第一数量等级(即数量大于或等于10000)的电动车和汽车,一个检测头可以用于检测源点云数据中第二数量等级(数量大于或等于1000,且小于10000)的自行车,一个检测头可以用于检测源点云数据中第三数量等级(即数量小于1000)的行人。
也就是说,当不同的目标对象为不同数量的目标对象时,即使处于同一数量等级的目标对象为不同类型/形状的物体,仍然使用同一个检测头进行检测。例如,电动车和汽车虽然是不同类型的物体,然而电动车的数量为10000,汽车的数量为15000,也就是说,电动车和汽车处于同一数量等级(均为第一数量等级),因此,仍然使用同一个检测头进行检测。
本实施例中,由于不同检测头用于检测不同数量的目标对象,使得终端设备对可以准确检测出数量较少的目标对象,扩大了其适用范围。
以上可以看出,本申请实施例提供的一种目标检测方法,通过获取源点云数据;将源点云数据输入至已训练的目标检测模型进行处理,得到源点云数据的目标检测结果;其中,目标检测模型为包括多个检测头的神经网络,多个检测头分别用于检测源点云数据中不同的目标对象。与现有技术中仅使用单一检测头进行检测相比,本申请中的目标检测模型包括多个分别用于检测源点云数据中不同的目标对象的检测头,使得本申请实施例提供的方法可以准确的区分不同的目标对象,从而提高了对目标的检测准确率。
请参阅图2,图2是本申请另一实施例提供的目标检测方法。相对于图1对应的实施例,本实施例提供的目标检测方法中,步骤S102具体可以包括S201~S204,详述如下:
在S201中,将所述源点云数据输入所述目标检测模型进行处理,得到每个所述检测头的第一检测结果。
本实施例中,由于目标检测模型中的多个检测头均会对输入的源点云数据进行目标检测,因此,终端设备可以得到每个检测头的第一检测结果。其中,第一检测结果可以是包含标注对应于该检测头的目标对象的检测框的图像数据。
在S202中,分别对每个所述检测头的第一检测结果进行非极大抑制处理,得到每个所述检测头的第二检测结果。
在实际应用中,非极大抑制(non maximum suppression,NMS)指抑制不是极大值的元素,搜索局部的极大值。
本实施例中,为了提高检测准确率,终端设备可以分别对每个检测头的第一检测结果进行非极大抑制处理。
终端设备在分别对每个检测头的第一检测结果进行非极大抑制处理后,可以得到每个检测头的第二检测结果。其中,第二检测结果可以是包含标注对应于该检测头的目标对象的检测框的图像数据。
在S203中,将每个所述检测头的第二检测结果合并,得到中间检测结果。
本实施例中,由于多个检测头各自的第二检测结果存在相同的情况,因此,终端设备需要将各个检测头的第二检测结果合并,得到多个第二检测结果合并之后的中间检测结果。其中,中间检测结果可以是包含标注了不同检测头的目标对象的检测框的图像数据。
需要说明的是,由于每个第二检测结果均为检测框,因此,终端设备将各个检测头的第二检测结果进行合并,即为将多个检测框进行合并。其中,每个检测框包括但不限于该检测框的中心点的坐标信息、该检测框的长宽高、该检测框的方位角、该检测框中的目标对象的目标类别以及该该检测框的目标置信度。
本实施例中,中间检测结果包括多个不同的目标对象的检测框。
在S204中,对所述中间检测结果进行非极大抑制处理,得到所述目标检测结果。
本实施例中,为了进一步提高检测准确率,终端设备可以对中间检测结果进行非极大抑制处理,以得到最终的目标检测结果。其中,目标检测结果可以是包含分别标注多个不同的目标对象的检测框的图像数据。
以上可以看出,本实施例提供的目标检测方法,通过将源点云数据输入目标检测模型进行处理,得到每个检测头的第一检测结果;分别对每个检测头的第一检测结果进行非极大抑制处理,得到每个检测头的第二检测结果;将每个检测头的第二检测结果合并,得到中间检测结果;对中间检测结果进行非极大抑制处理,得到目标检测结果。。
请参阅图3,图3是本申请再一实施例提供的目标检测方法。相对于图1对应的实施例,本实施例在步骤S102之前,还可以包括S301~S302,详述如下:
在S301中,获取样本点云数据,所述样本点云数据包括已标注目标对象检测框的第一点云数据。
在本实施例的一种实现方式中,终端设备可以通过与其无线通信连接的采集设备实时获取到某个场景下的样本点云数据。其中,采集设备可以是激光雷达。
在本申请的一个实施例中,终端设备具体可以通过如图4所示的S401~S403得到样本点云数据,详述如下:
在S401中,获取所述第一点云数据以及未标注目标对象检测框的第二点云数据,所述第一点云数据和所述第二点云数据对应同一场景。
在S402中,将所述第一点云数据转换为第一格式的点云数据,以及将所述第二点云数据转换为第二格式的点云数据。
在S403中,根据所述第一格式的点云数据和所述第二格式的点云数据,生成所述样本点云数据。
本实施例中,第一点云数据的标注信息可以包括但不限于:目标类别、目标对象检测框的中心点的坐标信息、目标对象的长宽高、目标对象的航向角。其中,终端设备以目标对象沿运动方向的所在直线为该目标对象的长,目标对应的航向角为目标的运动方向与坐标轴Y轴的负方向的夹角。
需要说明的是,由于第一点云数据和第二点云数据的数据格式均为设定格式(即.pcd格式),为了得到可以对模型进行优化训练的样本点云数据,本实施例中,终端可以将第一点云数据转换为第一格式(即.csv格式)的点云数据,将第二点云数据转换为第二格式(.bin格式)的点云数据。
基于此,终端设备可以根据第一格式的点云数据和第二格式的点云数据,生成用于对模型进行优化训练的训练数据集,即样本点云数据。
在本申请的另一个实施例中,为了保证用于对模型进行优化训练的样本点云数据的准确性,提高训练准确率,终端设备还可以通过如图5所示的S501~S503得到样本点云数据,详述如下:
在S501中,获取已采集的针对同一场景的连续多帧点云数据。
在S502中,对所述连续多帧点云数据进行分帧处理,得到多个单帧点云数据。
在S503中,对所述多个单帧点云数据进行过滤处理,并将所述过滤处理后余下的点云数据确定为所述样本点云数据。
本实施例中,为了保证用于对模型进行优化训练的样本点云数据的准确性,提高训练准确率,终端设备可以对多个单帧点云数据进行过滤处理,以过滤上述多个单帧点云数据中不包含正样本的点云数据,并将过滤处理后余下的点云数据确定为样本点云数据。其中,正样本指包含目标对象的点云数据。
在本申请的一个实施例中,为了进一步提高模型训练准确率,终端设备可以在执行步骤S503后,继续执行步骤S401~S403,用于得到包含第一格式的点云数据和第二格式的点云数据的样本点云数据。
在S302中,根据所述样本点云数据,对预构建的初始检测模型进行优化训练,得到所述目标检测模型;所述初始检测模型包括多个检测头。
本实施例中,预构建的初始检测模型可以包括骨干(backbone)网络、颈部(neck)网络及多个检测头(head)
基于此,终端设备具体可以通过如图6所示的S601~S605得到目标检测模型,详述如下:
在S601中,提取所述样本点云数据的第一点云特征;将所述第一点云特征输入至所述骨干网络进行特征提取处理,得到第二点云特征。
在S602中,将所述第二点云特征输入至所述颈部网络进行特征融合处理,得到融合特征。
在S603中,将所述融合特征输入至所述多个检测头进行处理,得到所述融合特征对应的多个预测结果。
在S604中,根据所述多个预测结果和所述样本点云数据已标注的目标对象检测框,计算得到损失函数。
在S605中,根据所述损失函数对所述初始检测模型进行优化训练,得到所述目标检测模型。
本实施例中,为了提高初始检测模型中骨干网络的特征提取的准确率,终端设备在根据样本点云数据,对预构建的初始检测模型进行优化训练时,首先需要对该样本点云数据进行点云特征提取,以得到该样本点云数据的第一点云特征。其中,上述第一点云特征可以是点特征、体素特征或者柱体特征,此处不作限制。
终端设备在得到样本点云数据的第一点云特征后,可以将该第一点云特征输入至初始检测模型中的骨干网络进行特征提取,以得到第二点云特征。
之后,为了进一步提高后续检测头的检测准确率,终端设备可以将上述第二点云特征输入至颈部网络进行特征融合处理,得到融合特征。
具体地,颈部网络在接收到第二点云特征后,可以利用卷积提取该第二点云特征中的深层次的特征,并将该深层次特征和第二点云特征进行融合,得到融合特征。
终端设备在得到融合特征后,可以将该融合特征输入至初始检测模型中的多个检测头进行处理,从而得到该融合特征对应的多个预测结果。其中,每个预测结果可以是包含标注目标对象的检测框的图像数据。
本实施例中,终端设备在得到上述多个预测结果后,终端设备可以根据该多个预测结果,以及样本点云数据已标注的膜拜对象检测框,计算得到损失函数,并根据该损失函数对初始检测模型进行优化训练,即对该初始检测模型的参数进行更新,从而得到目标检测模型。
在一些可能的实施例中,不同的目标对象包括不同类别的目标对象,不同形状的目标对象或者不同数量的目标对象。
当不同的目标对象为不同数量的目标对象时,在模型训练过程中,使得初始检测模型可以对数量较少的类别的目标对象进行学习,避免了数量较少的类别的损失被数量较多的类别所覆盖,进而导致损失函数由数量较多的类别主导,从而提高了生成的目标检测模型的检测准确率,且扩大了适用范围。
以上可以看出,本实施例提供的目标检测方法,通过获取样本点云数据,样本点云数据为已标注目标对象检测框的点云数据;根据样本点云数据,对预构建的初始检测模型进行优化训练,得到目标检测模型;上述初始检测模型包括多个检测头。由于初始检测模型包括多个检测头,且每个检测头用于检测不同的目标对象,因此,在对初始检测模型的训练过程中,每个检测头都得到充分训练,从而提高了每个检测头检测出其对应的目标对象的准确率,进而提高了目标检测模型的检测精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种目标检测方法,图7示出了本申请实施例提供的一种目标检测装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。参照图7,该目标检测装置700包括:第一获取单元71和第一处理单元72。其中:
第一获取单元71用于获取源点云数据。
第一处理单元72用于将所述源点云数据输入至已训练的目标检测模型进行处理,得到所述源点云数据的目标检测结果;其中,所述目标检测模型为包括多个检测头的神经网络,所述多个检测头分别用于检测所述源点云数据中不同的目标对象。
在本申请的一个实施例中,第一处理单元72具体包括:第一检测结果确定单元、第二检测结果确定单元、中间检测结果确定单元及第二处理单元。其中:
第一检测结果确定单元用于将所述源点云数据输入所述目标检测模型进行处理,得到每个所述检测头的第一检测结果。
第二检测结果确定单元用于分别对每个所述检测头的第一检测结果进行非极大抑制处理,得到每个所述检测头的第二检测结果。
中间检测结果确定单元用于将每个所述检测头的第二检测结果合并,得到中间检测结果。
第二处理单元用于对所述中间检测结果进行非极大抑制处理,得到所述目标检测结果。
在本申请的一个实施例中,所述不同的目标对象包括不同类别的目标对象,不同形状的目标对象或者不同数量的目标对象。
在本申请的一个实施例中,目标检测装置700还包括:第二获取单元和第一训练单元。其中:
第二获取单元用于获取样本点云数据,所述样本点云数据包括已标注目标对象检测框的第一点云数据。
第一训练单元用于根据所述样本点云数据,对预构建的初始检测模型进行优化训练,得到所述目标检测模型;所述初始检测模型包括多个检测头。
在本申请的一个实施例中,所述第二获取单元具体包括:第三获取单元、转换单元及生成单元。其中:
第三获取单元用于获取所述第一点云数据以及未标注目标对象检测框的第二点云数据,所述第一点云数据和所述第二点云数据对应同一场景。
转换单元用于将所述第一点云数据转换为第一格式的点云数据,以及将所述第二点云数据转换为第二格式的点云数据。
生成单元用于根据所述第一格式的点云数据和所述第二格式的点云数据,生成所述样本点云数据。
在本申请的一个实施例中,所述第二获取单元具体包括:第四获取单元、第三处理单元及过滤单元。其中:
第四获取单元用于获取已采集的针对同一场景的连续多帧点云数据。
第三处理单元用于对所述连续多帧点云数据进行分帧处理,得到多个单帧点云数据。
过滤单元用于对所述多个单帧点云数据进行过滤处理,并将所述过滤处理后余下的点云数据确定为所述样本点云数据。
在本申请的一个实施例中,所述初始检测模型包括骨干网络、颈部网络以及多个检测头;第一训练单元具体包括:提取单元、第一输入单元、第二输入单元、计算单元及第二训练单元。其中:
提取单元用于提取所述样本点云数据的第一点云特征;将所述第一点云特征输入至所述骨干网络进行特征提取处理,得到第二点云特征。
第一输入单元用于将所述第二点云特征输入至所述颈部网络进行特征融合处理,得到融合特征。
第二输入单元用于将所述融合特征输入至所述多个检测头进行处理,得到所述融合特征对应的多个预测结果。
计算单元用于根据所述多个预测结果和所述样本点云数据已标注的目标对象检测框,计算得到损失函数。
第二训练单元用于根据所述损失函数对所述初始检测模型进行优化训练,得到所述目标检测模型。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图8为本申请一实施例提供的终端设备的结构示意图。如图8所示,该实施例的终端设备8包括:至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82,所述处理器80执行所述计算机程序82时实现上述任意各个目标检测方法实施例中的步骤。
该终端设备可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是终端设备8的举例,并不构成对终端设备8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,例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),该处理器80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。
所述存储器81在一些实施例中可以是所述终端设备8的内部存储单元,例如终端设备8的内存。所述存储器81在另一些实施例中也可以是所述终端设备8的外部存储设备,例如所述终端设备1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种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程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能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机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,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计算机可读存储介质中,该计算机程序在被处理器执行时,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至少可以包括:能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、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。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种目标检测方法,其特征在于,包括:
获取源点云数据;
将所述源点云数据输入至已训练的目标检测模型进行处理,得到所述源点云数据的目标检测结果;其中,所述目标检测模型为包括多个检测头的神经网络,所述多个检测头分别用于检测所述源点云数据中不同的目标对象。
2.如权利要求1所述的目标检测方法,其特征在于,所述将所述源点云数据输入至已训练的目标检测模型进行处理,得到所述源点云数据的目标检测结果,包括:
将所述源点云数据输入所述目标检测模型进行处理,得到每个所述检测头的第一检测结果;
分别对每个所述检测头的第一检测结果进行非极大抑制处理,得到每个所述检测头的第二检测结果;
将每个所述检测头的第二检测结果合并,得到中间检测结果;
对所述中间检测结果进行非极大抑制处理,得到所述目标检测结果。
3.如权利要求1所述的目标检测方法,其特征在于,所述不同的目标对象包括不同类别的目标对象,不同形状的目标对象或者不同数量的目标对象。
4.如权利要求1所述的目标检测方法,其特征在于,在所述将所述源点云数据输入至已训练的目标检测模型进行处理,得到所述源点云数据的目标检测结果之前,还包括:
获取样本点云数据,所述样本点云数据包括已标注目标对象检测框的第一点云数据;
根据所述样本点云数据,对预构建的初始检测模型进行优化训练,得到所述目标检测模型;所述初始检测模型包括多个检测头。
5.如权利要求4所述的目标检测方法,其特征在于,所述获取样本点云数据,包括:
获取所述第一点云数据以及未标注目标对象检测框的第二点云数据,所述第一点云数据和所述第二点云数据对应同一场景;
将所述第一点云数据转换为第一格式的点云数据,以及将所述第二点云数据转换为第二格式的点云数据;
根据所述第一格式的点云数据和所述第二格式的点云数据,生成所述样本点云数据。
6.如权利要求4所述的目标检测方法,其特征在于,所述获取样本点云数据,包括:
获取已采集的针对同一场景的连续多帧点云数据;
对所述连续多帧点云数据进行分帧处理,得到多个单帧点云数据;
对所述多个单帧点云数据进行过滤处理,并将所述过滤处理后余下的点云数据确定为所述样本点云数据。
7.如权利要求4-6任一项所述的目标检测方法,其特征在于,所述初始检测模型包括骨干网络、颈部网络以及多个检测头;所述根据所述样本点云数据,对预构建的初始检测模型进行优化训练,得到所述目标检测模型;所述初始检测模型包括多个检测头,包括:
提取所述样本点云数据的第一点云特征;将所述第一点云特征输入至所述骨干网络进行特征提取处理,得到第二点云特征;
将所述第二点云特征输入至所述颈部网络进行特征融合处理,得到融合特征;
将所述融合特征输入至所述多个检测头进行处理,得到所述融合特征对应的多个预测结果;
根据所述多个预测结果和所述样本点云数据已标注的目标对象检测框,计算得到损失函数;
根据所述损失函数对所述初始检测模型进行优化训练,得到所述目标检测模型。
8.一种目标检测装置,其特征在于,包括:
第一获取单元,用于获取源点云数据;
第一处理单元,用于将所述源点云数据输入至已训练的目标检测模型进行处理,得到所述源点云数据的目标检测结果;其中,所述目标检测模型为包括多个检测头的神经网络,所述多个检测头分别用于检测所述源点云数据中不同的目标对象。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的目标检测方法。
10.一种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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211371748.3A CN115761694A (zh) | 2022-11-03 | 2022-11-03 | 一种目标检测方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211371748.3A CN115761694A (zh) | 2022-11-03 | 2022-11-03 | 一种目标检测方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761694A true CN115761694A (zh) | 2023-03-07 |
Family
ID=85357826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211371748.3A Pending CN115761694A (zh) | 2022-11-03 | 2022-11-03 | 一种目标检测方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761694A (zh) |
-
2022
- 2022-11-03 CN CN202211371748.3A patent/CN115761694A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
CN112581612B (zh) | 基于激光雷达和环视摄像头融合的车载栅格地图生成方法及系统 | |
CN110796007B (zh) | 场景识别的方法与计算设备 | |
CN112560774A (zh) | 一种障碍物位置检测方法、装置、设备和存储介质 | |
CN112396093B (zh) | 驾驶场景分类方法、装置、设备及可读存储介质 | |
CN105355039A (zh) | 路况信息处理方法及设备 | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
CN113159024A (zh) | 一种基于改进YOLOv4的车牌识别技术 | |
CN112633120A (zh) | 一种基于半监督学习的智能路侧感知系统及模型训练方法 | |
CN110154896B (zh) | 一种检测障碍物的方法以及设备 | |
WO2024098992A1 (zh) | 倒车检测方法及装置 | |
CN113945219A (zh) | 动态地图生成方法、系统、可读存储介质及终端设备 | |
CN117079238A (zh) | 道路边沿检测方法、装置、设备及存储介质 | |
CN115761694A (zh) | 一种目标检测方法、装置、终端设备及存储介质 | |
CN115457486A (zh) | 基于二阶段的卡车检测方法、电子设备及存储介质 | |
CN111177878A (zh) | 衍生仿真场景筛选方法、装置和终端 | |
CN106097751A (zh) | 车辆行驶控制方法及装置 | |
CN114550116A (zh) | 一种对象识别方法和装置 | |
CN112598314A (zh) | 智能驾驶汽车的感知置信度确定方法、装置、设备及介质 | |
CN114008682A (zh) | 用于标识对象的方法和系统 | |
CN116309943B (zh) | 一种停车场语义地图路网构建方法、装置及电子设备 | |
KR102426844B1 (ko) | 영상기록장치와 네트워크서버를 포함하는 데이터 변환 및 활용 시스템 및 그 방법 | |
CN115661784B (zh) | 一种面向智慧交通的交通标志图像大数据识别方法与系统 | |
CN117456492A (zh) | 一种路沿检测方法、装置、电子设备及存储介质 | |
US20230274590A1 (en) | Scalable sensor analysis for vehicular driving assistance system |
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 |