CN115965939A - 三维目标检测方法及装置、电子设备、介质和车辆 - Google Patents

Abstract

本公开提供了一种三维目标检测方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及自动驾驶领域，尤其涉及感知和3D点云目标检测技术领域。实现方案为：获取第一点云数据和第二点云数据；获取第一点云数据关联的第一图像数据和第二图像数据；将第一点云数据、第一图像数据和第二图像数据进行融合，得到第一融合点云数据；获取第二点云数据关联的第三图像数据和第四图像数据；将第二点云数据、第三图像数据和第四图像数据进行融合，得到第二融合点云数据；将第一融合点云数据和第二融合点云数据进行融合，以确定目标检测结果。

Description

三维目标检测方法及装置、电子设备、介质和车辆

技术领域

本公开涉及自动驾驶领域，尤其涉及感知和3D点云目标检测技术领域，具体涉及一种三维目标检测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

随着自动驾驶技术的发展和落地，复杂多变的应用场景对自动驾驶汽车的感知能力提出了更高的要求。目标检测作为计算机视觉领域的重要研究方向，在自动驾驶的感知领域起到了至关重要的作用。在自动驾驶的场景中，仅提供物体的2D信息将不足以完全支持感知任务，还需要额外的位置和朝向等三维信息进行补充。因此，需要通过激光雷达提供稠密的3D点云，以精确地表示物体在3D空间中的位置和形状。

相关技术中，分别从点云数据和对应的图像数据中识别并框选出待检测的目标物体，然后针对目标物体进行点云特征提取和图像特征提取，以将提取到的两类特征进行融合，作为目标检测模型的输入。然而，此种方式会丢失大量的背景信息，严重降低了目标检测结果的准确性。

发明内容

本公开提供了一种三维目标检测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种三维目标检测方法，包括：获取第一点云数据和第二点云数据，其中，所述第一点云数据和所述第二点云数据通过对同一目标场景进行采集而得到，所述目标场景包括目标物体；获取所述第一点云数据关联的第一图像数据和第二图像数据，其中，所述第一图像数据和所述第二图像数据通过对所述目标场景进行采集而得到，所述第一图像数据和所述第二图像数据的采集时间落入第一时间段，所述第一时间段基于所述第一点云数据的采集时间确定；将所述第一点云数据、所述第一图像数据和所述第二图像数据进行融合，得到第一融合点云数据；获取所述第二点云数据关联的第三图像数据和第四图像数据，其中，所述第三图像数据和所述第四图像数据通过对所述目标场景进行采集而得到，所述第三图像数据和所述第四图像数据的采集时间落入第二时间段，所述第二时间段基于所述第二点云数据的采集时间确定；将所述第二点云数据、所述第三图像数据和所述第四图像数据进行融合，得到第二融合点云数据；将所述第一融合点云数据和第二融合点云数据进行融合，得到目标融合点云数据；以及基于所述目标融合点云数据，确定针对所述目标物体的目标检测结果。

根据本公开的另一方面，提供了一种三维目标检测装置，包括：点云获取单元，用于获取第一点云数据和第二点云数据，其中，所述第一点云数据和所述第二点云数据通过对同一目标场景进行采集而得到，所述目标场景包括目标物体；第一图像获取单元，用于获取所述第一点云数据关联的第一图像数据和第二图像数据，其中，所述第一图像数据和所述第二图像数据通过对所述目标场景进行采集而得到，所述第一图像数据和所述第二图像数据的采集时间落入第一时间段，所述第一时间段基于所述第一点云数据的采集时间确定；第一融合单元，用于将所述第一点云数据、所述第一图像数据和所述第二图像数据进行融合，得到第一融合点云数据；第二图像获取单元，用于获取所述第二点云数据关联的第三图像数据和第四图像数据，其中，所述第三图像数据和所述第四图像数据通过对所述目标场景进行采集而得到，所述第三图像数据和所述第四图像数据的采集时间落入第二时间段，所述第二时间段基于所述第二点云数据的采集时间确定；第二融合单元，用于将所述第二点云数据、所述第三图像数据和所述第四图像数据进行融合，得到第二融合点云数据；第三融合单元，用于将所述第一融合点云数据和第二融合点云数据进行融合，得到目标融合点云数据；以及目标检测单元，用于基于所述目标融合点云数据，确定针对所述目标物体的目标检测结果。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的三维目标检测方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行如上所述的三维目标检测方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现如上所述的三维目标检测方法。

根据本公开的另一方面，提供了一种自动驾驶车辆，包括如上所述的电子设备。

根据本公开的一个或多个实施例，对于两帧点云数据中的每帧点云数据，通过获取与该帧点云数据的采集时间相关联且针对同一场景进行采集得到的两帧图像数据，并将该帧单元数据与两帧图像数据进行融合，然后再将融合了图像数据的两帧点云数据进行融合，使基于此种前融合方式得到的多模态的融合点云数据能够最大程度地保留图像数据和点云数据中的全局信息，实现方式简单且能够有效提高基于该融合点云数据进行目标检测得到的结果的准确性。

进一步地，由于进行融合的点云数据与图像数据之间在采集时间上存在关联关系，因此，若上述任意两帧数据的采集时间不同，则可以在目标检测的过程中引入时序信息作为补充，从而能够得到更准确的目标检测结果。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的三维目标检测方法的流程图；

图3示出了根据本公开的实施例的获取第一图像数据和第二图像数据的流程图；

图4示出了根据本公开的实施例的融合第一点云数据、第一图像数据和第二图像数据的流程图；

图5示出了根据本公开的实施例的融合第一融合图像数据和第一点云数据的流程图；

图6示出了根据本公开的实施例的三维目标检测装置的结构框图；以及

图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行三维目标检测方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来实现三维目标检测。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如点云数据和图像数据。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

在自动驾驶的场景中，仅提供物体的2D信息将不足以完全支持目标检测感知任务，还需要额外的位置和朝向等三维信息进行补充。因此，需要通过激光雷达提供稠密的3D点云，以精确地表示物体在3D空间中的位置和形状。相关技术中，分别从点云数据和对应的图像数据中识别并框选出待检测的目标物体，然后针对目标物体进行点云特征提取和图像特征提取，以将提取到的两类特征进行融合，作为目标检测模型的输入。然而，此种方式会丢失大量的背景信息，严重降低了目标检测的结果的准确性。

为此，图2示出了根据本公开的实施例的三维目标检测方法的示意性流程图。可以利用图1中示出的客户端或服务器实现图2中的方法200。

如图2所示，根据本公开的实施例提供了一种三维目标检测方法200，包括：获取第一点云数据和第二点云数据，其中，第一点云数据和第二点云数据通过对同一目标场景进行采集而得到，目标场景包括目标物体(步骤210)；获取第一点云数据关联的第一图像数据和第二图像数据，其中，第一图像数据和第二图像数据通过对目标场景进行采集而得到，第一图像数据和第二图像数据的采集时间落入第一时间段，第一时间段基于第一点云数据的采集时间确定(步骤220)；将第一点云数据、第一图像数据和第二图像数据进行融合，得到第一融合点云数据(步骤230)；获取第二点云数据关联的第三图像数据和第四图像数据，其中，第三图像数据和第四图像数据通过对目标场景进行采集而得到，第三图像数据和第四图像数据的采集时间落入第二时间段，第二时间段基于第二点云数据的采集时间确定(步骤240)；将第二点云数据、第三图像数据和第四图像数据进行融合，得到第二融合点云数据(步骤250)；将第一融合点云数据和第二融合点云数据进行融合，得到目标融合点云数据(步骤260)；以及基于目标融合点云数据，确定针对目标物体的目标检测结果(步骤270)。

根据本公开实施例的三维目标检测方法，对于两帧点云数据中的每帧点云数据，通过获取与该帧点云数据的采集时间相关联且针对同一场景进行采集得到的两帧图像数据，并将该帧单元数据与两帧图像数据进行融合，然后再将融合了图像数据的两帧点云数据进行融合，使基于此种前融合方式得到的多模态的融合点云数据能够最大程度地保留图像数据和点云数据中的全局信息，实现方式简单且能够有效提高基于该融合点云数据进行目标检测得到的结果的准确性。

进一步地，由于进行融合的点云数据与图像数据之间在采集时间上存在关联关系，因此，若上述任意两帧数据的采集时间不同，则可以在目标检测的过程中引入时序信息作为补充，从而能够得到更准确的目标检测结果。

在步骤210，获取第一点云数据和第二点云数据，其中，第一点云数据和第二点云数据通过对同一目标场景进行采集而得到，目标场景包括目标物体。

在一些实施例中，目标场景包括自动驾驶场景，目标物体包括自动驾驶场景中的障碍物。可以通过设置在自动驾驶车辆上的一个或多个激光雷达采集第一点云数据和第二点云数据，也可以通过设置在路测的激光雷达采集第一点云数据和第二点云数据，本公开对此不作限制。

在一些实施例中，第一点云数据和第二点云数据的采集时间可以相同或不同。在第一点云数据和第二点云数据的采集时间相同的情况下，二者可以在空间上相互进行印证和信息补充，以更有效地表征真实的目标场景。在第一点云数据和第二点云数据的采集时间不同的情况下，二者可以在时间上相互进行印证和信息补充，以将时序信息引入目标检测中，提高目标检测结果的准确性。

在示例中，激光雷达的每一组扫描数据均具有相应的时间戳，以表示每帧点云数据的采集时间。并且，通过时间戳还能够确定对应时刻的IMU/GNSS数据，从而可以将激光雷达的不同线束的数据对齐到同一时刻的坐标系下，以避免由于自动驾驶车辆自身运动所带来的运动模糊。

在一些实施例中，第一点云数据和第二点云数据针对目标场景进行采集的采集角度可以相同或不同。在第一点云数据和第二点云数据的采集角度不同的情况下，可以从多个视角提供目标场景的扫描数据，以完善点云数据表征的信息。

应当理解，虽然本公开中仅描述了第一点云数据和第二点云数据，但并不因此将点云数据的数量限制于此。点云数据的数量可以为两帧以上，例如，三帧、十帧、五十帧等，本公开对此不作限制。

在步骤220，获取第一点云数据关联的第一图像数据和第二图像数据，其中，第一图像数据和第二图像数据通过对目标场景进行采集而得到，第一图像数据和第二图像数据的采集时间落入第一时间段，第一时间段基于第一点云数据的采集时间确定。

在一些实施例中，可以通过设置在自动驾驶车辆上的一个或多个相机采集第一点云数据和第二点云数据，也可以通过设置在路测的相机采集第一点云数据和第二点云数据，本公开对此不作限制。在示例中，相机可以包括环视相机、双目相机、单目相机等，本公开对此不作限制。

在一些实施例中，第一时间段可以为第一点云数据的采集时间之前或之后的时间段，或者，第一点云数据的采集时间也可以落入第一时间段内，本公开对此不作限制。换言之，第一图像数据和第二图像数据的采集时间可以均早于或晚于第一点云数据的采集时间，或者，第一点云数据的采集时间可以在第一图像数据的采集时间和第二图像数据的采集时间之间。

在一些实施例中，第一图像数据和第二图像数据的采集时间可以相同或不同。在第一图像数据和第二图像数据的采集时间相同的情况下，二者可以在空间上相互进行印证和信息补充，以更有效地表征真实的目标场景。在第一图像数据和第二图像数据的采集时间不同的情况下，二者可以在时间上相互进行印证和信息补充，以将时序信息引入目标检测中，提高目标检测结果的准确性。

在一些实施例中，第一图像数据和第二图像数据针对目标场景进行采集的采集角度可以相同或不同。在第一图像数据和第二图像数据的采集角度不同的情况下，可以从多个视角提供目标场景的图像数据，以完善图像数据表征的信息。

应当理解，虽然本公开中仅描述了第一图像数据和第二图像数据，但并不因此将图像数据的数量限制于此。图像数据的数量可以为两帧以上，例如，三帧、十帧、五十帧等，本公开对此不作限制。

图3示出了根据本公开的实施例的获取第一图像数据和第二图像数据的示意性流程图。

根据一些实施例，如图3所示，第一点云数据的采集时间为第一时刻，步骤220包括：获取在第二时刻采集得到的图像数据作为第一图像数据，其中，第二时刻早于第一时刻，第二时刻与第一时刻的时间差小于第一阈值(步骤3210)；获取在第三时刻采集得到的图像数据作为第二图像数据，其中，第三时刻早于第二时刻，第三时刻与第二时刻的时间差小于第二阈值(步骤3220)。

在示例中，可以对第一阈值和第二阈值进行设置，对上述两个阈值的具体数值，本公开不作限制。

在示例中，可以获取第一点云数据对应的图像数据序列，并从中筛选出与第一点云数据的采集时间距离最近且采集时间早于第一点云数据的图像数据作为第二图像数据，然后将与第二图像数据的采集时间距离最近且采集时间早于第二图像数据的图像数据作为第一图像数据，从而使得第一图像数据和第二图像数据为采集时间距离第一点云数据最近且连续的两帧图像数据。由此，能够引入相邻图像帧所包括的时序信息，避免因激光雷达和相机硬件不够同步或者因出现掉帧而造成检测有偏差，进一步提升了目标检测的准确性。

应当理解，上述示例仅作举例说明之用，并不因此将其限制于此。第一图像数据和第二图像数据也可以为非连续的两帧图像数据，本公开对此不作限制。

在步骤230，将第一点云数据、第一图像数据和第二图像数据进行融合，得到第一融合点云数据。

图4示出了根据本公开的实施例的融合第一点云数据、第一图像数据和第二图像数据的示意性流程图。

根据一些实施例，如图4所示，步骤230包括：对第二图像数据进行特征提取，得到第一待处理图像特征(步骤4310)；基于第一待处理图像特征生成第一热力图(步骤4320)；将第一图像数据、第一热力图和第二图像数据输入第一视觉特征融合网络模型，得到第一视觉特征融合网络模型输出的第一融合图像数据(步骤4330)；以及将第一融合图像数据和第一点云数据进行融合，得到第一融合点云数据(步骤4340)。

在示例中，先对两帧图像数据进行特征融合后再融合点云数据，可以降低数据融合的处理难度，并且，在第一图像数据和第二图像数据采集时间不同的情况下，通过对图像帧进行特征提取和融合，能够实现图像的时序特征上的关联与融合，进一步引入了时序信息。

在示例中，对于步骤4310至步骤4330，可以先使用视觉特征提取骨干网络模型处理第二图像数据，并提取模型的中间特征结果作为第一待处理图像特征，以生成第一热力图。然后再将第一图像数据、第一热力图和第二图像数据同时作为输入再次输入视觉特征提取骨干网络模型进行浅层编码和图像融合。基于此，实现了图像数据的上下文特征信息的融合，使得到的第一融合图像数据同时拥有较浅层的特征信息、较高分辨率的位置语义信息以及较深层较精细的语义特征信息，含有更丰富的语义信息和更大的感受野，能够更好地表示真实的目标场景。

在示例中，视觉特征提取骨干网络模型为通过千万数量级的单目图像数据集进行训练所得到的骨干网络模型，能够具有较好的特征提取能力和泛化性。

对于步骤4340，图5示出了根据本公开的实施例的融合第一融合图像数据和第一点云数据的示意性流程图。

根据一些实施例，如图5所示，步骤4340包括：确定所述第一融合图像数据与所述第一点云数据之间的第一映射关系(步骤5341)；对于第一点云数据中的每个点，执行以下操作：基于第一映射关系确定该点对应的第一融合图像数据中的至少一个第一像素点(步骤5342)；以及将至少一个第一像素点的特征向量与该点的特征向量进行拼接(步骤5343)。

第一融合图像数据与第一点云数据的融合是一种点级别的融合，即，将点云数据中的点的特征向量与图像数据中的像素点的特征向量进行拼接，使得到的第一点云融合数据中的每个点的特征维度更多，信息更丰富。此外，此种点对点的特征拼接能够更准确地实现相机图像数据和激光雷达点云数据之间的特征对齐，使得到的融合数据能够更好地表征实际的场景。

在步骤240，获取第二点云数据关联的第三图像数据和第四图像数据，其中，第三图像数据和第四图像数据通过对目标场景进行采集而得到，第三图像数据和第四图像数据的采集时间落入第二时间段，第二时间段基于第二点云数据的采集时间确定。

根据一些实施例，第二点云数据的采集时间为第四时刻，获取第二点云数据关联的第三图像数据和第四图像数据，包括：获取在第五时刻针对目标场景进行采集得到的图像数据作为第三图像数据，其中，第五时刻早于第三时刻，第五时刻与第三时刻的时间差小于第三阈值；以及获取在第六时刻针对目标场景进行采集得到的图像数据作为第四图像数据，其中，第六时刻早于第四时刻，第六时刻与第四时刻的时间差小于第四阈值。

在步骤250，将第二点云数据、第三图像数据和第四图像数据进行融合，得到第二融合点云数据。

根据一些实施例，步骤250包括：对第四图像数据进行特征提取，得到第二待处理图像特征；基于第二待处理图像特征生成第二热力图；将第三图像数据、第二热力图和第四图像数据输入第二视觉特征融合网络模型，得到第二视觉特征融合网络模型输出的第二融合图像数据；以及将第二融合图像数据和第二点云数据进行融合，得到第二融合点云数据。

根据一些实施例，上述将第二融合图像数据和第二点云数据进行融合，包括：确定第二融合图像数据与第二点云数据之间的第二映射关系；对于第二点云数据中的每个点，执行以下操作：基于第二映射关系确定该点对应的第二融合图像数据中的至少一个第二像素点；将至少一个第二像素点的特征向量与该点的特征向量进行拼接。

对于步骤240和步骤250，可以参考上述关于步骤220和步骤230的描述，对此不再进行赘述。应当理解，步骤240和步骤250与步骤220和步骤230的顺序可以互换，或者，二者可以同时进行，本公开在此方面不作限定。

在步骤260，将第一融合点云数据和第二融合点云数据进行融合，得到目标融合点云数据。

在一些实施例中，可以分别对第一融合点云数据和第二融合点云数据进行体素化特征提取，以生成第一融合点云数据对应的第一伪图像数据和第二融合点云数据对应的第二伪图像数据，然后将第一伪图像数据和第二伪图像数据进行叠加处理，以得到目标融合点云数据。

基于此，相较于直接对原始单帧点云数据进行目标检测，使用上述目标融合点云数据可以有效改善对远距离的目标物体检测不稳定的问题，并且，对于被短暂遮挡的目标物体有较好的检出能力。

在步骤270，基于目标融合点云数据，确定针对目标物体的目标检测结果。

在一些实施例中，可以将目标融合点云数据输入目标检测模型，以得到针对目标物体的目标检测结果。在示例中，目标检测模型包括但不限于PointPillar模型。

图6示出了根据本公开的实施例的三维目标检测装置的结构框图。

如图6所示，根据本公开的实施例，提供了一种三维目标检测装置，包括：点云获取单元610，用于获取第一点云数据和第二点云数据，其中，所述第一点云数据和所述第二点云数据通过对同一目标场景进行采集而得到，所述目标场景包括目标物体；第一图像获取单元620，用于获取所述第一点云数据关联的第一图像数据和第二图像数据，其中，所述第一图像数据和所述第二图像数据通过对所述目标场景进行采集而得到，所述第一图像数据和所述第二图像数据的采集时间落入第一时间段，所述第一时间段基于所述第一点云数据的采集时间确定；第一融合单元630，用于将所述第一点云数据、所述第一图像数据和所述第二图像数据进行融合，得到第一融合点云数据；第二图像获取单元640，用于获取所述第二点云数据关联的第三图像数据和第四图像数据，其中，所述第三图像数据和所述第四图像数据通过对所述目标场景进行采集而得到，所述第三图像数据和所述第四图像数据的采集时间落入第二时间段，所述第二时间段基于所述第二点云数据的采集时间确定；第二融合单元650，用于将所述第二点云数据、所述第三图像数据和所述第四图像数据进行融合，得到第二融合点云数据；第三融合单元660，用于将所述第一融合点云数据和第二融合点云数据进行融合，得到目标融合点云数据；以及目标检测单元670，用于基于所述目标融合点云数据，确定针对所述目标物体的目标检测结果。

这里，三维目标检测装置600的上述各单元610～670的操作分别与前面描述的步骤210～270的操作类似，在此不再赘述。

根据本公开的实施例，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的三维目标检测方法。

根据本公开的实施例，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上所述的三维目标检测方法。

根据本公开的实施例，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现如上所述的三维目标检测方法。

根据本公开的实施例，提供了一种自动驾驶车辆，包括如上所述的电子设备。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如方法777。例如，在一些实施例中，方法777可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的方法777的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法777。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (18)

1.一种三维目标检测方法，包括：

获取第一点云数据和第二点云数据，其中，所述第一点云数据和所述第二点云数据通过对同一目标场景进行采集而得到，所述目标场景包括目标物体；

获取所述第一点云数据关联的第一图像数据和第二图像数据，其中，所述第一图像数据和所述第二图像数据通过对所述目标场景进行采集而得到，所述第一图像数据和所述第二图像数据的采集时间落入第一时间段，所述第一时间段基于所述第一点云数据的采集时间确定；

将所述第一点云数据、所述第一图像数据和所述第二图像数据进行融合，得到第一融合点云数据；

获取所述第二点云数据关联的第三图像数据和第四图像数据，其中，所述第三图像数据和所述第四图像数据通过对所述目标场景进行采集而得到，所述第三图像数据和所述第四图像数据的采集时间落入第二时间段，所述第二时间段基于所述第二点云数据的采集时间确定；

将所述第二点云数据、所述第三图像数据和所述第四图像数据进行融合，得到第二融合点云数据；

将所述第一融合点云数据和第二融合点云数据进行融合，得到目标融合点云数据；以及

基于所述目标融合点云数据，确定针对所述目标物体的目标检测结果。

2.根据权利要求1所述的方法，其中，所述第一点云数据的采集时间为第一时刻，所述获取第一点云数据关联的第一图像数据和第二图像数据，包括：

获取在第二时刻采集得到的图像数据作为所述第一图像数据，其中，所述第二时刻早于所述第一时刻，所述第二时刻与所述第一时刻的时间差小于第一阈值；

获取在第三时刻采集得到的图像数据作为所述第二图像数据，其中，所述第三时刻早于所述第二时刻，所述第三时刻与所述第二时刻的时间差小于第二阈值。

3.根据权利要求1或2所述的方法，其中，所述将所述第一点云数据、所述第一图像数据和所述第二图像数据进行融合，包括：

对所述第二图像数据进行特征提取，得到第一待处理图像特征；

基于所述第一待处理图像特征生成第一热力图；

将所述第一图像数据、所述第一热力图和所述第二图像数据输入第一视觉特征融合网络模型，得到所述第一视觉特征融合网络模型输出的第一融合图像数据；以及

将所述第一融合图像数据和所述第一点云数据进行融合，得到所述第一融合点云数据。

4.根据权利要求3所述的方法，其中，所述将所述第一融合图像数据和所述第一点云数据进行融合，包括：

确定所述第一融合图像数据与所述第一点云数据之间的第一映射关系；

对于所述第一点云数据中的每个点，执行以下操作：

基于所述第一映射关系确定该点对应的所述第一融合图像数据中的至少一个第一像素点；以及

将所述至少一个第一像素点的特征向量与该点的特征向量进行拼接。

5.根据权利要求1-4中任一项所述的方法，其中，所述第二点云数据的采集时间为第四时刻，所述获取第二点云数据关联的第三图像数据和第四图像数据，包括：

获取在第五时刻针对所述目标场景进行采集得到的图像数据作为所述第三图像数据，其中，所述第五时刻早于所述第三时刻，所述第五时刻与所述第三时刻的时间差小于第三阈值；以及

获取在第六时刻针对所述目标场景进行采集得到的图像数据作为所述第四图像数据，其中，所述第六时刻早于所述第四时刻，所述第六时刻与所述第四时刻的时间差小于第四阈值。

6.根据权利要求1-5中任一项所述的方法，其中，所述将所述第二点云数据、所述第三图像数据和所述第四图像数据进行融合，包括：

对所述第四图像数据进行特征提取，得到第二待处理图像特征；

基于所述第二待处理图像特征生成第二热力图；

将所述第三图像数据、所述第二热力图和所述第四图像数据输入第二视觉特征融合网络模型，得到所述第二视觉特征融合网络模型输出的第二融合图像数据；以及

将所述第二融合图像数据和所述第二点云数据进行融合，得到所述第二融合点云数据。

7.根据权利要求6所述的方法，其中，所述将所述第二融合图像数据和所述第二点云数据进行融合，包括：

确定所述第二融合图像数据与所述第二点云数据之间的第二映射关系；

对于所述第二点云数据中的每个点，执行以下操作：

基于所述第二映射关系确定该点对应的所述第二融合图像数据中的至少一个第二像素点；

将所述至少一个第二像素点的特征向量与该点的特征向量进行拼接。

8.一种三维目标检测装置，包括：

点云获取单元，用于获取第一点云数据和第二点云数据，其中，所述第一点云数据和所述第二点云数据通过对同一目标场景进行采集而得到，所述目标场景包括目标物体；

第一图像获取单元，用于获取所述第一点云数据关联的第一图像数据和第二图像数据，其中，所述第一图像数据和所述第二图像数据通过对所述目标场景进行采集而得到，所述第一图像数据和所述第二图像数据的采集时间落入第一时间段，所述第一时间段基于所述第一点云数据的采集时间确定；

第一融合单元，用于将所述第一点云数据、所述第一图像数据和所述第二图像数据进行融合，得到第一融合点云数据；

第二图像获取单元，用于获取所述第二点云数据关联的第三图像数据和第四图像数据，其中，所述第三图像数据和所述第四图像数据通过对所述目标场景进行采集而得到，所述第三图像数据和所述第四图像数据的采集时间落入第二时间段，所述第二时间段基于所述第二点云数据的采集时间确定；

第二融合单元，用于将所述第二点云数据、所述第三图像数据和所述第四图像数据进行融合，得到第二融合点云数据；

第三融合单元，用于将所述第一融合点云数据和第二融合点云数据进行融合，得到目标融合点云数据；以及

目标检测单元，用于基于所述目标融合点云数据，确定针对所述目标物体的目标检测结果。

9.根据权利要求8所述的装置，其中，所述第一点云数据的采集时间为第一时刻，所述第一图像获取单元包括：

第一图像获取子单元，用于获取在第二时刻采集得到的图像数据作为所述第一图像数据，其中，所述第二时刻早于所述第一时刻，所述第二时刻与所述第一时刻的时间差小于第一阈值；

第二图像获取子单元，用于获取在第三时刻采集得到的图像数据作为所述第二图像数据，其中，所述第三时刻早于所述第二时刻，所述第三时刻与所述第二时刻的时间差小于第二阈值。

10.根据权利要求8或9所述的装置，其中，所述第一融合单元包括：

第一特征提取子单元，用于对所述第二图像数据进行特征提取，得到第一待处理图像特征；

第一特征处理子单元，用于基于所述第一待处理图像特征生成第一热力图；

第一图像融合子单元，用于将所述第一图像数据、所述第一热力图和所述第二图像数据输入第一视觉特征融合网络模型，得到所述第一视觉特征融合网络模型输出的第一融合图像数据；以及

第一融合子单元，用于将所述第一融合图像数据和所述第一点云数据进行融合，得到所述第一融合点云数据。

11.根据权利要求10所述的装置，其中，所述第一融合子单元包括：

第一映射子单元，用于确定所述第一融合图像数据与所述第一点云数据之间的第一映射关系；

第一特征拼接子单元，用于对于所述第一点云数据中的每个点，执行以下操作：

基于所述第一映射关系确定该点对应的所述第一融合图像数据中的至少一个第一像素点；以及

将所述至少一个第一像素点的特征向量与该点的特征向量进行拼接。

12.根据权利要求8-11中任一项所述的装置，其中，所述第二点云数据的采集时间为第四时刻，所述第二图像获取单元包括：

第三图像获取子单元，用于获取在第五时刻针对所述目标场景进行采集得到的图像数据作为所述第三图像数据，其中，所述第五时刻早于所述第三时刻，所述第五时刻与所述第三时刻的时间差小于第三阈值；以及

第四图像获取子单元，用于获取在第六时刻针对所述目标场景进行采集得到的图像数据作为所述第四图像数据，其中，所述第六时刻早于所述第四时刻，所述第六时刻与所述第四时刻的时间差小于第四阈值。

13.根据权利要求8-12中任一项所述的装置，其中，所述第二融合单元包括：

第二特征提取子单元，用于对所述第四图像数据进行特征提取，得到第二待处理图像特征；

第二特征处理子单元，用于基于所述第二待处理图像特征生成第二热力图；

第二图像融合子单元，用于将所述第三图像数据、所述第二热力图和所述第四图像数据输入第二视觉特征融合网络模型，得到所述第二视觉特征融合网络模型输出的第二融合图像数据；以及

第二融合子单元，用于将所述第二融合图像数据和所述第二点云数据进行融合，得到所述第二融合点云数据。

14.根据权利要求13所述的装置，其中，所述第二融合子单元包括：

第二映射子单元，用于确定所述第二融合图像数据与所述第二点云数据之间的第二映射关系；

第二特征拼接子单元，用于对于所述第二点云数据中的每个点，执行以下操作：

基于所述第二映射关系确定该点对应的所述第二融合图像数据中的至少一个第二像素点；

将所述至少一个第二像素点的特征向量与该点的特征向量进行拼接。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。

18.一种自动驾驶车辆，包括如权利要求15所述的电子设备。

Images