CN116052109A - 点云特征获取方法、目标检测方法、设备、介质及车辆 - Google Patents
点云特征获取方法、目标检测方法、设备、介质及车辆 Download PDFInfo
- Publication number
- CN116052109A CN116052109A CN202310203002.XA CN202310203002A CN116052109A CN 116052109 A CN116052109 A CN 116052109A CN 202310203002 A CN202310203002 A CN 202310203002A CN 116052109 A CN116052109 A CN 116052109A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- voxel
- feature
- acquiring
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及自动驾驶技术领域,具体提供一种点云特征获取方法、目标检测方法、设备、介质及车辆,旨在解决提高点云目标检测准确性与效率的问题。为此目的,本发明提供的特征获取方法包括在对雷达采集的点云帧进行体素化处理形成多个体素之后,根据体素内点云的坐标分别获取体素的中心点特征、点云分布特征和点云形状特征,根据上述特征获取体素的点云体素特征。通过这种方式,即使体素的尺寸比较大,也可以从体素中心点、点云分布和点云形状这三个维度充分地描述体素的特征,从而有效地平衡目标检测的准确性与效率。本发明提供的目标检测方法可以采用上述特征获取方法获取点云体素特征,进而完成点云目标检测,提高了点云目标检测的准确性与效率。
Description
技术领域
本发明涉及自动驾驶技术领域,具体涉及一种点云特征获取方法、目标检测方法、设备、介质及车辆。
背景技术
在对车辆进行自动驾驶控制时通常会利用雷达采集车辆周围的点云,对点云进行目标检测,以确定车道线信息和车辆周围是否存在障碍物等。在对点云进行目标检测时通常会对点云帧进行体素(Volume Pixel)化处理,提取每个体素内点云的特征,将这些体素的特征作为点云帧的特征,进而根据点云帧的特征进行目标检测。体素的尺寸越小,点云帧的特征就会越稠密,目标检测的准确性也就越好,但是会降低检测效率。而目前常规的点云目标检测方法无法解决该问题,无法有效地平衡目标检测的准确性与效率,降低了自动驾驶的可靠性,增加了车辆的驾驶风险。
相应地,本领域需要一种新的技术方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决如何提高点云目标检测准确性与效率的技术问题的点云特征获取方法、目标检测方法、设备、介质及车辆。
在第一方面,提供一种点云特征获取方法,所述方法包括:
获取雷达采集的点云帧;
对所述点云帧进行体素化处理,以形成多个体素;
根据每个体素内点云的坐标,分别获取每个体素的中心点特征、点云分布特征和点云形状特征;
根据每个体素的中心点特征、点云分布特征和点云形状特征,分别获取每个体素的点云体素特征。
在上述点云特征获取方法的一个技术方案中,“根据每个体素内点云的坐标,分别获取每个体素的中心点特征、点云分布特征和点云形状特征”的步骤具体包括通过下列方式获取所述中心点特征:
获取体素的中心点坐标,并获取所述体素内点云的坐标均值;
分别获取在每个坐标维度上所述中心点坐标与所述坐标均值之间的第一距离;
根据所述第一距离,获取所述体素的中心点特征。
在上述点云特征获取方法的一个技术方案中,“根据每个体素内点云的坐标,分别获取每个体素的中心点特征、点云分布特征和点云形状特征”的步骤具体包括通过下列方式获取所述点云分布特征:
获取体素的中心点坐标;
根据所述中心点坐标与所述体素内每个点云的坐标,分别获取每个点云在每个坐标维度上到所述中心点坐标的第二距离;
分别获取在每个坐标维度上所述第二距离的标准差;
根据所述标准差,获取所述点云分布特征。
在上述点云特征获取方法的一个技术方案中,“根据每个体素内点云的坐标,分别获取每个体素的中心点特征、点云分布特征和点云形状特征”的步骤具体包括通过下列方式获取所述点云形状特征:
分别获取体素内点云在每个坐标维度的坐标最大值和/或坐标最小值;
根据所述体素内点云在每个坐标维度的坐标最大值和/或坐标最小值,获取所述体素的点云形状特征。
在上述点云特征获取方法的一个技术方案中,“根据每个体素的中心点特征、点云分布特征和点云形状特征,分别获取每个体素的点云体素特征”的步骤具体包括:
对体素的中心点特征、点云分布特征和点云形状特征进行特征拼接;
根据特征拼接的结果,获取体素的点云体素特征。
在第二方面,提供一种点云目标检测方法,所述方法包括:
获取雷达采集的点云帧;
采用第一方面提供的点云特征获取方法,获取所述点云帧的点云体素特征;
根据所述点云体素特征进行目标检测。
在上述点云目标检测方法的一个技术方案中,“根据所述点云体素特征进行目标检测”的步骤具体包括:
采用三维稀疏卷积网络,对所述点云体素特征进行特征提取;
采用俯视图卷积网络,对所述三维稀疏卷积网络提取到的特征再次进行特征提取;
采用目标检测头网络,对所述俯视图卷积网络提取到的特征进行目标检测。
在第三方面,提供一种计算机设备,该计算机设备包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述点云特征获取方法或点云目标检测方法的技术方案中任一项技术方案所述的方法。
在第四方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述点云特征获取方法或点云目标检测方法的技术方案中任一项技术方案所述的方法。
在第五方面,提供一种车辆,该车辆包括上述计算机设备的技术方案所述的计算机设备。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
在实施本发明提供的点云特征获取方法的技术方案中,在对雷达采集的点云帧进行体素化处理,形成多个体素之后,可以根据体素内点云的坐标分别获取体素的中心点特征、点云分布特征和点云形状特征,然后再根据上述特征获取体素的点云体素特征,使得该点云体素特征能够同时涵盖或体现上述每个特征。通过这种方式,即使体素的尺寸比较大,也可以从体素中心点、点云分布和点云形状这三个维度充分地描述体素的特征,因此,利用上述方式得到的点云体素特征进行目标检测,能够有效地平衡目标检测的准确性与效率。
在实施本发明提供的点云目标检测方法的技术方案中,在得到雷达采集的点云帧之后,可以采用上述点云特征获取方法获取点云帧的点云体素特征,进而根据获取到的点云体素特征进行目标检测。通过这种方式,可以同时提高点云目标检测的准确性和效率,从而可以提高自动驾驶的可靠性,降低车辆的驾驶风险。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本发明的保护范围组成限制。其中:
图1是根据本发明的一个实施例的点云特征获取方法的主要步骤流程示意图;
图2是图1所示方法中对点云帧的处理过程示意图;
图3是根据本发明的一个实施例的获取点云体素特征的方法的主要步骤流程示意图;
图4是根据本发明的一个实施例的点云目标检测方法的主要步骤流程示意图;
图5是根据本发明的一个实施例的根据点云体素特征进行目标检测的方法的主要步骤流程示意图;
图6是根据本发明的一个实施例的计算机设备的主要结构示意图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“处理器”可以包括硬件、软件或者两者的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。
下面对本发明提供的点云特征获取方法的实施例进行说明。
参阅附图1,图1是根据本发明的一个实施例的点云特征获取方法的主要步骤流程示意图。如图1所示,本发明实施例中的点云特征获取方法主要包括下列步骤S101至步骤S104。
步骤S101:获取雷达采集的点云帧。
在一些实施方式中可以采用激光雷达采集点云帧。
步骤S102:对点云帧进行体素化处理,以形成多个体素。
在对点云帧进行体素化处理时可以采用点云数据处理技术领域中常规的体素化处理方法对点云帧进行处理。
例如,首先,可以根据点云帧中点云在X轴、Y轴和Z轴上的分布,确定点云在X轴、Y轴和Z轴上的分布边界,其中,点云在X轴上的最小坐标x_min和最大坐标x_max形成了点云在X轴上的分布边界,点云在Y轴上的最小坐标y_min和最大坐标y_max形成了点云在Y轴上的分布边界,点云在Z轴上的最小坐标z_min和最大坐标z_max形成了点云在Z轴上的分布边界。然后,根据上述点云的分布边界生成能够包含所有点云的大立方体,这个大立方体的长宽高分别是(x_max-x_min)、(y_max-y_min )和(z_max-z_min )。最后,如图2所示,将上述大立方体划分成多个小立方体,这些小立方体就是体素,即将点云帧上的原始三维点云变成了Voxel化的三维点云。在得到这些体素之后,就可以通过步骤S103至步骤S104来获取每个体素的点云体素特征(图2所示的Voxel特征)。
步骤S103:根据每个体素内点云的坐标,分别获取每个体素的中心点特征、点云分布特征和点云形状特征。
下面对中心点特征、点云分布特征和点云形状特征进行说明。
1、中心点特征
中心点特征能够表示在体素内不同位置处分布的点云所形成的点云簇的中心点信息。
在一些实施方式中可以获取体素内所有点云的坐标均值,根据该坐标均值获取体素的中心点特征。比如,将该坐标均值作为上述点云簇的中心点的坐标。由于上述坐标均值是根据点云在体素内的坐标直接求平均得到的,因此根据该坐标均值得到的中心点特征表示的中心点信息是一个绝对坐标信息。在根据该中心点特征进行点云目标检测时可能会发生位置过拟合的问题。对此,在一些优选实施方式中,可以同时利用上述坐标均值与体素的中心点坐标,来获取表示相对坐标信息的中心点特征。具体而言,在本实施方式中可以通过下列步骤11至步骤13,获取体素的中心点特征。
步骤11:获取体素的中心点坐标,并获取体素内点云的坐标均值。体素的中心点坐标是指体素的中心位置处的坐标。
步骤12:分别获取在每个坐标维度上中心点坐标与坐标均值之间的第一距离。具体地,可以分别获取在X、Y和Z轴坐标维度上,中心点坐标与坐标均值之间的第一距离。
步骤13:根据第一距离,获取体素的中心点特征。
具体地,可以将每个坐标维度对应的第一距离组合在一起,形成体素的中心点特征。
基于上述步骤11至步骤13所述的方法,可以获取到体素内点云的坐标均值与体素的中心点坐标之间的相对距离(即第一距离),利用该相对距离形成中心点特征,就可以使中心点特征所表示的中心点信息由绝对坐标信息变成相对坐标信息。
2、点云分布特征
点云分布特征能够表示体素内点云的位置分布信息。
在一些实施方式中可以获取体素内点云在每个坐标维度上坐标的标准差(Standard Deviation),根据该标准差获取点云分布特征。与上述中心点特征类似的是,利用该标准差得到的点云分布特征进行点云目标检测时也可能存在位置过拟合的问题。对此,在一些优选实施方式中,可以通过下列步骤21至步骤24,获取相对坐标的标准差,根据该相对坐标的标准差获取体素的点云分布特征。
步骤21:获取体素的中心点坐标。
步骤22:根据中心点坐标与体素内每个点云的坐标,分别获取每个点云在每个坐标维度上到中心点坐标的第二距离。
步骤23:分别获取在每个坐标维度上第二距离的标准差。
步骤24:根据标准差,获取点云分布特征。
基于上述步骤21至步骤24所述的方法,可以获取到体素内点云的坐标与体素的中心点坐标之间的相对距离(即第二距离),利用该相对距离的标准差形成点云分布特征,就可以使点云分布特征所表示的位置分布信息由绝对坐标信息变成相对坐标信息,避免在根据点云分布特征进行点云目标检测时发生位置过拟合的情况。
3、点云形状特征
点云形状特征能够表示体素内不同位置处分布的点云所形成的点云簇的形状信息。
在一些实施方式中可以获取体素内点云所形成的点云簇的轮廓点,根据轮廓点的坐标获取点云形状特征。而在一些优选实施方式中,为了在保证点云形状特征准确性的前提下尽可能地减少点云形状特征的信息量,从而提高根据点云形状特征进行点云目标检测的效率,可以通过下列步骤31至步骤32,获取点云形状特征。
步骤31:分别获取体素内点云在每个坐标维度的坐标最大值和/或坐标最小值。
步骤32:根据体素内点云在每个坐标维度的坐标最大值和/或坐标最小值,获取体素的点云形状特征。
基于上述步骤31至步骤32所述的方法,可以利用体素内点云的坐标极值快速且准确地获取到点云形状特征,有利于提高点云目标检测的效率。
以上是中心点特征、点云分布特征和点云形状特征的说明。
步骤S104:根据每个体素的中心点特征、点云分布特征和点云形状特征,分别获取每个体素的点云体素特征。
具体地,可以将中心点特征、点云分布特征和点云形状特征组合在一起,形成点云体素特征。在一个优选实施方式中,可以通过图3所示的下列步骤S1041至步骤S1042,便捷且准确地获取点云体素特征。
步骤S1041:对体素的中心点特征、点云分布特征和点云形状特征进行特征拼接。
步骤S1042:根据特征拼接的结果,获取体素的点云体素特征。比如:以向量表示中心点特征、点云分布特征和点云形状特征时这三个特征分别是[a]、[b]、[c],对这三个特征进行特征拼接形成一个新的向量[a b c],将该向量[a b c]作为点云体素特征。
基于上述步骤S101至步骤S104所述的方法得到的点云体素特征,同时涵盖或体现了中心点特征、点云分布特征和点云形状特征,这样无论体素的尺寸比较大,还是比较小,都可以从体素中心点、点云分布和点云形状这三个维度充分地描述体素的特征,能够有效地平衡目标检测的准确性与效率,即同时提高点云目标检测的准确性与效率。
下面对本发明提供的点云目标检测方法的实施例进行说明。
参阅附图4,图4是根据本发明的一个实施例的点云目标检测方法的主要步骤流程示意图。如图4所示,本发明实施例中的点云目标检方法主要包括下列步骤S201至步骤S203。
步骤S201:获取雷达采集的点云帧。
步骤S202:采用点云特征获取方法,获取点云帧的点云体素特征。此步骤中的点云特征获取方法可以采用前述方法实施例所述的点云特征获取方法。
步骤S203:根据点云体素特征进行目标检测。
在一些实施方式中可以获取采用神经网络等网络构建的模型,然后将点云体素特征输入至这个模型中进行目标检测。在一些优选实施方式中,可以通过上述步骤S201至步骤S202所述的方法获取点云训练数据的点云体素特征,然后采用点云训练数据的点云体素特征对预设模型进行点云目标检测训练,以获取点云目标检测模型。当需要对点云帧进行目标检测时,再通过上述步骤S201至步骤S202所述的方法获取点云帧的点云体素特征,将该点云体素特征输入至点云目标检测模型,点云目标检测模型就可以输出点云帧中是否包含目标(比如车辆),也可以进一步输出目标的位置等信息。
需要说明的是,在本发明实施例中可以采用机器学习技术领域中常规的模型训练方法对预设模型进行点云目标检测训练,本发明实施例对此不进行具体限定。例如,将上述点云训练数据输入至预设模型,通过前向传播计算模型的损失值,根据损失值计算模型参数的参数梯度,根据参数梯度反向传播更新模型参数,直至预设模型满足收敛条件后停止训练,将训练完成的模型作为点云目标检测模型。
基于上述步骤S201至步骤S203所述的方法,可以准确地检测出点云帧包含目标及其位置等信息。
下面对上述步骤S203作进一步说明。
在本发明实施例中点云目标检测模型可以包括特征提取网络和目标检测头网络,特征提取网络可以用于提取点云帧的特征,目标检测头网络可以用于对点云帧的特征进行目标检测。具体地,特征提取网络可以包括三维稀疏卷积网络和俯视图卷积网络,三维稀疏卷积网络可以用于提取点云帧的三维特征并将该三维特征输入至俯视图卷积网络,俯视图卷积网络可以用于对输入的三维特征再次进行特征提取,得到点云帧的二维特征并将该二维特征输入至目标检测头网络,目标检测头网络可以对该二维特征进行目标检测。在一些实施方式中,可以对不同类型的目标设定不同的目标检测头网络,每个目标检测头网络分别用于检测不同类型的目标。以车辆和VRU为例,可以设置两个目标检测头网络,一个用于检测车辆,另一个用于检测VRU。
基于上述点云目标检测模型的模型结构,在上述步骤S203的一些实施方式中,可以通过图5所示的下列步骤S2031至步骤S2033,对点云帧进行目标检测。
步骤S2031:采用三维稀疏卷积网络,对点云帧进行特征提取。
步骤S2032:采用俯视图卷积网络,对三维稀疏卷积网络提取到的特征再次进行特征提取。
步骤S2033:采用目标检测头网络,对俯视图卷积网络提取到的特征进行目标检测。
基于上述步骤S2031至步骤S2033所述的方法,可以从三维和二维不同的角度获取点云帧的特征,通过三维的角度提取特征可以获取目标的形状信息,通过二维的角度提取特征可以提高目标检测的效率并准确获取目标的位置等信息,利用包含上述信息的特征进行目标检测,能够显著提高目标检测的准确性与效率。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些调整之后的方案与本发明中描述的技术方案属于等同技术方案,因此也将落入本发明的保护范围之内。
本领域技术人员能够理解的是,本发明实现上述一实施例的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。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储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,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本发明还提供了一种计算机设备。
参阅附图6,图6是根据本发明的一个计算机设备实施例的主要结构示意图。如图6所示,本发明实施例中的计算机设备主要包括存储装置和处理器,存储装置可以被配置成存储执行上述方法实施例的点云特征获取方法或点云目标检测方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的点云特征获取方法或点云目标检测方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。
在本发明实施例中计算机设备可以是包括各种电子设备形成的控制装置设备。在一些可能的实施方式中,计算机设备可以包括多个存储装置和多个处理器。而执行上述方法实施例的点云特征获取方法或点云目标检测方法的程序可以被分割成多段子程序,每段子程序分别可以由处理器加载并运行以执行上述方法实施例的点云特征获取方法或点云目标检测方法的不同步骤。具体地,每段子程序可以分别存储在不同的存储装置中,每个处理器可以被配置成用于执行一个或多个存储装置中的程序,以共同实现上述方法实施例的点云特征获取方法或点云目标检测方法,即每个处理器分别执行上述方法实施例的点云特征获取方法或点云目标检测方法的不同步骤,来共同实现上述方法实施例的点云特征获取方法或点云目标检测方法。
上述多个处理器可以是部署于同一个设备上的处理器,例如上述计算机设备可以是由多个处理器组成的高性能设备,上述多个处理器可以是该高性能设备上配置的处理器。此外,上述多个处理器也可以是部署于不同设备上的处理器。
进一步,本发明还提供了一种计算机可读存储介质。
在根据本发明的一个计算机可读存储介质的实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的点云特征获取方法或点云目标检测方法的程序,该程序可以由处理器加载并运行以实现上述点云特征获取方法或点云目标检测方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,本发明还提供了一种车辆。
在根据本发明的一个车辆的实施例中,车辆可以包括上述计算机设备实施例所述的计算机设备。在本实施例中车辆可以是自动驾驶车辆、无人车等车辆。此外,按照动力源类型划分,本实施例中车辆可以是燃油车、电动车、电能与燃油混合的混动车或使用其他新能源的车辆等。
至此,已经结合附图所示的一个实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种点云特征获取方法,其特征在于,所述方法包括:
获取雷达采集的点云帧;
对所述点云帧进行体素化处理,以形成多个体素;
根据每个体素内点云的坐标,分别获取每个体素的中心点特征、点云分布特征和点云形状特征;
根据每个体素的中心点特征、点云分布特征和点云形状特征,分别获取每个体素的点云体素特征。
2.根据权利要求1所述的点云特征获取方法,其特征在于,“根据每个体素内点云的坐标,分别获取每个体素的中心点特征、点云分布特征和点云形状特征”的步骤具体包括通过下列方式获取所述中心点特征:
获取体素的中心点坐标,并获取所述体素内点云的坐标均值;
分别获取在每个坐标维度上所述中心点坐标与所述坐标均值之间的第一距离;
根据所述第一距离,获取所述体素的中心点特征。
3.根据权利要求1所述的点云特征获取方法,其特征在于,“根据每个体素内点云的坐标,分别获取每个体素的中心点特征、点云分布特征和点云形状特征”的步骤具体包括通过下列方式获取所述点云分布特征:
获取体素的中心点坐标;
根据所述中心点坐标与所述体素内每个点云的坐标,分别获取每个点云在每个坐标维度上到所述中心点坐标的第二距离;
分别获取在每个坐标维度上所述第二距离的标准差;
根据所述标准差,获取所述点云分布特征。
4.根据权利要求1所述的点云特征获取方法,其特征在于,“根据每个体素内点云的坐标,分别获取每个体素的中心点特征、点云分布特征和点云形状特征”的步骤具体包括通过下列方式获取所述点云形状特征:
分别获取体素内点云在每个坐标维度的坐标最大值和/或坐标最小值;
根据所述体素内点云在每个坐标维度的坐标最大值和/或坐标最小值,获取所述体素的点云形状特征。
5.根据权利要求1所述的点云特征获取方法,其特征在于,“根据每个体素的中心点特征、点云分布特征和点云形状特征,分别获取每个体素的点云体素特征”的步骤具体包括:
对体素的中心点特征、点云分布特征和点云形状特征进行特征拼接;
根据特征拼接的结果,获取体素的点云体素特征。
6.一种点云目标检测方法,其特征在于,所述方法包括:
获取雷达采集的点云帧;
采用权利要求1至5中任一项所述的点云特征获取方法,获取所述点云帧的点云体素特征;
根据所述点云体素特征进行目标检测。
7.根据权利要求6所述的点云目标检测方法,其特征在于,“根据所述点云体素特征进行目标检测”的步骤具体包括:
采用三维稀疏卷积网络,对所述点云体素特征进行特征提取;
采用俯视图卷积网络,对所述三维稀疏卷积网络提取到的特征再次进行特征提取;
采用目标检测头网络,对所述俯视图卷积网络提取到的特征进行目标检测。
8.一种计算机设备,包括处理器和存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至5中任一项所述的点云特征获取方法,或者执行权利要求6至7中任一项所述的点云目标检测方法。
9.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至5中任一项所述的点云特征获取方法,或者执行权利要求6至7中任一项所述的点云目标检测方法。
10.一种车辆,其特征在于,所述车辆包括权利要求8所述的计算机设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310203002.XA CN116052109A (zh) | 2023-03-06 | 2023-03-06 | 点云特征获取方法、目标检测方法、设备、介质及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310203002.XA CN116052109A (zh) | 2023-03-06 | 2023-03-06 | 点云特征获取方法、目标检测方法、设备、介质及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116052109A true CN116052109A (zh) | 2023-05-02 |
Family
ID=86123990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310203002.XA Pending CN116052109A (zh) | 2023-03-06 | 2023-03-06 | 点云特征获取方法、目标检测方法、设备、介质及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052109A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116259029A (zh) * | 2023-05-15 | 2023-06-13 | 小米汽车科技有限公司 | 目标检测方法、装置和车辆 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111727461A (zh) * | 2018-01-16 | 2020-09-29 | 索尼公司 | 信息处理装置和方法 |
CN114549672A (zh) * | 2022-01-18 | 2022-05-27 | 西安电子科技大学 | 一种面向三维点云目标检测的数据编码方法 |
CN114943951A (zh) * | 2022-05-19 | 2022-08-26 | 安徽蔚来智驾科技有限公司 | 自动驾驶的目标检测方法、装置、介质及车辆 |
CN115082881A (zh) * | 2022-05-30 | 2022-09-20 | 安徽蔚来智驾科技有限公司 | 目标检测方法、存储介质、电子设备及车辆 |
CN115393382A (zh) * | 2022-07-28 | 2022-11-25 | 广州小马智行科技有限公司 | 地图中体素查找方法、装置、计算机设备和存储介质 |
CN115457335A (zh) * | 2022-10-19 | 2022-12-09 | 大连理工大学 | 一种基于改进second网络的点云目标检测方法 |
CN115546437A (zh) * | 2022-08-19 | 2022-12-30 | 中联重科股份有限公司 | 用于机械设备的斜坡检测方法、处理器和斜坡检测装置 |
-
2023
- 2023-03-06 CN CN202310203002.XA patent/CN116052109A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111727461A (zh) * | 2018-01-16 | 2020-09-29 | 索尼公司 | 信息处理装置和方法 |
CN114549672A (zh) * | 2022-01-18 | 2022-05-27 | 西安电子科技大学 | 一种面向三维点云目标检测的数据编码方法 |
CN114943951A (zh) * | 2022-05-19 | 2022-08-26 | 安徽蔚来智驾科技有限公司 | 自动驾驶的目标检测方法、装置、介质及车辆 |
CN115082881A (zh) * | 2022-05-30 | 2022-09-20 | 安徽蔚来智驾科技有限公司 | 目标检测方法、存储介质、电子设备及车辆 |
CN115393382A (zh) * | 2022-07-28 | 2022-11-25 | 广州小马智行科技有限公司 | 地图中体素查找方法、装置、计算机设备和存储介质 |
CN115546437A (zh) * | 2022-08-19 | 2022-12-30 | 中联重科股份有限公司 | 用于机械设备的斜坡检测方法、处理器和斜坡检测装置 |
CN115457335A (zh) * | 2022-10-19 | 2022-12-09 | 大连理工大学 | 一种基于改进second网络的点云目标检测方法 |
Non-Patent Citations (1)
Title |
---|
何欣栋: "基于多线激光雷达点云的无人驾驶车辆检测方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 02, pages 29 - 39 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116259029A (zh) * | 2023-05-15 | 2023-06-13 | 小米汽车科技有限公司 | 目标检测方法、装置和车辆 |
CN116259029B (zh) * | 2023-05-15 | 2023-08-15 | 小米汽车科技有限公司 | 目标检测方法、装置和车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598034B (zh) | 障碍物检测方法、装置及存储介质 | |
EP3792901B1 (en) | Ground mark extraction method, model training method, device and storage medium | |
US10838424B2 (en) | Charging station identifying method and robot | |
CN116052109A (zh) | 点云特征获取方法、目标检测方法、设备、介质及车辆 | |
WO2022247137A1 (zh) | 机器人及其充电桩识别方法和装置 | |
CN114966651A (zh) | 可行驶区域检测方法、计算机设备、存储介质及车辆 | |
US20230368407A1 (en) | Drivable area detection method, computer device, storage medium, and vehicle | |
CN103544732B (zh) | 一种用于月球车的三维立体重建方法 | |
CN114463512B (zh) | 点云数据的处理方法、矢量化方法及装置 | |
Yang et al. | Ground plane matters: Picking up ground plane prior in monocular 3d object detection | |
CN117745969A (zh) | 建筑物的单体化方法、装置、及相关设备 | |
CN114549764A (zh) | 基于无人车的障碍物识别方法、装置、设备及存储介质 | |
CN115984801A (zh) | 点云目标检测方法、计算机设备、存储介质及车辆 | |
CN117114141B (zh) | 模型训练的方法、评估方法、计算机设备及存储介质 | |
CN114255163A (zh) | 地图数据抽稀方法、装置及存储介质 | |
CN116993831A (zh) | 车辆检测方法、计算机设备、存储介质及车辆 | |
CN116524202A (zh) | 车辆特征获取方法、车辆跨镜追踪方法、设备及存储介质 | |
CN117475092B (zh) | 位姿优化方法、设备、智能设备和介质 | |
CN117197631B (zh) | 多模态传感器融合感知方法、计算机设备、介质及车辆 | |
CN115965928B (zh) | 点云特征增强、目标检测方法、设备、介质及车辆 | |
CN115601433B (zh) | 回环检测方法、计算机设备、计算机可读存储介质及车辆 | |
CN115965824B (zh) | 点云数据标注方法、点云目标检测方法、设备及存储介质 | |
CN115457432B (zh) | 用于视频帧提取的数据处理方法和装置 | |
CN117689698B (zh) | 点云配准方法、智能设备及存储介质 | |
CN112101330B (zh) | 图像处理方法、装置、电子设备以及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230502 |
|
RJ01 | Rejection of invention patent application after publication |