TWI786860B - 基於點雲的物件偵測裝置和物件偵測方法 - Google Patents

基於點雲的物件偵測裝置和物件偵測方法 Download PDF

Info

Publication number
TWI786860B
TWI786860B TW110136710A TW110136710A TWI786860B TW I786860 B TWI786860 B TW I786860B TW 110136710 A TW110136710 A TW 110136710A TW 110136710 A TW110136710 A TW 110136710A TW I786860 B TWI786860 B TW I786860B
Authority
TW
Taiwan
Prior art keywords
matrix
singular value
point cloud
feature
pseudo
Prior art date
Application number
TW110136710A
Other languages
English (en)
Other versions
TW202316143A (zh
Inventor
陳信銘
周逸凡
林多常
黃敬群
鄭智仁
Original Assignee
中華電信股份有限公司
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 中華電信股份有限公司 filed Critical 中華電信股份有限公司
Priority to TW110136710A priority Critical patent/TWI786860B/zh
Application granted granted Critical
Publication of TWI786860B publication Critical patent/TWI786860B/zh
Publication of TW202316143A publication Critical patent/TW202316143A/zh

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

提供一種基於點雲的物件偵測裝置和物件偵測方法。物件偵測方法包含：取得對應於第一物件的第一點雲，並且將第一點雲輸入至特徵擷取模型以產生第一偽矩陣；自第一偽矩陣取得第一特徵向量，並且根據第一特徵向量產生第一特徵矩陣；對第一特徵矩陣執行奇異值分解以取得第一奇異值以及第二奇異值，並且根據第一奇異值與第二奇異值計算第一秩損失；根據關聯於第一秩損失的損失函數訓練特徵擷取模型以及偵測模型；以及取得對應於第二物件的第二點雲，並且根據特徵擷取模型以及偵測模型產生第二物件的定界框。

Description

基於點雲的物件偵測裝置和物件偵測方法
本發明是有關於一種基於點雲的物件偵測裝置和物件偵測方法。
柱狀（pillar-based）三維物件偵測技術是自動駕駛領域的重要技術之一。目前市面上主流的柱狀三維物件偵測技術是由光達（LiDAR）偵測反射點以產生點雲，再由物件偵測裝置根據點雲執行物件偵測。光達技術可有效地偵測光達周圍的物件。然而，隨著物件遠離光達，光達所偵測到的物件之點雲的密度會顯著下降而導致點雲感受野（receptive fields）受到限縮。據此，物件偵測裝置將無法從點雲中獲得足夠的特徵資訊，而物件偵測的準確度將會降低。
本發明提供一種基於點雲的物件偵測裝置和物件偵測方法，可準確地偵測遠方的物件。
本發明的一種基於點雲的物件偵測裝置，包含處理器、儲存媒體以及收發器。儲存媒體儲存特徵擷取模型以及偵測模型。處理器耦接儲存媒體以及收發器，其中處理器經配置以執行：通過收發器取得對應於第一物件的第一點雲，並且將第一點雲輸入至特徵擷取模型以產生第一偽矩陣；自第一偽矩陣取得第一特徵向量，並且根據第一特徵向量產生第一特徵矩陣；對第一特徵矩陣執行奇異值分解以取得第一奇異值以及第二奇異值，並且根據第一奇異值與第二奇異值計算第一秩損失；根據關聯於第一秩損失的損失函數訓練特徵擷取模型以及偵測模型；以及通過收發器取得對應於第二物件的第二點雲，並且根據特徵擷取模型以及偵測模型產生第二物件的定界框。
在本發明的一實施例中，上述的處理器更經配置以執行：使用第一卷積核對偽矩陣執行第一卷積運算以產生第一矩陣；使用第二卷積核對偽矩陣執行第二卷積運算以產生第二矩陣；根據第一矩陣、第二矩陣以及多項式函數產生第三矩陣；以及串接第三矩陣、第一矩陣以及第二矩陣以產生串接矩陣。
在本發明的一實施例中，上述的偽矩陣為第一偽矩陣，其中處理器更經配置以執行：將串接矩陣輸入至偵測模型以產生預測定界框；以及根據對應於第一點雲的原始定界框以及預測定界框計算損失函數的函數值，並且根據函數值訓練特徵擷取模型以及偵測模型。
在本發明的一實施例中，上述的偽矩陣對應於第二物件，其中處理器更經配置以執行：將串接矩陣輸入至偵測模型以產生第二物件的定界框。
在本發明的一實施例中，上述的第一卷積核的尺寸與第二卷積核的尺寸相異。
在本發明的一實施例中，上述的處理器更經配置以執行：對第一矩陣執行上取樣或下取樣的其中之一以使第一矩陣的尺寸與第二矩陣的尺寸相同。
在本發明的一實施例中，上述的多項式函數的未知數關聯於偵測第一點雲的光達與第一物件之間的距離。
在本發明的一實施例中，上述的處理器更經配置以執行：通過收發器取得多個點雲，其中多個點雲包含第一點雲；根據多個點雲產生分別對應於多個點雲的多個特徵矩陣，其中多個特徵矩陣包含第一特徵矩陣；根據多個特徵矩陣計算分別對應於多個特徵矩陣的多個秩損失，其中多個秩損失包含第一秩損失；以及響應於第一秩損失為多個秩損失中的最大秩損失而根據第一秩損失設計損失函數。
在本發明的一實施例中，上述的第一奇異值為第一特徵矩陣的最大奇異值，並且第二奇異值為第一特徵矩陣的次大奇異值，其中第一秩損失等於最大奇異值與次大奇異值的比值。
本發明的一種基於點雲的物件偵測方法，包含：取得對應於第一物件的第一點雲，並且將第一點雲輸入至特徵擷取模型以產生第一偽矩陣；自第一偽矩陣取得第一特徵向量，並且根據第一特徵向量產生第一特徵矩陣；對第一特徵矩陣執行奇異值分解以取得第一奇異值以及第二奇異值，並且根據第一奇異值與第二奇異值計算第一秩損失；根據關聯於第一秩損失的損失函數訓練特徵擷取模型以及偵測模型；以及取得對應於第二物件的第二點雲，並且根據特徵擷取模型以及偵測模型產生第二物件的定界框。
基於上述，本發明的物件偵測裝置可產生具有距離適應性的模型，並且根據所述模型準確地偵測物件的位置和尺寸。
為了使本發明之內容可以被更容易明瞭，以下特舉實施例作為本發明確實能夠據以實施的範例。另外，凡可能之處，在圖式及實施方式中使用相同標號的元件/構件/步驟，係代表相同或類似部件。
圖1根據本發明的一實施例繪示一種基於點雲的物件偵測裝置100的示意圖。物件偵測裝置100可包含處理器110、儲存媒體120以及收發器130。
處理器110例如是中央處理單元（central processing unit，CPU），或是其他可程式化之一般用途或特殊用途的微控制單元（micro control unit，MCU）、微處理器（microprocessor）、數位信號處理器（digital signal processor，DSP）、可程式化控制器、特殊應用積體電路（application specific integrated circuit，ASIC）、圖形處理器（graphics processing unit，GPU）、影像訊號處理器（image signal processor，ISP）、影像處理單元（image processing unit，IPU）、算數邏輯單元（arithmetic logic unit，ALU）、複雜可程式邏輯裝置（complex programmable logic device，CPLD）、現場可程式化邏輯閘陣列（field programmable gate array，FPGA）或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130，並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體（random access memory，RAM）、唯讀記憶體（read-only memory，ROM）、快閃記憶體（flash memory）、硬碟（hard disk drive，HDD）、固態硬碟（solid state drive，SSD）或類似元件或上述元件的組合，而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中，儲存媒體120可儲存包含特徵擷取模型121、偵測模型122以及距離適應性特徵生成模組123等多個模組，其功能將於後續說明。特徵擷取模型121或偵測模型122可包含機器學習模型（例如：神經網路模型），但本發明不限於此。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
圖2根據本發明的一實施例繪示訓練特徵擷取模型121以及偵測模型122的流程的示意圖。處理器110可通過收發器130取得分別對應於K個物件的K個點雲，其中K個點可包含點雲
Figure 02_image001
，其中K和k為正整數，並且
Figure 02_image003
。點雲
Figure 02_image001
可以是由光達偵測物件k而產生的標籤資料，亦即，點雲
Figure 02_image001
中的點可被標註用於指示所述點是否存在物件k的機率。舉例來說，點雲
Figure 02_image001
的第a點可被標註機率
Figure 02_image005
。也就是說，物件k存在於第a點的機率為
Figure 02_image005
。
在本實施例中，處理器110可從基於柱狀物件偵測的光達系統取得點雲
Figure 02_image001
的資料。因此，點雲
Figure 02_image001
可以柱狀的定界框（bounding box）
Figure 02_image007
呈現，其中定界框
Figure 02_image007
又被稱為點雲
Figure 02_image001
的原始定界框。定界框
Figure 02_image007
的參數可包含
Figure 02_image009
、
Figure 02_image011
、
Figure 02_image013
、
Figure 02_image015
、
Figure 02_image017
、
Figure 02_image019
和
Figure 02_image021
，其中
Figure 02_image009
代表定界框
Figure 02_image007
的中心點的X座標、
Figure 02_image011
代表定界框
Figure 02_image007
的中心點的Y座標、
Figure 02_image013
代表定界框
Figure 02_image007
的中心點的Z座標、
Figure 02_image015
代表定界框
Figure 02_image007
的長度、
Figure 02_image017
代表定界框
Figure 02_image007
的寬度、
Figure 02_image019
代表定界框
Figure 02_image007
的高度並且
Figure 02_image021
代表定界框
Figure 02_image007
與XY平面之間的夾角。X軸與物件k的深度有關。舉例來說，假設用於偵測物件k的光達的X座標為0。若
Figure 02_image009
越大，代表物件k與光達的距離越遠，並且點雲
Figure 02_image001
的感受野越小，並且根據點雲
Figure 02_image001
所產生的物件k的偵測結果也會越不準確。
為了解決感受野受限制導致偵測結果不準確的問題，物件偵測裝置100改善特徵擷取模型121以及偵測模型122的距離適應性。具體來說，處理器110可將點雲
Figure 02_image001
輸入至特徵擷取模型121。特徵擷取模型121可對點雲
Figure 02_image001
進行特徵擷取以產生偽矩陣（pseudo matrix）
Figure 02_image023
，其中偽矩陣
Figure 02_image023
可由多個尺寸為
Figure 02_image025
的偽影像（pseudo image）所構成。矩陣
Figure 02_image023
可尺寸可為
Figure 02_image027
，其中C代表通道數量。
處理器110可自偽矩陣
Figure 02_image023
取得尺寸為
Figure 02_image029
的特徵向量
Figure 02_image031
（
Figure 02_image033
），並可根據特徵向量
Figure 02_image031
產生特徵矩陣
Figure 02_image035
，如方程式（1）所示。
Figure 02_image037
…(1)
處理器110可對特徵矩陣
Figure 02_image035
執行奇異值分解（singular value decomposition，SVD）以最小化特徵矩陣
Figure 02_image035
的秩，從而取得特徵矩陣
Figure 02_image035
的最大奇異值
Figure 02_image039
以及次大奇異值
Figure 02_image041
，如方程式（2）所示。最小化秩的過程可減少特徵矩陣
Figure 02_image035
的維度並凸顯最重要的主成分-距離，使偽矩陣
Figure 02_image023
的特徵值隨距離分布，進而具有距離適應性。此外，最小化秩的過程也可拉近前景特徵的相似度，使柱狀點雲的特徵擷取器專注於前景點的特徵擷取。簡單來說，最小化秩的過程可有助於前景點特徵的擷取，避免雜訊點的干擾，亦可使特徵值具有距離適應性，以便後續對於不同疏密程度之點雲進行不同尺度的處理。
Figure 02_image043
…(2)
在取得特徵矩陣
Figure 02_image035
的奇異值
Figure 02_image039
以及奇異值
Figure 02_image041
後，處理器110可根據奇異值
Figure 02_image039
以及奇異值
Figure 02_image041
計算特徵矩陣
Figure 02_image035
的秩損失（rank loss）
Figure 02_image045
，如方程式（3）所示。處理器110可根據分別對應於K個點雲的K個秩損失來產生最大秩損失
Figure 02_image047
，如方程式（4）所示。
Figure 02_image049
…(3)
Figure 02_image051
…(4)
另一方面，距離適應性特徵生成模組123可對偽矩陣
Figure 02_image023
執行距離適應性特徵生成流程。具體來說，距離適應性特徵生成模組123可使用第一卷積核（convolution kernel）對偽矩陣
Figure 02_image023
執行卷積運算以產生矩陣
Figure 02_image053
，並可使用第二卷積核對偽矩陣
Figure 02_image023
執行卷積運算以產生矩陣
Figure 02_image055
，其中第一卷積核與第二卷積核對的尺寸可以相異。為了統一矩陣
Figure 02_image053
以及矩陣
Figure 02_image055
的尺寸，離適應性特徵生成模組123可對矩陣
Figure 02_image053
（或矩陣
Figure 02_image055
）執行上取樣或下取樣以使矩陣
Figure 02_image053
的尺寸與矩陣
Figure 02_image055
的尺寸相同。
距離適應性特徵生成模組123可根據矩陣
Figure 02_image053
、矩陣
Figure 02_image055
以及多項式函數
Figure 02_image057
來產生如圖2所示的矩陣
Figure 02_image059
，如方程式（5）和方程式（6）所示，其中
Figure 02_image061
代表矩陣
Figure 02_image059
中第i列第j排的元素，
Figure 02_image063
代表矩陣
Figure 02_image053
中第i列第j排的元素，並且
Figure 02_image065
代表矩陣
Figure 02_image055
中第i列第j排的元素。多項式函數
Figure 02_image057
的未知數（indeterminate）i可關聯於用於偵測點雲
Figure 02_image001
的光達與物件k之間的距離。多項式函數
Figure 02_image057
的係數（coefficient）
Figure 02_image067
可由物件偵測裝置100根據歷史資料以及多層感知器（multilayer perceptron，MLP）產生，但本發明不限於此。
Figure 02_image069
…(5)
Figure 02_image071
…(6)
在取得矩陣
Figure 02_image059
，距離適應性特徵生成模組123可串接（concat）矩陣
Figure 02_image059
、矩陣
Figure 02_image053
以及矩陣
Figure 02_image055
以產生串接矩陣（concatenation matrix）
Figure 02_image073
，從而完成距離適應性特徵生成流程，其中串接矩陣
Figure 02_image073
例如是一種特徵圖（feature map）。距離適應性特徵生成模組123可將串接矩陣
Figure 02_image073
輸入至偵測模型122以產生物件k的預測定界框（即：物件k的預測點雲）
Figure 02_image075
。預測定界框
Figure 02_image077
的參數可包含
Figure 02_image079
、
Figure 02_image081
、
Figure 02_image083
、
Figure 02_image085
、
Figure 02_image087
、
Figure 02_image089
和
Figure 02_image091
，其中
Figure 02_image079
代表預測定界框
Figure 02_image093
的中心點的X座標、
Figure 02_image081
代表預測定界框
Figure 02_image077
的中心點的Y座標、
Figure 02_image083
代表預測定界框
Figure 02_image075
的中心點的Z座標、
Figure 02_image085
代表預測定界框
Figure 02_image075
的長度、
Figure 02_image087
代表預測定界框
Figure 02_image075
的寬度、
Figure 02_image089
代表預測定界框
Figure 02_image075
的高度並且
Figure 02_image091
代表預測定界框
Figure 02_image075
與XY平面之間的夾角。
處理器110可根據如方程式（7）所示的損失函數LF訓練特徵擷取模型121或偵測模型122，以使特徵擷取模型121或偵測模型122具有距離適應性，其中
Figure 02_image095
代表位置損失，
Figure 02_image097
代表物件分類損失，
Figure 02_image047
代表最大與距離相關聯的最大秩損失，
Figure 02_image099
、
Figure 02_image101
和
Figure 02_image103
代表係數（例如：
Figure 02_image105
，
Figure 02_image107
，
Figure 02_image109
），
Figure 02_image111
代表對應於點雲
Figure 02_image001
中的第i點的機率（即：指示第i點是否存在物件k，又稱為錨點的分類機率），具體來說，處理器110可根據點雲
Figure 02_image001
的原始定界框
Figure 02_image007
、預測定界框
Figure 02_image075
以及最大秩損失
Figure 02_image047
計算損失函數LF的函數值，並且根據所述函數值訓練特徵擷取模型121或偵測模型122。
Figure 02_image113
…(7)
Figure 02_image115
Figure 02_image117
Figure 02_image119
Figure 02_image121
圖3根據本發明的一實施例繪示物件偵測的流程的示意圖。在完成特徵擷取模型121或偵測模型122的訓練後，物件偵測裝置100可根據特徵擷取模型121或偵測模型122偵測物件以產生物件的定界框。首先，處理器110可通過收發器取得一物件的點雲（即：定界框）31，其中所述點雲可為未標籤資料。處理器110可將點雲31輸入至特徵擷取模型121以進行特徵擷取。特徵擷取模型121可在完成特徵擷取後輸出偽矩陣32。
接著，處理器110可將偽矩陣32輸入至距離適應性特徵生成模組123以執行距離適應性特徵生成流程。距離適應性特徵生成模組123可在完成距離適應性特徵生成流程後輸出代表特徵圖的串接矩陣33。處理器110可將串接矩陣33輸入至偵測模型122以產生對應於點雲31的定界框34。
圖4根據本發明的一實施例繪示一種基於點雲的物件偵測方法的流程圖，其中所述物件偵測方法可由如圖1所示的物件偵測裝置100實施。在步驟S401中，取得對應於第一物件的第一點雲，並且將第一點雲輸入至特徵擷取模型以產生第一偽矩陣。在步驟S402中，自第一偽矩陣取得第一特徵向量，並且根據第一特徵向量產生第一特徵矩陣。在步驟S403中，對第一特徵矩陣執行奇異值分解以取得第一奇異值以及第二奇異值，並且根據第一奇異值與第二奇異值計算第一秩損失。在步驟S404中，根據關聯於第一秩損失的損失函數訓練特徵擷取模型以及偵測模型。在步驟S405中，取得對應於第二物件的第二點雲，並且根據特徵擷取模型以及偵測模型產生第二物件的定界框。
綜上所述，本發明的物件偵測裝置可從訓練資料中提取出點雲中最重要的主要成分-距離，並可根據距離資訊計算對應的秩損失。秩損失不僅能移除執行物件偵測的初始階段特徵擷取時的雜訊，還能強化模型的距離適應性，並使模型的準確度不受載具（即：待偵測物件）的速度影響。物件偵測裝置可根據秩損失訓練特徵擷取模型以及偵測模型，以使特徵擷取模型以及偵測模型具有距離適應性。如此，即便因物件與光達的距離過長而導致光達僅能偵測到具有較小感受野的點雲，物件偵測裝置仍能準確地偵測物件並產生定界框。本發明的特徵擷取模型以及偵測模型可作為偵測系統的插件，並在不消耗過多運算資源的情況下改善偵測系統的物件偵測準確度。
100:物件偵測裝置 110:處理器 120:儲存媒體 121:特徵擷取模型 122:偵測模型 123:距離適應性特徵生成模組 130:收發器 31:點雲 32:偽矩陣 33:串接矩陣 34:定界框 S401、S402、S403、S404、S405:步驟
圖1根據本發明的一實施例繪示一種基於點雲的物件偵測裝置的示意圖。 圖2根據本發明的一實施例繪示訓練特徵擷取模型以及偵測模型的流程的示意圖。 圖3根據本發明的一實施例繪示物件偵測的流程的示意圖。 圖4根據本發明的一實施例繪示一種基於點雲的物件偵測方法的流程圖。
S401、S402、S403、S404、S405:步驟

Claims (10)

  1. 一種基於點雲的物件偵測裝置，包括：收發器；儲存媒體，儲存特徵擷取模型、距離適應性特徵生成模組以及偵測模型；以及處理器，耦接所述儲存媒體以及所述收發器，其中所述處理器經配置以執行：通過所述收發器取得對應於第一物件的第一點雲，將所述第一點雲輸入至所述特徵擷取模型以產生第一偽矩陣，並且將所述第一偽矩陣輸入所述距離適應性特徵生成模組以執行一距離適應性特徵生成流程；自所述第一偽矩陣取得第一特徵向量，並且根據所述第一特徵向量產生第一特徵矩陣；對所述第一特徵矩陣執行奇異值分解以取得第一奇異值以及第二奇異值，並且根據所述第一奇異值與所述第二奇異值計算第一秩損失；根據關聯於所述第一秩損失的損失函數訓練所述特徵擷取模型以及所述偵測模型；以及通過所述收發器取得對應於第二物件的第二點雲，並且根據所述特徵擷取模型、所述距離適應性特徵生成模組以及所述偵測模型產生所述第二物件的定界框。
  2. 如請求項1所述的物件偵測裝置，其中所述距離適應性特徵生成流程更包括：使用第一卷積核對偽矩陣執行第一卷積運算以產生第一矩陣；使用第二卷積核對所述偽矩陣執行第二卷積運算以產生第二矩陣；根據所述第一矩陣、所述第二矩陣以及多項式函數產生第三矩陣；以及串接所述第三矩陣、所述第一矩陣以及所述第二矩陣以產生串接矩陣。
  3. 如請求項2所述的物件偵測裝置，其中所述偽矩陣為所述第一偽矩陣，其中所述處理器更經配置以執行：將所述串接矩陣輸入至所述偵測模型以產生預測定界框；以及根據對應於所述第一點雲的原始定界框以及所述預測定界框計算所述損失函數的函數值，並且根據所述函數值訓練所述特徵擷取模型以及所述偵測模型。
  4. 如請求項2所述的物件偵測裝置，其中所述偽矩陣對應於所述第二物件，其中所述處理器更經配置以執行：將所述串接矩陣輸入至所述偵測模型以產生所述第二物件的所述定界框。
  5. 如請求項2所述的物件偵測裝置，其中所述第一卷積核的尺寸與所述第二卷積核的尺寸相異。
  6. 如請求項5所述的物件偵測裝置，其中所述處理器更經配置以執行：對所述第一矩陣執行上取樣或下取樣的其中之一以使所述第一矩陣的尺寸與所述第二矩陣的尺寸相同。
  7. 如請求項2所述的物件偵測裝置，其中所述多項式函數的未知數關聯於偵測所述第一點雲的光達與所述第一物件之間的距離。
  8. 如請求項1所述的物件偵測裝置，其中所述處理器更經配置以執行：通過所述收發器取得多個點雲，其中所述多個點雲包括所述第一點雲；根據所述多個點雲產生分別對應於所述多個點雲的多個特徵矩陣，其中所述多個特徵矩陣包括所述第一特徵矩陣；根據所述多個特徵矩陣計算分別對應於所述多個特徵矩陣的多個秩損失，其中所述多個秩損失包括所述第一秩損失；以及響應於所述第一秩損失為所述多個秩損失中的最大秩損失而根據所述第一秩損失設計所述損失函數。
  9. 如請求項1所述的物件偵測裝置，其中所述第一奇異值為所述第一特徵矩陣的最大奇異值，並且所述第二奇異值為所述第一特徵矩陣的次大奇異值，其中所述第一秩損失等於所述最大奇異值與所述次大奇異值的比值。
  10. 一種基於點雲的物件偵測方法，包括： 取得對應於第一物件的第一點雲，將所述第一點雲輸入至特徵擷取模型以產生第一偽矩陣，並且將所述第一偽矩陣輸入所述距離適應性特徵生成模組以執行一距離適應性特徵生成流程；自所述第一偽矩陣取得第一特徵向量，並且根據所述第一特徵向量產生第一特徵矩陣；對所述第一特徵矩陣執行奇異值分解以取得第一奇異值以及第二奇異值，並且根據所述第一奇異值與所述第二奇異值計算第一秩損失；根據關聯於所述第一秩損失的損失函數訓練所述特徵擷取模型以及偵測模型；以及取得對應於第二物件的第二點雲，並且根據所述特徵擷取模型、距離適應性特徵生成模組以及所述偵測模型產生所述第二物件的定界框。
TW110136710A 2021-10-01 2021-10-01 基於點雲的物件偵測裝置和物件偵測方法 TWI786860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW110136710A TWI786860B (zh) 2021-10-01 2021-10-01 基於點雲的物件偵測裝置和物件偵測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110136710A TWI786860B (zh) 2021-10-01 2021-10-01 基於點雲的物件偵測裝置和物件偵測方法

Publications (2)

Publication Number Publication Date
TWI786860B true TWI786860B (zh) 2022-12-11
TW202316143A TW202316143A (zh) 2023-04-16

Family

ID=85794932

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110136710A TWI786860B (zh) 2021-10-01 2021-10-01 基於點雲的物件偵測裝置和物件偵測方法

Country Status (1)

Country Link
TW (1) TWI786860B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW202101027A (zh) * 2019-03-22 2021-01-01 美商菲爾薇解析公司 基於飛行時間的三維感測系統
US20210042929A1 (en) * 2019-01-22 2021-02-11 Institute Of Automation, Chinese Academy Of Sciences Three-dimensional object detection method and system based on weighted channel features of a point cloud
US20210141053A1 (en) * 2019-11-12 2021-05-13 Steradian Semiconductors Private Limited System and method for generating point cloud data in a radar based object detection
TW202124190A (zh) * 2019-12-27 2021-07-01 財團法人工業技術研究院 基於2d影像標記資訊的3d影像標記方法及3d影像標記裝置
CN113298833A (zh) * 2021-05-20 2021-08-24 山东大学 目标物点云特征线面提取方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210042929A1 (en) * 2019-01-22 2021-02-11 Institute Of Automation, Chinese Academy Of Sciences Three-dimensional object detection method and system based on weighted channel features of a point cloud
TW202101027A (zh) * 2019-03-22 2021-01-01 美商菲爾薇解析公司 基於飛行時間的三維感測系統
US20210141053A1 (en) * 2019-11-12 2021-05-13 Steradian Semiconductors Private Limited System and method for generating point cloud data in a radar based object detection
TW202124190A (zh) * 2019-12-27 2021-07-01 財團法人工業技術研究院 基於2d影像標記資訊的3d影像標記方法及3d影像標記裝置
CN113298833A (zh) * 2021-05-20 2021-08-24 山东大学 目标物点云特征线面提取方法及系统

Also Published As

Publication number Publication date
TW202316143A (zh) 2023-04-16

Similar Documents

Publication Publication Date Title
US11126862B2 (en) Dense crowd counting method and apparatus
CN111160214B (zh) 一种基于数据融合的3d目标检测方法
TWI766855B (zh) 一種字符識別方法和裝置
Li et al. Improved point-voxel region convolutional neural network: 3D object detectors for autonomous driving
US10929998B2 (en) Method and apparatus for estimating disparity
WO2023193401A1 (zh) 点云检测模型训练方法、装置、电子设备及存储介质
CN113807350A (zh) 一种目标检测方法、装置、设备及存储介质
JP7233571B2 (ja) アテンションマップを利用してイメージ上の物体を検出する物体検出ネットワークを学習及びテストする方法及び装置
CN108345831A (zh) 基于点云数据的道路图像分割的方法、装置以及电子设备
CN111242199A (zh) 图像分类模型的训练方法及分类方法
CN107316316A (zh) 基于多特征自适应融合和核相关滤波技术的目标跟踪方法
EP3903232A1 (en) Realistic sensor simulation and probabilistic measurement correction
CN113705669A (zh) 一种数据匹配方法、装置、电子设备以及存储介质
CN114445310B (zh) 一种3d目标检测方法、装置、电子设备和介质
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
TWI786860B (zh) 基於點雲的物件偵測裝置和物件偵測方法
CN115937520A (zh) 基于语义信息引导的点云运动目标分割方法
US20220164961A1 (en) Method and apparatus with object tracking
CN111126358A (zh) 人脸检测方法、装置、存储介质及设备
CN113281779B (zh) 一种3d物体快速检测方法、装置、设备及介质
CN114638996B (zh) 基于对抗学习的模型训练方法、装置、设备和存储介质
CN114638891A (zh) 基于图像和点云融合的目标检测定位方法与系统
CN113822871A (zh) 基于动态检测头的目标检测方法、装置、存储介质及设备
CN116206196B (zh) 一种海洋低光环境多目标检测方法及其检测系统
WO2022017129A1 (zh) 目标对象检测方法、装置、电子设备及存储介质