车辆目标检测模型的生成方法、车辆目标检测方法及装置制造方法及图纸

本申请涉及一种车辆目标检测模型的生成方法、车辆目标检测方法、装置、计算机设备和存储介质。所述方法包括：对所获取的点云样本进行特征提取；将得到的原始特征输入至点云分割网络，检测出点云样本中的前景点；对前景点的原始特征进行融合，生成浅层特征；将根据浅层特征生成的多尺度特征进行重复融合，生成深层特征；将深层特征输入至区域候选网络，输出回归结果和分类结果；根据回归结果和分类结果完成对车辆目标检测模型的训练。该方法中，点云的前背景点预测与最终的目标检测是顺序进行的，实现了端到端训练，实施过程简单；且通过在剔除背景点云的情况下实现对有用信息的提取，能够加快模型的生成和使用效率，提高车辆目标检测的精度。

【技术实现步骤摘要】
车辆目标检测模型的生成方法、车辆目标检测方法及装置
本申请涉及车辆检测
，特别是涉及一种车辆目标检测模型的生成方法、装置、计算机设备和存储介质，以及一种车辆目标检测方法、装置、计算机设备和存储介质。
技术介绍
随着人工智能技术、互联网技术以及汽车产业的发展，使得汽车智能化程度越来越高。汽车智能化包括驾驶辅助和无人驾驶。对于无人驾驶，安全性是人们最关注的问题之一。无人车对周围环境的准确感知是保证安全的基础，而基于机器视觉的车辆目标检测则属于其中的重要一项。近年来，深度学习得到了快速发展。卷积神经网络在图像识别和目标检测中得到广泛应用。与此同时，很多深度学习模型也应用到了三维车辆目标检测中。如voxel-net(基于点云的三维空间信息逐层次学习网络)、SECOND(SparselyEmbeddedConvolutionalDetection，稀疏嵌入的卷积目标检测网络)、Frustum_Pointnet(一种三维目标检测网络)等。这些模型以从激光雷达接收的激光点云或者从相机得到的图像为输入，通过计算，得出三维空间车辆目标的位置信息、车本文档来自技高网...

【技术保护点】
1.一种车辆目标检测模型的生成方法，其特征在于，所述方法包括：/n对所获取的点云样本进行特征提取，得到原始特征；/n将所述原始特征输入至点云分割网络，检测出所述点云样本中的前景点；/n对所述前景点的原始特征进行融合，生成浅层特征；/n将根据所述浅层特征生成的多尺度特征进行重复融合，生成深层特征；/n将所述深层特征输入至区域候选网络，输出回归结果和分类结果；/n根据所述回归结果和分类结果对车辆目标检测模型进行训练，生成训练好的车辆目标检测模型。/n

【技术特征摘要】
1.一种车辆目标检测模型的生成方法，其特征在于，所述方法包括：
对所获取的点云样本进行特征提取，得到原始特征；
将所述原始特征输入至点云分割网络，检测出所述点云样本中的前景点；
对所述前景点的原始特征进行融合，生成浅层特征；
将根据所述浅层特征生成的多尺度特征进行重复融合，生成深层特征；
将所述深层特征输入至区域候选网络，输出回归结果和分类结果；
根据所述回归结果和分类结果对车辆目标检测模型进行训练，生成训练好的车辆目标检测模型。


2.根据权利要求1所述的方法，其特征在于，将所述原始特征输入至点云分割网络，检测出所述点云样本中的前景点，包括：
对点云的鸟瞰图平面进行划分，得到多个网格；
将所述原始特征映射到所述鸟瞰图平面中，得到每个网格中的原始特征，将每个网格中的原始特征进行融合，得到每个网格的局部特征；
根据所述原始特征和所述局部特征，采用所述点云分割网络检测出所述点云样本中的前景点。


3.根据权利要求2所述的方法，其特征在于，所述根据所述原始特征和所述局部特征，采用所述点云分割网络检测出所述点云样本中的前景点，包括：
将所述原始特征进行融合，生成全场景特征；
根据所述局部特征、所述全场景特征和所述原始特征，检测出所述点云样本中的前景点。


4.根据权利要求3所述的方法，其特征在于，所述根据所述局部特征、所述全场景特征和所述原始特征，检测出所述点云样本中的前景点，包括：
根据每个网格内点云样本中点的数量，对每个网格的局部特征进行复制；
根据所述点云样本中点的数量，对所述全场景特征进行复制；
将复制后的所述局部特征和所述全场景特征，以及所述原始特征进行拼接生成拼接特征；
对所述拼接特征进行卷积处理，输出所述点云样本中的前景点。


5.根据权利要求2所述的方法，其特征在于，所述对所述前景点的原始...

【专利技术属性】
技术研发人员：周康明，郭义波，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：上海;31