基于FPGA的点云网络的非极大值抑制方法技术

本发明专利技术涉及到点云网络技术领域，尤其涉及到一种基于FPGA的点云网络的非极大值抑制方法，主要包括根据根据置信度对框进行排序，得到一个置信度由大到小的框的序列；以第一个框为基准与剩下的所有框依次比较，若交并比大于预设阈值将后者去除；之后，在除去第一个框和剔除的框以外剩下的框中选择置信度最高的为基准，因为是有序的所以剩下框中最前面的为置信度最高的；重复上一轮S1～S3的动作，直至所有的框都遍历完，NMS结束；本发明专利技术方案利用FPGA并行计算的优势，大大提高了点云网络的NMS计算速度。在较少资源的使用的同时达到了很高的计算效率。

【技术实现步骤摘要】
基于FPGA的点云网络的非极大值抑制方法
本专利技术涉及到点云网络
，尤其涉及到一种基于FPGA的点云网络的非极大值抑制方法。
技术介绍
安全性是无人驾驶领域中人们最为关注的问题之一。无人驾驶领域的安全性不仅仅需要传统驾驶领域中物理层面的保障更需要算法层面的保障，车辆对周围环境的感知的正确与否是无人驾驶的关键。实际使用环境中周围的环境往往是十分多变的，所以无人车的测试中往往都会有“极端条件下无人车传感器的可靠性”这项测试。目前用的最多的传感器就是摄像头，但是摄像头经常会出现过曝和欠曝的情况非常不稳定，因此自动驾驶公司普遍使用多传感器，除了摄像头外常用的还有GPS，激光雷达等等，其中激光雷达作为自动驾驶领域的重要传感器之一，相关的算法也正在飞速发展。FPGA(FieldProgrammableGateArray)即现场可编程门阵列，它是在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物，它是作为专用集成电路(ASIC)领域中的一种半定制电路出现的，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。其并行计算的特点非常适合用来实现卷积神经网络，在深度学习领域越来越多的人选择了FPGA。深度学习被广泛地应用在各个领域，随着图片物体检测算法的发展，点云物体检测也逐步转向了深度学习。两者由于数据特点的不同很多方面的处理都跟传统意义上的图像不一样。以非极大值抑制NMS(NonMaximumSuppression)为例，传统目标检测算法的框都是正框，框的边平行于坐标轴，两框交集均为矩形，计算交并比的时候只需计算出交集的长和宽就可以计算交集的面积。但是对于点云算法框均为带旋转角度的斜框，框的边不一定会平行与坐标轴，两框交集为多边形，交集面积非常不好计算，这就导致点云网络的NMS比传统目标检测算法的NMS复杂且效率低。
技术实现思路
鉴于上述技术问题，本专利技术提供了一种基于FPGA的点云网络的非极大值抑制方法，该技术方案利用FPGA并行计算的优势，大大提高了点云网络的NMS计算速度，在较少资源的使用的同时达到了很高的计算效率。一种基于FPGA的点云网络的非极大值抑制方法，其特征在于，所述方法包括：步骤S1：根据置信度排序；根据根据置信度对框进行排序，得到一个置信度由大到小的框的序列；步骤S2：以第一个框为基准遍历计算交并比；以第一个框为基准与剩下的所有框依次比较，若交并比大于预设阈值将后者去除；步骤S3：剔除交并比大的框，之后，在除去第一个框和剔除的框以外剩下的框中选择置信度最高的为基准，因为是有序的所以剩下框中最前面的为置信度最高的；步骤S4：重复上一轮S1～S3的动作，直至所有的框都遍历完，NMS结束。上述的基于FPGA的点云网络的非极大值抑制方法，其特征在于，步骤S2中，预设两条直线AB和CD，交并比计算时首先需要判断是否有交点，两个斜框的交点有以下三种情况，第一是两框的顶点重合，第二是一个框的顶点落在了另一个框中，第三种情况是两框边的交点，若这些点都不存在则两框不相交即交并比为零。上述的基于FPGA的点云网络的非极大值抑制方法，其特征在于，将以上的三种点都求出来后，将他们依次围起来就是两框交集，所述交集计算方法包括：首先明确已知条件为两框的八个点的坐标，坐标都是有序的顺序为从左下角的点开始逆时针转一圈，顶点重合可以在点在框内部中判断，第一步要求两框边的交点，可以简化成线段求交点，要首先判断是否相交，可以用向量来求解，所述两条直线AB和CD，若向量AC和AD与向量AB的外积异号且向量BC和BD与向量BA的外积异号则线段CD与AB相交，以向量AB叉乘向量AC计算公式为：(x2-x1)(y3-y1)-(x3-x1)(y2-y1)K＝(x1-x2)(y3-y4)-(y1-y2)(x3-x4)若K＝0则说明线段AB和CD共线，否则可求出交点坐标为：接着判断点在框内，假设需要判断的点为A，过A做一条到框最左端位置的水平射线若和框的交点为奇数则在框内，若交点为偶数则在框外。上述的基于FPGA的点云网络的非极大值抑制方法，其特征在于，取交集多边形的中点(坐标求均值即可)，接着从中点做到每个顶点的向量，以其中一个为基准，每个向量跟基准向量做外积，外积结果为正的为顺集，负的为逆集，若为0则距离终点较远的为顺集，对每个集合采取相同的动作，若干轮后就会得到一个有序的点集上述的基于FPGA的点云网络的非极大值抑制方法，其特征在于，得到了有序点集，接着需要算交集的面积，ABCD为交集，O为原点，求ABCD面积需要先从原点到ABCD分别做向量，面积公式如下：交集面积求出，并集的面积等于两框面积和减去交集面积，交集并集都求出后，交集除以并集求出交并比。上述技术方案具有如下优点或有益效果：本专利技术提供了一种基于FPGA的点云网络的非极大值抑制方法，本专利技术方案利用FPGA并行计算的优势，大大提高了点云网络的NMS计算速度。在较少资源的使用的同时达到了很高的计算效率附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术及其特征、外形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未可以按照比例绘制附图，重点在于示出本专利技术的主旨。图1是非极大值抑制的常用算法流程图；图2是线段相交判断示意图；图3是多边形面积计算示意图；图4是FPGA实现非极大值抑制流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1和图4所示，为本专利技术基于FPGA的点云网络的非极大值抑制方法整体示意图，主要方法包括有：步骤S1：根据根据置信度对框进行排序，得到一个置信度由大到小的框的序列；步骤S2：以第一个框为基准与剩下的所有框依次比较，若交并比大于预设阈值将后者去除；步骤S3：之后，在除去第一个框和剔除的框以外剩下的框中选择置信度最高的为基准，因为是有序的所以剩下框中最前面的为置信度最高的；步骤S4：重复上一轮S1～S3的动作，直至所有的框都遍历完，NMS结束。图1为非极大值抑制的常用算法流程图，图1流程其实不只是点云网络，基本上任何目标检测网络的NMS都是这个流程，而点云网络和传统目标检测网络的NMS主要区别在于计算交并比的过程中，点云网络的NMS的计算慢也是由于计算交并比的时候计算量比传统NMS要大很多。步骤S2中，预设两条直线AB和CD，交并比计算时首先需要判断是否有交点。两个斜框的交点有以下三种情况，第一是两框的顶点重合，第二是一个框的顶点落在了另一个框中，第三种情况是两框边的交点。若这些点都不存在则两框不相交即本文档来自技高网...

【技术保护点】
1.一种基于FPGA的点云网络的非极大值抑制方法，其特征在于，所述方法包括：/n步骤S1：根据置信度对框进行排序，得到一个置信度由大到小的框的序列；/n步骤S2：以第一个框为基准与剩下的所有框依次比较，若交并比大于预设阈值将后者去除；/n步骤S3：之后，在除去第一个框和剔除的框以外剩下的框中选择置信度最高的为基准，因为是有序的所以剩下框中最前面的为置信度最高的；/n步骤S4：重复上一轮S1～S3的动作，直至所有的框都遍历完，NMS结束。/n

【技术特征摘要】
1.一种基于FPGA的点云网络的非极大值抑制方法，其特征在于，所述方法包括：
步骤S1：根据置信度对框进行排序，得到一个置信度由大到小的框的序列；
步骤S2：以第一个框为基准与剩下的所有框依次比较，若交并比大于预设阈值将后者去除；
步骤S3：之后，在除去第一个框和剔除的框以外剩下的框中选择置信度最高的为基准，因为是有序的所以剩下框中最前面的为置信度最高的；
步骤S4：重复上一轮S1～S3的动作，直至所有的框都遍历完，NMS结束。


2.根据权利要求1所述的基于FPGA的点云网络的非极大值抑制方法，其特征在于，步骤S2中，预设两条直线AB和CD，交并比计算时首先需要判断是否有交点，两个斜框的交点有以下三种情况，第一是两框的顶点重合，第二是一个框的顶点落在了另一个框中，第三种情况是两框边的交点，若这些点都不存在则两框不相交即交并比为零。


3.根据权利要求2所述的基于FPGA的点云网络的非极大值抑制方法，其特征在于，将以上的三种点都求出来后，将他们依次围起来就是两框交集，所述交集计算方法包括：
首先明确已知条件为两框的八个点的坐标，坐标都是有序的顺序为从左下角的点开始逆时针转一圈，顶点重合可以在点在框内部中判断，第一步要求两框边的交点，可以简化成线段求交点，要首先判断是否相交，可以用向量来求解，所述两条直线AB和CD...

【专利技术属性】
技术研发人员：张震，
申请(专利权)人：上海雪湖科技有限公司，
类型：发明
国别省市：上海;31