【技术实现步骤摘要】
一种无人驾驶3D目标检测方法、装置及存储介质
本专利技术涉及一种目标检测方法，尤其涉及一种无人驾驶3D目标检测方法、装置及计算机存储介质。
技术介绍
随着基于卷积网络的识别算法出现，传统2D目标检测在精度与速率上均达到较高的水平，但其已无法满足无人驾驶场景下对目标物体三维大小与旋转角的需求，因此3D目标检测算法的研究在无人驾驶领域具有重要意义。根据数据来源的不同，无人驾驶中3D目标检测算法可分为：(1)纯视觉算法，利用Faster-RCNN、SSD、Yolo等成熟算法从RGB图像中模拟出3D目标框的位置与方向。(2)纯激光雷达算法，主要从点云信息中获取目标特征，利用点云信息二维化、3D卷积与点云体素处理等方案对点云信息进行特征提取，并实现3D目标框位置与方向的回归。(3)传感器融合方案，利用点云数据提供目标方位、距离等目标空间信息，RGB图像提供目标轮廓、纹理等目标详细信息，进而通过异构数据特征融合获取3D目标框。由于，不同类型的传感器均存在优势与缺陷，单传感器无法完成对无人驾驶功能性与安全性的全面覆盖。如：激光雷达...
【技术保护点】
1.一种无人驾驶3D目标检测方法，其特征在于，包括步骤：/n(1)通过激光雷达获取点云数据，通过摄像头传感器获取对检测目标拍摄的RGB图像数据，生成点云鸟瞰图；/n(2)构建目标检测网络，将卷积层分为高分辨率与低分辨率，分别生成高分辨率纹理层与低分辨率语义层，进而得到融合目标特征，生成目标特征图；/n(3)使用所述点云数据生成3D目标框，将所述3D目标框映射在所述融合目标特征上；/n(4)通过损失函数对标注好的3D目标数据集进行模型训练，通过步骤(2)中构建好的目标检测网络进行目标框的回归，得到当前所有目标的3D目标框。/n
【技术特征摘要】
1.一种无人驾驶3D目标检测方法，其特征在于，包括步骤：
(1)通过激光雷达获取点云数据，通过摄像头传感器获取对检测目标拍摄的RGB图像数据，生成点云鸟瞰图；
(2)构建目标检测网络，将卷积层分为高分辨率与低分辨率，分别生成高分辨率纹理层与低分辨率语义层，进而得到融合目标特征，生成目标特征图；
(3)使用所述点云数据生成3D目标框，将所述3D目标框映射在所述融合目标特征上；
(4)通过损失函数对标注好的3D目标数据集进行模型训练，通过步骤(2)中构建好的目标检测网络进行目标框的回归，得到当前所有目标的3D目标框。
2.根据权利要求1所述的无人驾驶3D目标检测方法，其特征在于，所述步骤(1)包括：
(11)以车辆为中心建立空间直角坐标系，选取点云范围；
(12)对范围内的点云信息进行二维化处理；
(13)对点云的密度信息进行可视化处理；
(14)对步骤(12)和(13)的结果进行鸟瞰处理，得到点云鸟瞰图。
3.根据权利要求1所述的无人驾驶3D目标检测方法，其特征在于，所述步骤(2)包括：
(21)构建目标检测网络，将卷积层分为高分辨率与低分辨率，所述高分辨率卷积层用于生成纹理特征，所述低分辨率卷积层用于生成语义特征，控制高低分辨率卷积层层数的比例以平衡目标检测的精度与速度；
(22)将所述RGB图像数据与激光点云数据设定关联，并将点云鸟瞰图与RGB图像输入目标检测网络；
(23)通过骨干网络生成不同分辨率的特征图，组合多尺度特征，生成目标特征图。
4.根据权利要求3所述的无人驾驶3D目标检测方法，其特征在于，所述步骤(23)包括：
(231)将点云鸟瞰图分为厚度为16的高分辨率卷积层与厚度为16的低分辨率卷积层接着分别在与上使用3x3卷积核进行三次卷积插值操作；对执行池化操作，同时对执行上采样操作；
(232)将池化后的与三次卷积操作后的进行连接操作，得到目标的特征融合结果高分辨率卷积层将上采样后的与三次卷积操作后的进行连接操作，得到目标的特征融合结果低分辨率卷积层重复上述操作，直到得到厚度为128的高分辨率卷积层和厚度为128的低分辨率卷积层
(233)建立特征金字塔层，包括高分辨率层PiH、低分辨率层PiL，对PiH与进行连接操作，对PiL与进行连接操作，分别得到对应的高低分别率融合特征层，其中，i表示对应的卷积层序号；
(234)在特征提取网络末端，对低分辨率卷积层进...
【专利技术属性】
技术研发人员：左洪年，
申请(专利权)人：中科曙光南京计算技术有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。