一种目标检测方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种目标检测方法、装置、设备及存储介质，在基于点云数据得到目标图之后，对目标图进行卷积，最大化地保留了点云数据特征的多样性，在此基础上又利用注意力机制对图卷积得到的特征图进行加权，增强了目标所在区域的占比，也即本申请实施例在进行目标检测时，不仅增加了点云数据特征的多样性，同时增强了目标所在区域的占比，由此增加了目标检测结果的准确性。标检测结果的准确性。标检测结果的准确性。

【技术实现步骤摘要】
一种目标检测方法、装置、设备及存储介质


[0001]本申请实施例涉及目标检测
，尤其涉及一种目标检测方法、装置、设备及存储介质。

技术介绍

[0002]随着人工智能技术的发展，自动进行环境目标检测成为环境感知过程的常用手段。
[0003]在进行环境目标检测时，一种常见的方式是利用激光雷达采集周围环境的点云数据，根据点云数据进行目标检测。
[0004]传统方式在基于点云数据进行目标检测时，准确性较差。
[0005]申请内容
[0006]本申请实施例提供一种目标检测方法、装置、设备及存储介质，可以提高检测结果的准确性。
[0007]第一方面，本申请实施例提供了一种目标检测方法，包括：
[0008]根据点云数据在预设方向的投影点，生成目标图，目标图是由投影点和投影点之间的连线构成的图；
[0009]对目标图的节点和边进行卷积操作，提取节点的节点特征和边的边特征，得到第一特征图；
[0010]根据注意力机制对第一特征图加权，得到与第一特征图对应的第二特征图；
[0011]根据第二特征图进行目标检测。
[0012]第二方面，本申请实施例提供了一种目标检测装置，包括：
[0013]目标图生成模块，用于根据点云数据在预设方向的投影点，生成目标图，目标图是由投影点和投影点之间的连线构成的图；
[0014]卷积模块，用于对目标图的节点和边进行卷积操作，提取节点的节点特征和边的边特征，得到第一特征图；
[0015]加权模块，用于根据注意力机制对第一特征图加权，得到与第一特征图对应的第二特征图；
[0016]检测模块，用于根据第二特征图进行目标检测。
[0017]第三方面，本申请实施例提供了一种电子设备，包括：
[0018]激光雷达，用于采集点云数据；
[0019]处理器；
[0020]存储器，用于存储计算机程序指令；
[0021]当计算机程序指令被处理器执行时，实现如第一方面所述的方法。
[0022]第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如第一方面所述的方法。
[0023]本申请实施例提供的目标检测方法、装置、设备及存储介质，在基于点云数据得到
目标图之后，对目标图进行卷积，最大化地保留了点云数据特征的多样性，在此基础上又利用注意力机制对图卷积得到的特征图进行加权，增强了目标所在区域的占比，也即本申请实施例在进行目标检测时，不仅增加了点云数据特征的多样性，同时增强了目标所在区域的占比，由此增加了目标检测结果的准确性。
附图说明
[0024]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1为本申请实施例提供的一种目标检测方法的流程图；
[0026]图2为本申请实施例提供的一种投影点的示意图；
[0027]图3为本申请实施例提供的一种目标图的示意图；
[0028]图4为本申请实施例提供的一种候选图的示意图；
[0029]图5为本申请实施例提供的另一种目标检测方法的流程图；
[0030]图6为本申请实施例提供的另一种目标检测方法的流程图；
[0031]图7为本申请实施例提供的一种柱体的示意图；
[0032]图8为本申请实施例提供的一种目标检测装置的结构图；
[0033]图9为本申请实施例提供的一种电子设备的结构图。
具体实施方式
[0034]下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本申请，并不被配置为限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
[0035]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0036]激光雷达作为一种重要的环境感知传感器，目前被广泛应用于自动驾驶、智能机器人、人机交互、行为识别等相关领域中。
[0037]以应用于自动驾驶领域为例，自动驾驶车辆在行进过程中，可以根据激光雷达采集的周围环境的点云数据，感知周围的环境，例如可以感知周围的障碍物，从而及时避开障碍物，保证驾驶安全。
[0038]在进行障碍物等目标检测时，目前常用的方式是将点云数据输入深度卷积神经网络，由深度卷积神经网络输出检测结果，该深度卷积神经网络包含池化层，池化层的池化类
型为最大池化，即选取局部区域中值最大的特征点，导致特征过度丢失，降低了检测结果的准确性。
[0039]为此，本申请实施例提供了一种目标检测方法，可以提高检测结果的准确性。该方法可以应用于利用激光雷达感知周围环境的场景中。另外，本申请实施例提供的目标检测方法，执行主体可以是目标检测装置，或者该目标检测装置中用于执行目标检测方法的处理模块。该目标检测装置可以集成在自动驾驶车辆、移动机器人等智能设备中。
[0040]本申请实施例以集成在自动驾驶车辆中的目标检测装置执行目标检测方法为例，说明本申请实施例提供的目标检测方法。
[0041]图1为本申请实施例提供的一种目标检测方法的流程图。
[0042]如图1所示，该目标检测方法可以包括S110
‑
S140，具体如下所示：
[0043]S110、根据点云数据在预设方向的投影点，生成目标图。
[0044]其中，目标图是由投影点和投影点之间的连线构成的图。点云数据可以由激光雷达采集，本申请实施例对激光雷达的结构不做具体限定。车辆行驶过程中，激光雷达实时采集周围环境的点云数据，为车辆感知周围环境提供了依据。
[0045]激光雷达采集的原始点云数据一般包含(x,y,z,r)四个维度，其中x,y,z分别代表点云数据在空间坐标系的x轴、y轴和z轴，r为激光雷达发射的激光束对物体的反射率。
[0046]为了增加点云数据特征的多样性，在一个实施例中，可以扩展原始点云数据的维度，例如可以将其扩展为(x,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：根据点云数据在预设方向的投影点，生成目标图，所述目标图是由所述投影点和投影点之间的连线构成的图；对所述目标图的节点和边进行卷积操作，提取所述节点的节点特征和所述边的边特征，得到第一特征图；根据注意力机制对所述第一特征图加权，得到与所述第一特征图对应的第二特征图；根据所述第二特征图进行目标检测。2.根据权利要求1所述的方法，其特征在于，所述注意力机制包括通道注意力机制和空间注意力机制，所述第一特征图包括多个通道；所述根据注意力机制对所述第一特征图加权，得到与所述第一特征图对应的第二特征图，包括：根据所述通道注意力机制对所述第一特征图的各通道加权，得到通道特征图；根据所述空间注意力机制对所述第一特征图中的各像素点加权，得到空间特征图；叠加所述通道特征图和空间特征图，得到所述第二特征图。3.根据权利要求1所述的方法，其特征在于，所述注意力机制包括通道注意力机制和空间注意力机制，所述第一特征图包括多个通道；所述根据注意力机制对所述第一特征图加权，得到与所述第一特征图对应的第二特征图，包括：根据所述通道注意力机制对所述第一特征图的各通道加权，得到通道特征图；根据所述空间注意力机制对所述通道特征图中的各像素点加权，得到所述第二特征图。4.根据权利要求1所述的方法，其特征在于，所述根据所述第二特征图进行目标检测，包括：根据所述第二特征图生成与所述点云数据对应的二维图像；对所述二维图像进行多卷积核的特征提取操作，得到所述二维图像在各卷积核下的图像特征；叠加各所述卷积核对应的图像特征，得到叠加特征；根据所述叠加特征进行目标检测。5.根据权利要求1所述的方法，其特征在于，所述根据点云数据在预设方向的投影点，生成目标图，包括：从所述投影点中确定中心点以及所述中心点的最近邻点；根据路径随机游走方法确定与所述中心点对...

【专利技术属性】
技术研发人员：聂泳忠，杨素伟，
申请(专利权)人：西人马帝言北京科技有限公司，
类型：发明
国别省市：