【技术实现步骤摘要】
目标对象检测方法、装置、电子设备及存储介质
[0001]本公开涉及激光雷达
，具体而言，涉及一种目标对象检测方法、装置、电子设备及存储介质。
技术介绍
[0002]一般的，物体检测与分割算法是较多人工智能应用的核心算法，比如，物体检测与分割算法可以应用于自动驾驶领域中，对车辆行驶过程中的机动车辆、非机动车辆、行人、障碍物等对象进行检测，避免发生碰撞。
[0003]卷积神经网络是一种特殊的神经网络结构，在人工智能场景中被广泛使用。基于卷积神经网络的检测和分割算法一般通过庞大的参数量组织一个复杂的计算模型来完成具体的任务，这样的计算模型往往对计算设备的性能有着极高的要求，并且实际应用中存在计算量大、功耗大、延迟高的问题，造成目标对象的检测过程较为复杂、计算量较大、耗时较长。
技术实现思路
[0004]有鉴于此，本公开至少提供一种目标对象检测方法、装置、电子设备及存储介质。
[0005]第一方面，本公开提供了一种目标对象检测方法，包括：
[0006]获取雷达装置采集的目标场景的目标点云...
【技术保护点】
【技术特征摘要】
1.一种目标对象检测方法，其特征在于，包括：获取雷达装置采集的目标场景的目标点云数据；基于所述目标点云数据，生成所述目标点云数据对应的至少一个目标稀疏矩阵；所述目标稀疏矩阵用于表征所述目标场景的不同位置处是否具有目标对象；基于所述至少一个目标稀疏矩阵、和所述目标点云数据，确定所述目标场景中包括的目标对象的三维检测数据。2.根据权利要求1所述的方法，其特征在于，基于所述目标点云数据，生成所述目标点云数据对应的至少一个目标稀疏矩阵，包括：基于所述目标点云数据，确定用于检测所述目标对象的神经网络中，每一层卷积模块分别对应的目标稀疏矩阵。3.根据权利要求2所述的方法，其特征在于，基于所述目标点云数据，确定所述神经网络中每一层卷积模块分别对应的目标稀疏矩阵，包括：基于所述目标点云数据，生成初始稀疏矩阵；基于所述初始稀疏矩阵，确定与所述神经网络的每一层卷积模块输入的特征图的目标尺寸匹配的目标稀疏矩阵。4.根据权利要求3所述的方法，其特征在于，基于所述目标点云数据，生成初始稀疏矩阵，包括：确定所述目标点云数据对应的目标区域，并按照预设的栅格数量，将所述目标区域划分为多个栅格区域；基于所述目标点云数据对应的点云点所处的栅格区域，确定每个栅格区域对应的矩阵元素值；基于每个栅格区域对应的矩阵元素值，生成所述目标点云数据对应的初始稀疏矩阵。5.根据权利要求3或4所述的方法，其特征在于，基于所述初始稀疏矩阵，确定与所述神经网络的每一层卷积模块输入的特征图的目标尺寸匹配的目标稀疏矩阵，包括：基于所述初始稀疏矩阵，确定所述神经网络中，每一层卷积模块对应的输出稀疏矩阵，将该输出稀疏矩阵作为所述目标稀疏矩阵；或者，基于所述初始稀疏矩阵，确定所述神经网络中，每一层卷积模块对应的输入稀疏矩阵，将该输入稀疏矩阵作为所述目标稀疏矩阵；或者，基于所述初始稀疏矩阵，确定所述神经网络中，每一层卷积模块对应的输入稀疏矩阵和输出稀疏矩阵，将所述输入目标稀疏矩阵和输出目标稀疏矩阵进行融合，得到融合稀疏矩阵，将所述融合稀疏矩阵作为该层卷积模块对应的目标稀疏矩阵。6.根据权利要求5所述的方法，其特征在于，所述基于所述初始稀疏矩阵，确定所述神经网络中每一层卷积模块对应的输入稀疏矩阵，包括：将所述初始稀疏矩阵作为所述神经网络的第一层卷积模块对应的输入稀疏矩阵；基于第i-1层卷积模块对应的输入稀疏矩阵，确定第i层卷积模块对应的、与所述第i层卷积模块输入的特征图的目标尺寸匹配的输入稀疏矩阵；其中，i为大于1、且小于n+1的正整数，n为所述神经网络的卷积模块的层数。7.根据权利要求5所述的方法，其特征在于，所述基于所述初始稀疏矩阵，确定所述神经网络中每一层卷积模块对应的输出稀疏矩阵，包括：
基于所述目标对象的尺寸阈值和所述初始稀疏矩阵，确定所述神经网络对应的输出稀疏矩阵；基于所述输出稀疏矩阵，生成第n层卷积模块对应的、与所述第n层卷积模块输入的特征图的目标尺寸匹配的输出稀疏矩阵；基于第j+1层卷积模块对应的输出稀疏矩阵，生成第j层卷积模块对应的、与所述第j层卷积模块输入的特征图的目标尺寸匹配的输出稀疏矩阵，其中，j为大于等于1、且小于n的正整数，n为所述神经网络的卷积模块的层数。8.根据权利要求1～7任一所述的方法，其特征在于，基于所述至少一个目标稀疏矩阵、和所述目标点云数据，确定所述目标场景中包括的目标对象的三维检测数据，包括：基于所述目标点云数据，生成所述目标点云数据对应的目标点云特征图；基于所述...
【专利技术属性】
技术研发人员：付万增，王哲，石建萍，
申请(专利权)人：上海商汤临港智能科技有限公司，
类型：发明
国别省市：
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。