本发明专利技术涉及目标检测领域，尤其涉及一种目标检测方法、装置、电子设备和可读存储介质。该方法通过获取待检测图像，对所述待检测图像进行特征提取，以获取所述待检测图像的特征图像，然后根据所述待检测图像获取第一特征向量，投射所述第一特征向量至所述特征图像，从而获取第二特征向量，所述第二特征向量包括所述待检测图像的目标特征信息。该目标检测方法、装置、电子设备和可读存储介质能够实现对点云和图像进行深度的整合，提高了3D检测目标性能。性能。性能。
【技术实现步骤摘要】
一种目标检测方法、装置、电子设备和可读存储介质
[0001]本专利技术涉及图像处理的
，主要涉及一种目标检测方法、装置、电子设备和可读存储介质。
技术介绍
[0002]自动驾驶汽车又称无人驾驶汽车，是一种通过电脑系统实现无人驾驶的智能汽车，目前在自动驾驶领域对于传感器前融合的研究还在起步阶段，传感器的前融合是通过利用各传感器的原始数据融合，将每种传感模态的优势结合，达到更好的环境感知效果。
[0003]基于神经网络的前融合通常是使用两个单独的网络来分别提取点云和图像的特征，由于这两个单独的神经网络内部并没有信息的融合，仅仅是将点云特征和图像特征做了一个合并，所以不能根据图像特征提取点云特征，从而导致图像和点云的信息无法进行深度的整合，出现3D目标检测性能低的问题。
技术实现思路
[0004]本专利技术实施例提供一种基于神经网络前融合的方法、装置和电子设备，旨在解决现有技术中自动驾驶汽车领域前融合的点云和图像不能进行深度的整合、3D目标检测性能低的技术问题。
[0005]为解决上述技术问题，本专利技术实施方式采用的一个技术方案是：提供一种目标检测方法，所述方法包括：
[0006]获取待检测图像；
[0007]对所述待检测图像进行特征提取，以获取所述待检测图像的特征图像；
[0008]根据所述待检测图像获取第一特征向量；
[0009]投射所述第一特征向量至所述特征图像，以获取第二特征向量，所述第二特征向量包括所述待检测图像的目标特征信息。<br/>[0010]可选的，所述对所述待检测图像进行特征提取，以获取所述待检测图像的特征图像，包括：
[0011]对所述待检测图像进行卷积处理，获取不同层次的卷积特征图；
[0012]在所述卷积特征图上设置锚点，获取所述卷积特征图的第一目标区域；
[0013]在所述锚点为积极属性的锚点时，根据所述第一目标区域对所述锚点进行修正，获取第二目标区域；
[0014]根据所述卷积特征图将所述第二目标区域划分网格，并将所述网格进行处理，获取第三目标区域；
[0015]对所述第三目标区域进行分类，获取所述特征图像。
[0016]可选的，所述根据所述待检测图像获取第一特征向量，包括：
[0017]基于激光雷达获取所述待检测图像对应的四维点云向量；
[0018]提取所述四维点云向量中点的位置坐标，并根据所述位置坐标建立所述第一特征
向量。
[0019]可选的，所述对所述待检测图像进行特征提取，以获取所述待检测图像的特征图像和所述根据所述待检测图像获取第一特征向量和所述投射所述第一特征向量至所述特征图像的步骤由预设的算法模型执行；
[0020]所述方法还包括：
[0021]获取训练样本，所述训练样本包括批量待检测图像数据；
[0022]根据预设标签对所述批量待检测图像数据进行标注，以获取标注后的训练样本，所述预设标签包括是目标区域的前景；
[0023]将所述标注后的训练样本输入所述预设的算法模型中，以输出所述训练样本的特征图像；
[0024]根据分类损失函数和绝对损失函数约束所述特征图像和所述预设标签的关系，以使所述预设的算法模型输出的所述特征图像与所述预设标签逼近；
[0025]获取所述特征图像中最逼近于所述前景的特征图像；
[0026]将所述最逼近于所述前景的特征图像对应的算法模型作为所述预设的算法模型。
[0027]可选的，在执行所述根据所述待检测图像获取第一特征向量的步骤之后，所述方法还包括：
[0028]将所述第一特征向量与所述特征图像进行归一化处理，以获取所述第一特征向量对应的图向量；
[0029]对所述图向量进行下采样。
[0030]为解决上述技术问题，本专利技术实施方式采用的另一个技术方案是：提供一种目标检测装置，所述装置包括：
[0031]第一获取模块，用于获取待检测图像；
[0032]提取模块，用于对所述待检测图像进行特征提取，以获取所述待检测图像的特征图像；
[0033]第二获取模块，用于根据所述待检测图像获取第一特征向量；
[0034]第三获取模块，用于投射所述第一特征向量至所述特征图像，以获取第二特征向量，所述第二特征向量包括所述待检测图像的目标特征信息。
[0035]可选的，所述提取模块包括：
[0036]第一获取单元，用于对所述待检测图像进行卷积处理，获取不同层次的卷积特征图；
[0037]第二获取单元，用于在所述卷积特征图上设置锚点，获取所述卷积特征图的第一目标区域；
[0038]修正单元，用于在所述锚点为积极属性的锚点时，根据所述第一目标区域对所述锚点进行修正，获取第二目标区域；
[0039]处理单元，用于根据所述卷积特征图将所述第二目标区域划分网格，并将所述网格进行处理，获取第三目标区域；
[0040]第三获取单元，用于对所述第三目标区域进行分类，获取所述特征图像。
[0041]可选的，所述第二获取模块包括：
[0042]第四获取单元，用于基于激光雷达获取所述待检测图像对应的四维点云向量；
[0043]提取单元，用于提取所述四维点云向量中点的位置坐标，并根据所述位置坐标建立所述第一特征向量。
[0044]为解决上述技术问题，本专利技术实施方式采用的又一个技术方案是：提供一种电子设备，所述电子设备包括：
[0045]至少一个处理器；以及，
[0046]与所述至少一个处理器通信连接的存储器；其中，
[0047]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的方法。
[0048]为解决上述技术问题，本专利技术实施方式采用的又一个技术方案是：提供一种可读存储介质，所述可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述所述的方法。
[0049]区别于相关技术的情况，本专利技术实施例提供的一种目标检测方法、装置、电子设备和可读存储介质，通过获取待检测图像，对所述待检测图像进行特征提取，以获取所述待检测图像的特征图像，然后根据所述待检测图像获取第一特征向量，投射所述第一特征向量至所述特征图像，从而获取第二特征向量，所述第二特征向量包括所述待检测图像的目标特征信息。该目标检测方法、装置、电子设备和可读存储介质能够实现对点云和图像进行深度的整合，提高了3D检测目标性能。
【附图说明】
[0050]一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
[0051]图1是本专利技术实施例提供的一种目标检测方法的流程图；
[0052]图2是本专利技术实施例提供的对所述待检测图像进行特征提取，以获取所述待检测本文档来自技高网...
【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，所述方法包括：获取待检测图像；对所述待检测图像进行特征提取，以获取所述待检测图像的特征图像；根据所述待检测图像获取第一特征向量；投射所述第一特征向量至所述特征图像，以获取第二特征向量，所述第二特征向量包括所述待检测图像的目标特征信息。2.根据权利要求1所述的方法，其特征在于，所述对所述待检测图像进行特征提取，以获取所述待检测图像的特征图像，包括：对所述待检测图像进行卷积处理，获取不同层次的卷积特征图；在所述卷积特征图上设置锚点，获取所述卷积特征图的第一目标区域；在所述锚点为积极属性的锚点时，根据所述第一目标区域对所述锚点进行修正，获取第二目标区域；根据所述卷积特征图将所述第二目标区域划分网格，并将所述网格进行处理，获取第三目标区域；对所述第三目标区域进行分类，获取所述特征图像。3.根据权利要求1所述的方法，其特征在于，所述根据所述待检测图像获取第一特征向量，包括：基于激光雷达获取所述待检测图像对应的四维点云向量；提取所述四维点云向量中点的位置坐标，并根据所述位置坐标建立所述第一特征向量。4.根据权利要求1至3任一项所述的方法，其特征在于，所述对所述待检测图像进行特征提取，以获取所述待检测图像的特征图像和所述根据所述待检测图像获取第一特征向量和所述投射所述第一特征向量至所述特征图像的步骤由预设的算法模型执行；所述方法还包括：获取训练样本，所述训练样本包括批量待检测图像数据；根据预设标签对所述批量待检测图像数据进行标注，以获取标注后的训练样本，所述预设标签包括是目标区域的前景；将所述标注后的训练样本输入所述预设的算法模型中，以输出所述训练样本的特征图像；根据分类损失函数和绝对损失函数约束所述特征图像和所述预设标签的关系，以使所述预设的算法模型输出的所述特征图像与所述预设标签逼近；获取所述特征图像中最逼近于所述前景的特征图像；将所述最逼近于所述前景的特征图像对应的算法模型作为所述预设的算法模型。5.根据权利要求1所述...
【专利技术属性】
技术研发人员：张益铭，常宇飞，
申请(专利权)人：深圳市惠尔智能有限公司，
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。