一种车辆检测方法、装置、设备及介质制造方法及图纸

本申请公开了一种车辆检测方法、装置、设备及介质，包括：将训练数据输入车辆检测模型；训练数据包括LiDAR点云数据、为车辆标注的整体框；从LiDAR点云数据中确定出整体框中的有效LiDAR点，并利用目标车辆的有效LiDAR点生成目标车辆对应的3D可见框；根据锚点框计算整体框对应的第一分类损失、第一位姿回归损失、朝向损失，以及3D可见框对应的第二分类损失、第二位姿回归损失；计算综合训练损失；当综合训练损失收敛，则将当前的车辆检测模型作为训练后模型；当获取到待检测LiDAR点云数据，则利用训练后模型输出待检测LiDAR点云数据对应的车辆检测结果。能够提升车辆检测的准确度。能够提升车辆检测的准确度。能够提升车辆检测的准确度。

【技术实现步骤摘要】
一种车辆检测方法、装置、设备及介质


[0001]本申请涉及车辆检测
，特别涉及一种车辆检测方法、装置、设备及介质。

技术介绍

[0002]随着人工智能算法的快速发展，自动驾驶感知技术得到了长足的进步。自动驾驶车辆需要准确地识别出环境中的车辆并对其进行精确的定位，以完成后续诸如路径规划和防碰撞等高阶任务。相比于基于图像数据的车辆检测算法，基于LiDAR(即Light Detection and Ranging，激光探测及测距系统)传感器数据的车辆检测算法能快速地识别车辆并精确地估计车辆的3D位置。越来越多的车企和自动驾驶研究机构使用LiDAR数据进行自动驾驶场景中车辆的识别与定位。
[0003]现有的基于LiDAR数据进行车辆检测的网络模型表示点云数据的方法可大致分为以下几种：基于体素化的表示，基于点的表示，基于图的表示，基于2D投影的表示。随着稀疏3D卷积计算和BEV(即Bird
’
s Eye View，鸟视图)的引入，基于体素化点云表示的车辆检测器取得了快速且准确的检测结果，在学术界和工业界得到了广泛的应用。当前基于体素化点云表示的车辆检测模型主要分为两种：单阶段检测器和两阶段检测器。单阶段检测器首先将点云进行体素化处理，然后使用卷积神经网络(3D卷积神经网络和2D卷积神经网络)提取特征，最后基于特征图对车辆分类和位置进行估计。两阶段检测器在单阶段检测器的基础上，提取RoI(即Region Of Interest，感兴趣区域)的特征并进行进一步处理，得到调优后的检测结果。两者相比，单阶段检测器通常具备更少的参数和更快的检测速度。已有的基于体素化点云表示的单阶段检测器中，通常将目标车辆的位置和姿态用一个紧紧包裹车辆整体的3D框进行表示。由于激光不能穿过车辆，通过LiDAR传感器得到点云数据不能覆盖车辆的全部表面。同时，由于其它物体或车辆之间的遮挡，目标车辆的整体框中只有部分区域具有点云数据。这种数据特性提升了检测器对车辆的识别和对整体框的定位难度，造成车辆检测的不准确性。

技术实现思路

[0004]有鉴于此，本申请的目的在于提供一种车辆检测方法、装置、设备及介质，能够提升车辆检测的准确度。其具体方案如下：
[0005]第一方面，本申请公开了一种车辆检测方法，包括：
[0006]将训练数据输入车辆检测模型；其中，所述训练数据包括LiDAR点云数据以及为目标车辆标注的整体框；所述整体框为包裹所述目标车辆整体的标注框；
[0007]利用所述车辆检测模型从所述LiDAR点云数据中确定出所述整体框中的有效LiDAR点，并利用所述目标车辆的所述有效LiDAR点生成所述目标车辆对应的3D可见框；其中，所述3D可见框为包裹所述目标车辆的全部所述有效LiDAR点的3D长方体框；
[0008]根据锚点框计算所述整体框对应的第一分类损失、第一位姿回归损失、朝向损失，以及所述3D可见框对应的第二分类损失、第二位姿回归损失；
[0009]利用所述第一分类损失、所述第一位姿回归损失、所述朝向损失、所述第二分类损失以及所述第二位姿回归损失计算综合训练损失；
[0010]当所述综合训练损失收敛，则将当前的车辆检测模型作为训练后模型输出；
[0011]当获取到待检测LiDAR点云数据，则利用所述训练后模型输出所述待检测LiDAR点云数据对应的车辆检测结果。
[0012]可选的，所述从所述LiDAR点云数据中确定出所述整体框中的有效LiDAR点，包括:
[0013]从所述LiDAR点云数据中直接确定出所述整体框中全部的LiDAR点，得到有效LiDAR点；
[0014]或，获取所述LiDAR点云数据对应的前景背景标注信息，并根据所述前景背景标注信息从所述LiDAR点云数据中确定出所述整体框中的前景LiDAR点，得到有效LiDAR点。
[0015]可选的，所述根据锚点框计算所述整体框对应的第一分类损失、第一位姿回归损失、朝向损失，以及所述3D可见框对应的第二分类损失、第二位姿回归损失，包括：
[0016]根据锚点框与所述整体框的第一覆盖度以及所述锚点框与所述3D可见框的第二覆盖度从所述锚点框中选取出正样本以及负样本；
[0017]基于所述正样本和所述负样本计算所述整体框对应的第一分类损失、第一位姿回归损失、朝向损失，以及所述3D可见框对应的第二分类损失、第二位姿回归损失。
[0018]可选的，所述根据锚点框与所述整体框的第一覆盖度以及所述锚点框与所述3D可见框的第二覆盖度从所述锚点框中选取出正样本以及负样本，包括：
[0019]若所述3D可见框的长度、宽度、高度分别大于等于预设长度阈值、预设宽度阈值以及预设高度阈值，将满足第一预设筛选条件或第二预设筛选条件的锚点框确定为第一正样本；
[0020]若所述目标车辆没有所述3D可见框，或所述3D可见框满足预设无效可见框条件，则将满足第三预设筛选条件或第四预设筛选条件的锚点框确定为第二正样本；
[0021]其中，所述第一预设筛选条件为锚点框与所述整体框的第一覆盖度大于等于第一预设整体框覆盖度阈值，且该锚点框与所述3D可见框的第二覆盖度大于等于预设3D可见框覆盖度阈值；所述第二预设筛选条件为锚点框为所有锚点框中与所述整体框的第一覆盖度最大的，且第一覆盖度大于0的锚点框；
[0022]并且，所述预设无效可见框条件为所述3D可见框的长度小于所述预设长度阈值、或宽度小于所述预设宽度阈值、或高度小于所述预设高度阈值；
[0023]所述第三筛选条件为锚点框与所述整体框的第一覆盖度大于等于第二预设整体框覆盖度阈值；所述第四筛选条件为锚点框为所有锚点框中与所述整体框的第一覆盖度最大、且第一覆盖度大于0的锚点框；
[0024]将全部所述锚点框中非第一正样本、且非第二正样本、且与所有目标车辆的所述整体框的第一覆盖度均小于第三预设整体框覆盖度阈值的锚点框确定为负样本。
[0025]可选的，所述基于所述正样本和所述负样本计算所述整体框对应的第一分类损失、第一位姿回归损失、朝向损失，以及所述3D可见框对应的第二分类损失、第二位姿回归损失，包括：
[0026]利用所述第一正样本、所述第二正样本和所述负样本计算所述整体框对应的第一分类损失；
[0027]利用所述第一正样本、所述第二正样本计算所述整体框对应的第一位姿回归损失以及朝向损失；
[0028]利用所述第一正样本和所述负样本计算所述3D可见框的第二分类损失；利用所述第一正样本计算所述3D可见框的第二位姿回归损失。
[0029]可选的，所述利用所述第一分类损失、所述第一位姿回归损失、所述朝向损失、所述第二分类损失以及所述第二位姿回归损失计算综合训练损失，包括：
[0030]利用所述第一分类损失对应的权重参数、所述第一位姿回归损失对应的权重参数、所述朝向损失对应的权重参数、所述第二分类损失对应的权重参数以及所述第二位姿回归损失对应的权重参数，对所述第一分类损失、所述第一位姿本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆检测方法，其特征在于，包括：将训练数据输入车辆检测模型；其中，所述训练数据包括LiDAR点云数据以及为目标车辆标注的整体框；所述整体框为包裹所述目标车辆整体的标注框；利用所述车辆检测模型从所述LiDAR点云数据中确定出所述整体框中的有效LiDAR点，并利用所述目标车辆的所述有效LiDAR点生成所述目标车辆对应的3D可见框；其中，所述3D可见框为包裹所述目标车辆的全部所述有效LiDAR点的3D长方体框；根据锚点框计算所述整体框对应的第一分类损失、第一位姿回归损失、朝向损失，以及所述3D可见框对应的第二分类损失、第二位姿回归损失；利用所述第一分类损失、所述第一位姿回归损失、所述朝向损失、所述第二分类损失以及所述第二位姿回归损失计算综合训练损失；当所述综合训练损失收敛，则将当前的车辆检测模型作为训练后模型输出；当获取到待检测LiDAR点云数据，则利用所述训练后模型输出所述待检测LiDAR点云数据对应的车辆检测结果。2.根据权利要求1所述的车辆检测方法，其特征在于，所述从所述LiDAR点云数据中确定出所述整体框中的有效LiDAR点，包括:从所述LiDAR点云数据中直接确定出所述整体框中全部的LiDAR点，得到有效LiDAR点；或，获取所述LiDAR点云数据对应的前景背景标注信息，并根据所述前景背景标注信息从所述LiDAR点云数据中确定出所述整体框中的前景LiDAR点，得到有效LiDAR点。3.根据权利要求1所述的车辆检测方法，其特征在于，所述根据锚点框计算所述整体框对应的第一分类损失、第一位姿回归损失、朝向损失，以及所述3D可见框对应的第二分类损失、第二位姿回归损失，包括：根据锚点框与所述整体框的第一覆盖度以及所述锚点框与所述3D可见框的第二覆盖度从所述锚点框中选取出正样本以及负样本；基于所述正样本和所述负样本计算所述整体框对应的第一分类损失、第一位姿回归损失、朝向损失，以及所述3D可见框对应的第二分类损失、第二位姿回归损失。4.根据权利要求3所述的车辆检测方法，其特征在于，所述根据锚点框与所述整体框的第一覆盖度以及所述锚点框与所述3D可见框的第二覆盖度从所述锚点框中选取出正样本以及负样本，包括：若所述3D可见框的长度、宽度、高度分别大于等于预设长度阈值、预设宽度阈值以及预设高度阈值，将满足第一预设筛选条件或第二预设筛选条件的锚点框确定为第一正样本；若所述目标车辆没有所述3D可见框，或所述3D可见框满足预设无效可见框条件，则将满足第三预设筛选条件或第四预设筛选条件的锚点框确定为第二正样本；其中，所述第一预设筛选条件为锚点框与所述整体框的第一覆盖度大于等于第一预设整体框覆盖度阈值，且该锚点框与所述3D可见框的第二覆盖度大于等于预设3D可见框覆盖度阈值；所述第二预设筛选条件为锚点框为所有锚点框中与所述整体框的第一覆盖度最大的，且第一覆盖度大于0的锚点框；并且，所述预设无效可见框条件为所述3D可见框的长度小于所述预设长度阈值、或宽度小于所述预设宽度阈值、或高度小于所述预设高度阈值；所述第三筛选条件为锚点框与所述整体框的第一覆盖度大于等于第二预设整体框覆
盖度阈值；所述第四筛选条件为锚点框为所有锚点框中与所述整体框的第一覆盖度最大、且第一覆盖度大于0的锚点框；将全部所述锚点框中非第一正样本、且非第二正样本、且与...

【专利技术属性】
技术研发人员：赵云，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：