本发明专利技术公开了一种三维物体检测方法、装置、存储介质、处理器及系统。其中，该方法包括：获取三维物体的原始点云；对原始点云进行分类处理，从原始点云中筛选得到部分点云，其中，部分点云属于相同的目标分类；基于部分点云中每个点云对应的点云栅格进行特征聚合处理，确定部分点云对应的第一点云特征图数据块；对第一点云特征图数据块进行特征提取，得到第二点云特征图数据块；基于第二点云特征图数据块预测三维物体的类别与位置。本发明专利技术解决了相关技术的三维物体检测过程中障碍物特征信息表达不足，导致模型推理速度和障碍物检测性能无法兼顾的技术问题。顾的技术问题。顾的技术问题。
【技术实现步骤摘要】
三维物体检测方法、装置、存储介质、处理器及系统
[0001]本专利技术涉及自动驾驶领域，具体而言，涉及一种三维物体检测方法、装置、存储介质、处理器及系统。
技术介绍
[0002]激光雷达是L4级无人驾驶环境感知系统中不可或缺的传感部件，基于激光雷达传感器的三维物体检测方法层出不穷，各具特色，根据激光雷达点云特征的提取方式，激光雷达点云三维物体检测方法主要有三种：基于鸟瞰图的三维物体检测方法保留物体的高度信息，数据损失少；基于体素网格的三维物体检测方法对点云进行体素网格划分，降低了三维点云数据的复杂性，但点云特征提取时数据丢失较多，导致三维物体检测精度提升受限，且有效点云易被无效点云稀释，降低检测能力；直接处理点云的三维物体检测方法完全依赖数据直接处理原始点云，进而能够完成高层次的点云分类和语义分割的任务，但是针对三维物体目标检测的提升有限，小目标检测效果仍然不佳。
[0003]因此，现有三维物体检测方法各有优劣，如何进行三维物体的检测得到更好的综合效果成为目前的关键问题。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
[0004]本专利技术实施例提供了一种三维物体检测方法、装置、存储介质、处理器及系统，以至少解决相关技术的三维物体检测过程中障碍物特征信息表达不足，导致模型推理速度和障碍物检测性能无法兼顾的技术问题。
[0005]根据本专利技术其中一实施例，提供了一种三维物体检测方法，包括：
[0006]获取三维物体的原始点云；对原始点云进行分类处理，从原始点云中筛选得到部分点云，其中，部分点云属于相同的目标分类；基于部分点云中每个点云对应的点云栅格进行特征聚合处理，确定部分点云对应的第一点云特征图数据块；对第一点云特征图数据块进行特征提取，得到第二点云特征图数据块；基于第二点云特征图数据块预测三维物体的类别与位置。
[0007]可选地，对原始点云进行分类处理，从原始点云中筛选得到部分点云包括：利用目标神经网络模型对原始点云进行分析，得到原始点云中每个点云的权重信息及点云第一维度特征，其中，目标神经网络模型用于为原始点云中每个点云配置对应的权重值并输出点云第一维度特征；基于权重信息确定原始点云中每个点云的所属分类；按照原始点云中每个点云的所属分类，从原始点云中筛选得到部分点云。
[0008]可选地，基于权重信息确定原始点云中每个点云的所属分类包括：将原始点云中每个点云的权重系数与预设阈值进行比较，得到比较结果；按照比较结果确定原始点云中每个点云的所属分类，其中，部分点云中每个点云的权重系数大于或等于预设阈值。
[0009]可选地，基于部分点云中每个点云对应的点云栅格进行特征聚合处理，确定第一点云特征图数据块包括：通过部分点云中每个点云的点云坐标位置，分别将每个点云划分
至对应的点云栅格；获取每个点云栅格中对应点云的第一维度特征；对每个点云栅格中对应点云的第一维度特征进行聚合处理，得到每个点云栅格对应的第二维度特征；利用每个点云栅格对应的第二维度特征形成第一点云特征图数据块。
[0010]可选地，对第一点云特征图数据块进行特征提取，得到第二点云特征图数据块包括：通过多个分支对第一点云特征图数据块进行卷积与反卷积操作，得到多个操作结果；将多个操作结果合并为第二点云特征图数据块。
[0011]可选地，基于第二点云特征图数据块预测三维物体的类别与位置包括：利用分组预测模型对第二点云特征图数据块进行分析，得到三维物体的类别与位置，其中，分组预测模型用于通过多个分组分别预测不同类别的物体。
[0012]根据本专利技术其中一实施例，还提供了一种三维物体检测装置，包括：
[0013]获取模块，用于获取三维物体的原始点云；分类模块，用于对原始点云进行分类处理，从原始点云中筛选得到部分点云，其中，部分点云属于相同的目标分类；聚合模块，用于基于部分点云中每个点云对应的点云栅格进行特征聚合处理，确定部分点云对应的第一点云特征图数据块；处理模块，用于对第一点云特征图数据块进行特征提取，得到第二点云特征图数据块；检测模块，用于基于第二点云特征图数据块预测三维物体的类别与位置。
[0014]可选地，分类模块包括：分析单元，用于利用目标神经网络模型对原始点云进行分析，得到原始点云中每个点云的权重信息及点云第一维度特征，其中，目标神经网络模型用于为原始点云中每个点云配置对应的权重值并输出点云第一维度特征；分类单元，用于基于权重信息确定原始点云中每个点云的所属分类；筛选单元，用于按照原始点云中每个点云的所属分类，从原始点云中筛选得到部分点云。
[0015]可选地，分类单元包括：用于将原始点云中每个点云的权重系数与预设阈值进行比较，得到比较结果；按照比较结果确定原始点云中每个点云的所属分类，其中，部分点云中每个点云的权重系数大于或等于预设阈值。
[0016]可选地，聚合模块包括：划分单元，用于通过部分点云中每个点云的点云坐标位置，分别将每个点云划分至对应的点云栅格；第一栅格处理单元，用于获取每个点云栅格中对应点云的第一维度特征；聚合单元，用于对每个点云栅格中对应点云的第一维度特征进行聚合处理，得到每个点云栅格对应的第二维度特征；第二栅格处理单元，用于利用每个点云栅格对应的第二维度特征形成第一点云特征图数据块。
[0017]可选地，处理模块包括：操作单元，用于通过多个分支对第一点云特征图数据块进行卷积与反卷积操作，得到多个操作结果；合并单元，用于将多个操作结果合并为第二点云特征图数据块。
[0018]可选地，检测模块包括：预测单元，用于利用分组预测模型对第二点云特征图数据块进行分析，得到三维物体的类别与位置，其中，分组预测模型用于通过多个分组分别预测不同类别的物体。
[0019]根据本专利技术其中一实施例，还提供了一种非易失性存储介质，存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行前述任一项中的三维物体检测方法。
[0020]根据本专利技术其中一实施例，还提供了一种处理器，处理器用于运行程序，其中，程序被设置为运行时执行前述任一项中的三维物体检测方法。
[0021]在本专利技术实施例中，采用获取三维物体的原始点云，对所述原始点云进行分类处
理，从所述原始点云中筛选得到属于相同目标分类的部分点云的方式，通过基于所述部分点云中每个点云对应的点云栅格进行特征聚合处理以确定所述部分点云对应的第一点云特征图数据块，对所述第一点云特征图数据块进行特征提取以得到第二点云特征图数据块，以及基于所述第二点云特征图数据块预测所述三维物体的类别与位置，达到了基于Pillar点云特征提取方式，同时引入目标分类点云(例如：障碍物点云)识别与特征提取网络，通过目标分类点云与非目标分类点云(例如：环境点云)分割与特征提取优化实现模型检测精度与鲁棒性提升的目的，从而实现了在三维物体检测过程中兼顾模型推理速度和障碍物检测性能的技术效果，进而解决了相关技术的三维物体检测过程中障碍物特征信息表达不足，导致模型推理速度和障碍物检测性能无法兼顾的技术问题。<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种三维物体检测方法，其特征在于，包括：获取三维物体的原始点云；对所述原始点云进行分类处理，从所述原始点云中筛选得到部分点云，其中，所述部分点云属于相同的目标分类；基于所述部分点云中每个点云对应的点云栅格进行特征聚合处理，确定所述部分点云对应的第一点云特征图数据块；对所述第一点云特征图数据块进行特征提取，得到第二点云特征图数据块；基于所述第二点云特征图数据块预测所述三维物体的类别与位置。2.根据权利要求1所述的三维物体检测方法，其特征在于，对所述原始点云进行分类处理，从所述原始点云中筛选得到所述部分点云包括：利用目标神经网络模型对所述原始点云进行分析，得到所述原始点云中每个点云的权重信息及点云第一维度特征，其中，所述目标神经网络模型用于为所述原始点云中每个点云配置对应的权重值并输出点云第一维度特征；基于所述权重信息确定所述原始点云中每个点云的所属分类；按照所述原始点云中每个点云的所属分类，从所述原始点云中筛选得到部分点云。3.根据权利要求2所述的三维物体检测方法，其特征在于，基于所述权重信息确定所述原始点云中每个点云的所属分类包括：将所述原始点云中每个点云的权重系数与预设阈值进行比较，得到比较结果；按照所述比较结果确定所述原始点云中每个点云的所属分类，其中，所述部分点云中每个点云的权重系数大于或等于所述预设阈值。4.根据权利要求1所述的三维物体检测方法，其特征在于，基于所述部分点云中每个点云对应的点云栅格进行特征聚合处理，确定所述第一点云特征图数据块包括：通过所述部分点云中每个点云的点云坐标位置，分别将每个点云划分至对应的点云栅格；获取每个点云栅格中对应点云的第一维度特征；对每个点云栅格中对应点云的第一维度特征进行聚合处理，得到每个点云栅格对应的第二维度特征；利用每个点云栅格对应的第...
【专利技术属性】
技术研发人员：李锦瑭，王宇，王硕，孙雪，蒋萌，
申请(专利权)人：中国第一汽车股份有限公司，
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。