目标检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供一种目标检测方法、装置、设备及存储介质，涉及数据处理领域。该方法包括：获取点云图像，点云图像中的点云包括一个或多个目标对象；根据弯曲体素聚类算法对点云图像中的点云进行聚类，得到一个或多个聚类结果；每个聚类结果对应一个目标对象；对每个聚类结果，将聚类结果中聚类出的点云投影至XOY平面，根据凸包算法计算得到XOY平面上的离散点对应的凸包；根据离散点对应的凸包的第一位置的点，确定离散点对应的矩形框；第一位置包括离散点对应的凸包的最左侧位置、最右侧位置以及最上侧位置；根据离散点对应的矩形框，确定聚类结果对应的目标对象的特征信息。该方法可以准确检测出各种类型的目标对象，大大降低了对目标对象的漏检率。目标对象的漏检率。目标对象的漏检率。

【技术实现步骤摘要】
目标检测方法、装置、设备及存储介质


[0001]本专利技术涉及数据处理
，具体而言，涉及一种目标检测方法、装置、设备及存储介质。

技术介绍

[0002]在机器人和自动驾驶等相关领域中，可以通过获取三维激光雷达点云图像(简称点云图像)，并基于点云图像进行目标检测的方式得到周围各种目标对象(如车辆、人、物体等障碍物)的特征信息。这些特征信息可以用于机器人或自动驾驶的车辆决策执行动作，如：车辆可以根据检测到的周围的目标对象的特征信息判断行驶路径。
[0003]目前，对点云图像进行目标检测的方式主要包括：基于深度学习的检测方法对点云图像进行目标检测。例如，可以预训练一个机器学习模型，机器学习模型可以根据输入的点云图像输出点云图像中的目标对象的特征信息。
[0004]但是，基于深度学习的检测方法需要耗费大量的时间进行目标对象的训练学习，通常深度学习网络是基于数据驱动得到的，对于训练数据少或者从未参与训练的目标对象而言，存在漏检的现象,而这种漏检在自动驾驶来说几乎是致命的。

技术实现思路

[0005]基于上述现有技术存本文档来自技高网...

【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：获取点云图像，所述点云图像中的点云包括一个或多个目标对象；根据弯曲体素聚类算法对所述点云图像中的点云进行聚类，得到一个或多个聚类结果；其中，每个所述聚类结果对应一个所述目标对象；对每个所述聚类结果，执行如下步骤：将所述聚类结果中聚类出的点云投影至XOY平面，并根据凸包算法计算得到所述XOY平面上的离散点对应的凸包；根据所述离散点对应的凸包的第一位置的点，确定所述离散点对应的矩形框；其中，所述第一位置包括所述离散点对应的凸包的最左侧位置、最右侧位置以及最上侧位置；根据所述离散点对应的矩形框，确定所述聚类结果对应的目标对象的特征信息。2.根据权利要求1所述的方法，其特征在于，所述聚类结果对应的目标对象的特征信息，包括：所述聚类结果对应的目标对象的长度、宽度、以及旋转角；所述根据所述离散点对应的矩形框，确定所述聚类结果对应的目标对象的特征信息，包括：从所述离散点对应的矩形框中确定与所述离散点之间的距离和最小的目标矩形框；将所述目标矩形框的长度、宽度、以及旋转角，作为所述聚类结果对应的目标对象的长度、宽度、以及旋转角。3.根据权利要求2所述的方法，其特征在于，所述聚类结果对应的目标对象的特征信息，还包括：所述聚类结果对应的目标对象的高度；所述方法还包括：将所述聚类结果中的点云在Z轴方向上的最大值和最小值的差值，作为所述聚类结果对应的目标对象的高度。4.根据权利要求1所述的方法，其特征在于，所述根据弯曲体素聚类算法对所述点云图像中的点云进行聚类，得到一个或多个聚类结果，包括：根据所述点云图像中的点云在所述点云图像中的直角坐标，生成所述点云图像中的点云的球坐标；根据径向距离单位尺寸、方位角单位尺寸、极角单位尺寸、以及所述点云图像中的点云的球坐标，对所述点云图像中的点云进行弯曲体素划分，得到所述点云图像中的点云对应的弯曲体素；其中，所述径向距离单位尺寸随着所述点云图像中的点云的径向距离的增大而增大；根据所述点云图像中的点云对应的弯曲体素对所述点云图像中的点云进行聚类，以获得所述聚类结果。5.根据权利要求4所述的方法，其特征在于，随着所述点云图像中的点云的径向距离的增大，所述径向距离单位尺寸在第一值和第二值之间增大；其中，所述第二值大于所述第一值；所述第一值为所述径向距离单位尺寸的最小值；所述第二值为所述径向距离单位尺寸的最大值。6.根据权利要求5所述的方法，其特征在于，所述根据径向距离单位尺寸、方位角单位尺寸、极角单位尺寸、以及所述点云图像中的点云的球坐标，对所述点云图像中的点云进行弯曲体素划分，包括：根据下述公式(1)对所述点云图像中的点云进行弯曲体素划分：
其中，所述V
i,j,k
表示第(i,j,k)个弯曲体素；表示所述点云图像中的点云的球坐标；ρ表示所述点云图像中的点云的径向距离；θ表示所述点云图像中的点云的方位角；表示所述点云图像中的点云的极角；Δρ
i
表示第i个所述径向距离单位尺寸，每个所述径向距离单位尺寸对应一个所述径向距离；Δθ表示所述方位角单位尺寸；表示所述极角单位尺寸。7.根据权利要求6所述的方法，其特征在于，所述Δρ
i
根据下述公式(2)得到：其中，所述L
min
表示所述径向距离单位尺寸的最小值；所述N表示所述径向距离单位尺寸的取值总数；所述Δd表示所述径向距离单位尺寸的增量大小。8.根据权利要求7所述的方法，其特征在于，所述N根据下述公式(3)得到：其中，所述ρ
max
表示所述ρ的最大值；所述ρ
min
表示所述ρ的最小值；所述L
max
表示所述径向距离单位尺寸的最大值；所述表示对所述进行取整。9.根据权利要求7所述的方法，其特征在于，所述Δd根据下述公式(4)得到：10.根据权利要求4所述的方法，其特征在于，所述根据所述点云图像中的点云对应的弯曲体素对所述点云图像中的点云进行聚类，包括：对所述点云图像中的点云对应的每个所述弯曲体素、以及所述弯曲体素的邻域弯曲体素，执行如下步骤：当所述邻域弯曲体素中的点云的个数大于或等于第一阈值时，将所述邻域弯曲体素与所述弯曲体素合并；其中，所述第一阈值是根据所述邻域弯曲体素中的点云个数、以及所...

【专利技术属性】
技术研发人员：陈海波，张帆，
申请(专利权)人：深兰人工智能深圳有限公司，
类型：发明
国别省市：