一种基于点云数据的目标检测方法和装置制造方法及图纸

本公开公开了一种基于点云数据的目标检测方法和装置。所述方法包括：将点云数据体素化，提取非空体素的体素特征；根据体素特征获得非空体素中激光点对应的体素特征和像素特征；根据激光点的原始特征与非空体素的体素特征，及激光点对应的体素特征及像素特征，得到激光点的融合特征；根据激光点的融合特征确定点云数据中的待识别目标。实现了点维度目标分割检测，检测准确度和精度高。检测准确度和精度高。检测准确度和精度高。

【技术实现步骤摘要】
一种基于点云数据的目标检测方法和装置


[0001]本公开涉及深度学习
，特别涉及一种基于点云数据的目标检测方法和装置。

技术介绍

[0002]利用激光点云数据可以预测目标位置信息以及目标的几何形状信息，因此在机器感知领域，例如无人驾驶及机器人等领域中起到重要作用。
[0003]现有技术中利用点云数据实现目标检测的方法主要包括：
[0004]1、基于传统分割检测算法。先通过地面分割算法从激光点云数据中滤除地面点云，然后基于graph
‑
based分割聚类算法将点云数据聚类并滤除背景点云，再通过分类器(例如SVM分类器)对分割出来的点云簇进行分类。然而，graph
‑
based分割聚类算法的计算量大，且依赖于地面分割算法，故在复杂城市环境下检测准确率和精度有限。
[0005]2、基于激光点云投影的深度学习方法。通过将3D的激光点云数据投影到特定的2D平面中，将3D的激光点云目标检测问题降维成2D图像的目标检测问题，但维度的降低也使得点云数据丢失了目标的部分信息，降低了最终目标预测的准确度和精度。
[0006]综上所述，现有技术中利用点云数据实现目标检测的方法难以满足准确度和精度的要求。

技术实现思路

[0007]鉴于上述问题，提出了本公开以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于点云数据的目标检测方法和装置。
[0008]第一方面，本公开实施例提供一种基于点云数据的目标检测方法，包括：
[0009]将点云数据体素化，提取非空体素的体素特征；
[0010]根据所述体素特征获得所述非空体素中激光点对应的体素特征和像素特征；
[0011]根据所述激光点的原始特征与所述非空体素的体素特征，及所述激光点对应的体素特征及像素特征，得到所述激光点的融合特征；
[0012]根据所述激光点的融合特征确定所述点云数据中的待识别目标。
[0013]第二方面，本公开实施例提供一种基于点云数据的目标检测装置，包括：
[0014]体素化模块，用于将点云数据体素化，提取非空体素的体素特征；
[0015]特征获取模块，用于根据所述体素化模块提取的体素特征获得所述非空体素中激光点对应的体素特征和像素特征；
[0016]融合模块，用于根据所述激光点的原始特征与所述体素化模块提取的非空体素的体素特征，及所述特征获取模块得到的激光点对应的体素特征及像素特征，得到所述激光点的融合特征；
[0017]目标识别模块，用于根据所述融合模块得到的激光点的融合特征确定所述点云数据中的待识别目标。
[0018]第三方面，本公开实施例提供一种具备目标检测功能的计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现上述基于点云数据的目标检测方法。
[0019]第四方面，本公开实施例提供一种服务器，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于点云数据的目标检测方法。
[0020]本公开实施例提供的上述技术方案的有益效果至少包括：
[0021]本公开实施例提供的基于点云数据的目标检测方法，将点云数据体素化，提取非空体素的体素特征；根据体素特征获得非空体素中激光点对应的体素特征和像素特征；根据激光点的原始特征与非空体素的体素特征，及激光点对应的体素特征及像素特征，得到激光点的融合特征；根据激光点的融合特征确定点云数据中的待识别目标。激光点的融合特征中包含了点的原始特征，保留了点的精确位置信息；同时还包含激光点对应的体素特征和像素特征，保留了周围激光点之间的相对信息，使得点的特征得到了更丰富的表征，故点的融合特征即保留了点的原始特征又包含了丰富的上下文语义信息，增强了每个点的特征表述能力，保证了利用点的融合特征通过深度学习识别的目标的精确度和准确度。
[0022]本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0023]下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
[0024]附图用来提供对本公开的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开，并不构成对本公开的限制。在附图中：
[0025]图1为本公开实施例一中基于点云数据的目标检测方法的流程图；
[0026]图2为图1中步骤S12的具体实现流程图；
[0027]图3为本公开实施例二中基于前景点特征的目标识别的具体实现流程图；
[0028]图4为图3中步骤S33的具体实现流程图；
[0029]图5为本公开实施例中基于点云数据的目标检测方法的示例图；
[0030]图6为本公开实施例中基于点云数据的目标检测装置的结构示意图。
具体实施方式
[0031]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0032]为了解决现有技术中存在的利用点云数据实现目标检测的准确度和精度较低的问题，本公开实施例提供一种基于点云数据的目标检测方法和装置，实现了点维度目标分割检测，检测准确度和精度高。
[0033]实施例一
[0034]本公开实施例一提供一种基于点云数据的目标检测方法，其流程如图1所示，包括如下步骤：
[0035]步骤S11：将点云数据体素化，提取非空体素的体素特征。
[0036]上述点云数据可以是通过4线、16线、32线、64线或128线等多线激光雷达或者雷达获得的。
[0037]点云数据体素化，把不具有空间长度信息的点数据转换为具有三维空间信息的立方体数据，具体的做法可以是，根据所有点云数据在X、Y、Z三个坐标方向上的最小值和最大值，确定包含所有点云数据的最小长方体；根据最小长方体的尺寸以及分辨率要求，确定体素的尺寸；根据体素的尺寸将最小长方体等分为若干体素。
[0038]在一个实施例中，可以包括，利用多层感知网络MLP和/或卷积神经网络CNN层，提取非空体素的体素特征。
[0039]多层感知器(Multi
‑
Layer Perceptron，MLP)，也叫人工神经网络(Artificial Neural Network，ANN)，包括输入层、输出层和中间的至少一个隐含层。神经网络是仿生物神经网络而来的一种技术，通过连接多个特征值，经过线性和非线性的组合，最终达到一个目标。
[0040]卷积神经网络(Convolutional Neural Networks，CNN)是一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点云数据的目标检测方法，其中，包括：将点云数据体素化，提取非空体素的体素特征；根据所述体素特征获得所述非空体素中激光点对应的体素特征和像素特征；根据所述激光点的原始特征与所述非空体素的体素特征，及所述激光点对应的体素特征及像素特征，得到所述激光点的融合特征；根据所述激光点的融合特征确定所述点云数据中的待识别目标。2.如权利要求1所述的方法，其中，获得所述激光点对应的体素特征及像素特征，具体包括：将所述非空体素的体素特征输入三维卷积和二维卷积融合的特征网络中，抽取所述非空体素的三维网络特征和二维网络特征；根据所述非空体素中激光点与所述三维网络特征和二维网络特征之间的对应关系，得到所述非空体素中激光点对应的体素特征及像素特征。3.根据权利要求1所述的方法，其中，所述根据所述激光点的融合特征确定所述点云数据中的待识别目标，具体包括：将所述激光点的融合特征通过深度学习网络，识别前景点，确定所述前景点的目标预测信息；利用最远点采样的方式筛选预设个数的前景点作为主前景点；根据主前景点的目标预测信息确定待识别目标的识别结果。4.如权利要求3所述的方法，其中，所述根据主前景点的目标预测信息确定待识别目标的识别结果，具体包括：针对每个主前景点，根据其目标预测信息中的目标中心点位置信息，确定目标中心点与该主前景点的目标中心点间的距离小于预设距离阈值的主前景点的集合；根据集合中的每个主前景点的目标预测信息确定第一目标预测结果；将第一目标预测结果进行聚类，根据同一类的第一目标预测结果确定第二目标预测结果，作为待识别目标的目标识别结果。5.如权利要求4所述的方法，其中，所述根据同一类的第一目标预测结果确定第二目标预测结果，具体包括：如果同一类的第一目标预测结果包含不只一个第一目标预测结果，确定该类的第一...

【专利技术属性】
技术研发人员：苗振伟，陈纪凯，朱均，刘凯旋，郝培涵，占新，卿泉，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：