一种车辆检测方法、装置及电子设备制造方法及图纸

本发明专利技术公开了一种车辆检测方法、装置及电子设备，该方法包括：通过骨干网络对预处理后的车辆点云数据进行特征提取，获取第一特征集；通过特征筛选网络对所述第一特征集进行特征筛选，获取第二特征集，其中，所述特征网络包括通过训练获得的转换矩阵，所述转换矩阵表征特征为前景特征的概率；通过区域生成网络从所述第二特征集中提取多个候选区域特征；基于所述多个候选区域特征检测获得车辆的目标参数。在上述方案中，在骨干网提取点云特征后新增点云筛选，减少进入区域生成网络的特征数，从而减少候选区域特征提取的计算量，进而提升车辆检测的效率，解决了现有技术中基于点云的车辆检测效率较低的技术问题。检测效率较低的技术问题。检测效率较低的技术问题。

【技术实现步骤摘要】
一种车辆检测方法、装置及电子设备


[0001]本专利技术涉及智慧交通
，特别涉及一种车辆检测方法、装置及电子设备。

技术介绍

[0002]车路协同的实现方案中，对雷达采集的点云进行识别是核心技术之一。目前点云的识别通常有两种，一种是传统方法，如支持向量机SVM、随机森林RF、随机抽样一致算法RANSAC，另一种是深度学习算法，如基于点的网络PointNet
‑
based、基于体素的Voxel
‑
based、将Voxel
‑
based和PointNet
‑
based结合的PV
‑
RCNN。
[0003]PV
‑
RCNN融合了基于体素和基于点的优点进行特征学习，采用一个双阶段的体系结构，分别用voxel CNN生成目标提议并对目标提议进行优化。在优化的过程中，将整个点云抽象为一组关键点，再用关键点的特征增强提议，丰富提议的上下文信息，得到更精确的预测结果。由于PV
‑
RCNN既保留了point
‑
point的操作也保留了voxel
‑
voxel的操作，计算量大，耗时长，导致基于点云的车辆检测效率较低，无法满足实际场景需要。

技术实现思路

[0004]本专利技术实施例提供一种车辆检测方法、装置及电子设备，用于解决基于点云的车辆检测效率低下的技术问题。
[0005]第一方面，本申请实施例提供一种车辆检测方法，所述方法包括：/>[0006]通过骨干网络对预处理后的车辆点云数据进行特征提取，获取第一特征集；
[0007]通过特征筛选网络对所述第一特征集进行特征筛选，获取第二特征集，所述特征筛选网络包括通过训练获得的转换矩阵，所述转换矩阵表征特征为前景特征的概率；
[0008]通过区域生成网络从所述第二特征集中提取多个候选区域特征；
[0009]基于所述多个候选区域特征检测获得车辆的目标参数。
[0010]可选的，所述通过特征筛选网络对所述第一特征集进行特征筛选，获取第二特征集，包括：
[0011]基于所述转换矩阵对所述第一特征集执行转换操作，获得转换结果；
[0012]对所述转换结果和所述第一特征集执行乘法操作，获得乘积；
[0013]将所述乘积与所述第一特征集相加，获得所述第二特征集。
[0014]可选的，所述骨干网络包括四个残差模块，每个残差模块由三个残差结构组成，每个残差结构用于将三维卷积前和三维卷积后的特征相加。
[0015]可选的，所述预处理包括：
[0016]获得激光雷达采集获得的车辆点云数据；
[0017]对所述车辆点云进行体素化。
[0018]第二方面，本申请实施例提供一种车辆检测模型，包括：
[0019]体素化单元，用于对接收到的车辆点云数据进行体素化；
[0020]骨干网络，与所述体素化单元相连，用于对体素化后的车辆点云数据进行特征提
取，所述骨干网络由多个残差结构组成，每个残差结构用于将三维卷积前和三维卷积后的特征相加；
[0021]特征筛选网络，与所述骨干网络的输出端相连，用于对所述骨干网络提取的特征进行筛选，所述特征筛选网络包括通过样本训练获得的转换矩阵，所述转换矩阵表征特征为前景特征的概率；
[0022]区域生成网络，与所述特征筛选网络的输出端相连，用于对所述特征筛选网络输出的特征进行候选区域预测，输出多个候选区域特征；
[0023]预测头，与所述区域生成网络的输出端相连，用于根据所述多个候选区域特征检测获得车辆的目标参数。
[0024]可选的，所述预测头由二维卷积神经网络组成。
[0025]第三方面，本申请实施例提供一种车辆检测装置，所述装置包括：
[0026]特征提取单元，用于通过骨干网络对预处理后的车辆点云数据进行特征提取，获取第一特征集；
[0027]特征筛选单元，用于通过特征筛选网络对所述第一特征集进行特征筛选，获取第二特征集，其中，所述特征网络包括通过样本训练获得的转换矩阵，所述转换矩阵表征特征为前景特征的概率；
[0028]区域筛选单元，用于通过区域生成网络从所述第二特征集中提取多个候选区域特征；
[0029]预测单元，用于基于所述多个候选区域特征检测获得车辆的目标参数。
[0030]可选的，所述特征筛选单元用于：
[0031]基于所述转换矩阵对所述第一特征集执行转换操作，获得转换结果；
[0032]对所述转换结果和所述第一特征集执行乘法操作，获得乘积；
[0033]将所述乘积与所述第一特征集相加，获得所述第二特征集。
[0034]第四方面，本申请实施例提供一种电子设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上的程序存储于存储器中，且经配置由一个或者一个以上处理器执行所述一个或者一个以上的程序实现如第一方面所述的任一方法。
[0035]第五方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如第一方面所述的任一方法。
[0036]本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果：
[0037]本申请实施例提供一种车辆检测方法，在骨干网提取点云特征后新增点云筛选，通过训练好的转换矩阵对骨干网络提取的特征集进行前景特征筛选，从而减少进入区域生成网络的特征数，大大减少了区域生成网络提取候选区域特征的计算量，据此进行车辆检测的效率大大提升，解决了现有技术中基于点云的车辆检测效率较低的技术问题。进一步的，通过在骨干网和区域生成网络之间引入通过训练获得的特征前景概率，相较于通过聚类和采样等步骤进行前景和/或背景点云的滤除，前景点云不会因为数量较少而被当作噪声滤除，背景点云也不会因为点云密集有型被保留，能够基于实际的识别目标保留有效点云特征，进而提高了识别的准确性。
附图说明
[0038]图1为本申请实施例提供的一种车辆检测模型的示意图；
[0039]图2为本申请实施例提供的骨干网络的结构示意图；
[0040]图3为本申请实施例提供的残差结构的示意图；
[0041]图4为本申请实施例提供的骨干网络的最后一层的示意图；
[0042]图5为本申请实施例提供的特征筛选网络的结构示意图；
[0043]图6为本申请实施例提供的区域生成网络的结构示意图；
[0044]图7为本申请实施例提供的一种车辆检测方法的流程示意图；
[0045]图8为本申请实施例提供的一种车辆检测装置的示意图；
[0046]图9为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0047]在介绍本公开实施例之前，应当说明的是：
[0048]本公开部分实施例被描述为处理流程，虽然流程的各个操作步骤可能被冠以顺序的步骤编号，但是其中本文档来自技高网...

【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，所述方法包括：通过骨干网络对预处理后的车辆点云数据进行特征提取，获取第一特征集；通过特征筛选网络对所述第一特征集进行特征筛选，获取第二特征集，所述特征筛选网络包括通过训练获得的转换矩阵，所述转换矩阵表征特征为前景特征的概率；通过区域生成网络从所述第二特征集中提取多个候选区域特征；基于所述多个候选区域特征检测获得车辆的目标参数。2.如权利要求1所述的方法，其特征在于，所述通过特征筛选网络对所述第一特征集进行特征筛选，获取第二特征集，包括：基于所述转换矩阵对所述第一特征集执行转换操作，获得转换结果；对所述转换结果和所述第一特征集执行乘法操作，获得乘积；将所述乘积与所述第一特征集相加，获得所述第二特征集。3.如权利要求1所述的方法，其特征在于，所述骨干网络包括四个残差模块，每个残差模块由三个残差结构组成，每个残差结构用于将三维卷积前和三维卷积后的特征相加。4.如权利要求1～3任一所述的方法，其特征在于，所述预处理包括：获得激光雷达采集获得的车辆点云数据；对所述车辆点云进行体素化。5.一种车辆检测模型，其特征在于，包括：体素化单元，用于对接收到的车辆点云数据进行体素化；骨干网络，与所述体素化单元相连，用于对体素化后的车辆点云数据进行特征提取，所述骨干网络由多个残差结构组成，每个残差结构用于将三维卷积前和三维卷积后的特征相加；特征筛选网络，与所述骨干网络的输出端相连，用于对所述骨干网络提取的特征进行筛选，所述特征筛选网络包括通过训练获得的转换矩阵，所述转换矩阵表征特征为前景特征的概率；区域生成网络，与所...

【专利技术属性】
技术研发人员：肖中华，
申请(专利权)人：苏州艾氪英诺机器人科技有限公司，
类型：发明
国别省市：