【技术实现步骤摘要】
点云目标检测方法、装置、计算机设备和存储介质
[0001]本申请涉及雷达
，特别是涉及一种点云目标检测方法、装置、计算机设备和存储介质。
技术介绍
[0002]目前激光雷达由于其探测精度高、抗干扰强等特点受到研究者们的广泛关注，逐渐成为无人驾驶的核心传感器之一。点云是激光雷达获取数据的表示形式，是在同一坐标系下表达目标或场景空间分布的点组成的集合，能够有效反映真实场景的三维信息。然而，点云具有无序性和非结构化的特点，也为数据处理带来了难题。
[0003]目前激光雷达目标检测方法可以分为两类：一类是基于传统算法的目标检测方法，二类是基于深度学习的目标检测方法。其中，基于传统算法的目标检测方法，已经较为成熟，但是智能化水平低，提取语义类别单一，在面对复杂的街道场景时往往会因为墙面、路沿等特殊障碍物而容易发生错误识别，而基于深度学习的目标检测方法在目标检测过程中往往不需要大量的点，关键在于一些特征点，例如在检测车辆时，车辆上的点权重应该大于地面点的权重，但一般深度学习每个点的权重都是一样的，无法精准检测目标。>
技术实现思路
【技术保护点】
【技术特征摘要】
1.一种点云目标检测方法，其特征在于，所述方法包括：获取点云数据；对所述点云数据进行栅格化处理；对各个栅格内点的特征进行升维、聚合，得到对应的栅格特征，并根据各个栅格的所述栅格特征生成特征图；对所述特征图进行特征加权并进行目标检测，得到目标信息。2.根据权利要求1所述的方法，其特征在于，所述对所述点云数据进行栅格化处理包括：根据预设的栅格阈值对所述点云数据进行栅格划分与筛选。3.根据权利要求1所述的方法，其特征在于，所述对各个栅格内点的特征进行升维、聚合，得到对应的栅格特征包括：将各个栅格内点的特征进行升维，得到高维特征信息，并通过最大值池化将各个栅格内点的特征进行聚合，得到第一层特征；将所述高维特征信息与所述第一层特征拼接并进行升维、聚合，得到各个栅格的第二层特征，将所述第二层特征作为所述栅格特征。4.根据权利要求1所述的方法，其特征在于，所述对所述特征图进行特征加权并进行目标检测，得到目标信息包括：对所述特征图进行卷积，得到不同尺寸的特征子图；将各个所述特征子图展开，得到对应的一维特征向量；对各个所述一维特征向量进行加权并还原回所述特征子图；将加权之后的所述特征子图进行拼接，并对拼接后的所述特征图进行目标检测，得到所述目标信息。5.根据权利要求4所述的方法，其特征在于，在所述目标检测的神经网络模型训练过程中，以目标类别值最大的检测框作为所述目标信息的位置结果，以目标类别值最大的类别作为所述目标信息的目标类别，以目标类别值作为所述目标信息的检测框置信度...
【专利技术属性】
技术研发人员：朱子凌，林乾浩，金元赟，
申请(专利权)人：福思杭州智能科技有限公司，
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。