一种检测框的确定方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种检测框的确定方法、装置、设备及存储介质。该方法包括：确定第一目标点特征和语义特征；将第一目标点特征输入至第一预设卷积网络中，确定卷积点云特征属于前景点特征的置信度；确定初始关键点，并基于置信度，以及初始关键点和目标点云中除初始关键点外每个点的距离，确定目标关键点特征；融合语义特征、目标关键点特征以及第一目标点特征，得到第二目标点特征；基于第二预设卷积网络对第二目标点特征进行处理，得到候选检测框，并根据候选检测框的尺寸与预设框的尺寸间的差距，确定目标检测框。本发明专利技术实施例的技术方案，保留了点云的三维空间信息，解决前景点数量较少的问题，增强了前景点点云的质量，提高了检测框的准确度。测框的准确度。测框的准确度。

【技术实现步骤摘要】
一种检测框的确定方法、装置、设备及存储介质


[0001]本专利技术涉及目标物体检测
，尤其涉及一种检测框的确定方法、装置、设备及存储介质。

技术介绍

[0002]随着无人驾驶技术的不断发展，在可自动驾驶的车辆上一般安装有激光雷达，通过对激光雷达采集到的点云数据进行处理，可以实现对三维的目标物体的检测和追踪。
[0003]目前，现有的对三维目标物体的检测可以大致分为两类，一类是基于体素的特征提取算法，另一类是基于原始点云的特征提取算法。其中，基于体素的特征提取算法，一般将非结构化的点云数据转化为三维体素或转化到二维俯视图网格中，基于原始点云的特征提取算法，利用点云网络直接从原始点云中提取特征，未对点云进行体素化及卷积下采样，保留了原始点云的高精度三维空间位置信息。
[0004]然而，基于原始点云的特征提取算法在下采样的过程中，会损失原始点云的三维空间信息，导致生成的检测框的准确度不高，而且基于原始点云的特征提取算法提取的前景点的数量较少，导致生成的检测框的准确度也不高。

技术实现思路

[0005]本专利技术提供了一种检测框的确定方法、装置、设备及存储介质，以解决根据点云生成的检测框的准确度不高的问题。
[0006]第一方面，本专利技术实施例提供了一种检测框的确定方法，包括：
[0007]确定目标点云的第一目标点特征和语义特征；
[0008]将所述第一目标点特征输入至第一预设卷积网络中，根据所述第一预设卷积网络的输出确定卷积点云特征中每个特征属于前景点特征的置信度，其中，所述第一预设卷积网络中至少包括稀疏卷积层、稀疏反卷积层以及流行稀疏卷积层；
[0009]从所述目标点云中确定初始关键点，并基于所述置信度，以及所述初始关键点和所述目标点云中除所述初始关键点外的每个点的距离，确定目标关键点特征；
[0010]融合所述语义特征、所述目标关键点特征以及所述第一目标点特征，得到第二目标点特征；
[0011]基于第二预设卷积网络对所述第二目标点特征进行处理，得到候选检测框，并根据所述候选检测框的尺寸与预设框的尺寸间的差距，确定是否将所述候选检测框确定为目标检测框，其中，所述第二目标点特征为三维特征。
[0012]第二方面，本专利技术实施例提供了一种检测框的确定装置，包括：
[0013]第一特征确定模块，用于确定目标点云的第一目标点特征和语义特征；
[0014]置信度确定模块，用于将所述第一目标点特征输入至第一预设卷积网络中，根据所述第一预设卷积网络的输出确定卷积点云特征中每个特征属于前景点特征的置信度，其中，所述第一预设卷积网络中至少包括稀疏卷积层、稀疏反卷积层以及流行稀疏卷积层；
[0015]第二特征确定模块，用于从所述目标点云中确定初始关键点，并基于所述置信度，以及所述初始关键点和所述目标点云中除所述初始关键点外的每个点的距离，确定目标关键点特征；
[0016]第三特征确定模块，用于融合所述语义特征、所述目标关键点特征以及所述第一目标点特征，得到第二目标点特征
[0017]检测框确定模块，用于基于第二预设卷积网络对所述第二目标点特征进行处理，得到候选检测框，并根据所述候选检测框的尺寸与预设框的尺寸间的差距，确定是否将所述候选检测框确定为目标检测框，其中，所述第二目标点特征为三维特征。
[0018]第三方面，本专利技术实施例提供了一种电子设备，该电子设备包括：
[0019]至少一个处理器；
[0020]以及与至少一个处理器通信连接的存储器；
[0021]其中，存储器存储有可被至少一个处理器执行的计算机程序，该计算机程序被至少一个处理器执行，以使至少一个处理器能够执行上述第一方面的检测框的确定方法。
[0022]第四方面，本专利技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现上述第一方面的检测框的确定方法。
[0023]本专利技术实施例提供的检测框的确定方案，确定目标点云的第一目标点特征和语义特征，将所述第一目标点特征输入至第一预设卷积网络中，根据所述第一预设卷积网络的输出确定卷积点云特征中每个特征属于前景点特征的置信度，其中，所述第一预设卷积网络中至少包括稀疏卷积层、稀疏反卷积层以及流行稀疏卷积层，从所述目标点云中确定初始关键点，并基于所述置信度，以及所述初始关键点和所述目标点云中除所述初始关键点外的每个点的距离，确定目标关键点特征，融合所述语义特征、所述目标关键点特征以及所述第一目标点特征，得到第二目标点特征，基于第二预设卷积网络对所述第二目标点特征进行处理，得到候选检测框，并根据所述候选检测框的尺寸与预设框的尺寸间的差距，确定是否将所述候选检测框确定为目标检测框，其中，所述第二目标点特征为三维特征。通过采用上述技术方案，将目标点云的第一目标点特征输入第一预设卷积网络，得到卷积点云特征中每个特征属于前景点特征的置信度，然后根据该置信度，以及目标点云中的初始关键点与目标点云中其他点的距离，确定目标关键点特征，然后融合目标点云的语义特征、目标关键点特征以及第一目标点特征，得到第二目标点特征，最后利用第二预设卷积网络对第二目标点特征进行处理，得到候选检测框，并根据候选检测框的尺寸与预设框的尺寸间的差距，确定目标检测框，与传统的检测框确定方法相比，保留了点云的三维空间信息，利用预设卷积网络确定出的置信度，可以解决目标关键点中前景点数量较少的问题，增强了前景点点云的质量，为后续生成检测框提供了充分的特征信息，提高了检测框的准确度。
[0024]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0025]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于
本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026]图1是根据本专利技术实施例一提供的一种检测框的确定方法的流程图；
[0027]图2是根据本专利技术实施例二提供的一种检测框的确定方法的流程图；
[0028]图3是根据本专利技术实施例二提供的一种训练框架图；
[0029]图4是根据本专利技术实施例二提供的一种KITTI数据集中的训练过程可视化图；
[0030]图5是根据本专利技术实施例三提供的一种检测框的确定装置的结构示意图；
[0031]图6是根据本专利技术实施例四提供的一种电子设备的结构示意图。
具体实施方式
[0032]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测框的确定方法，其特征在于，包括：确定目标点云的第一目标点特征和语义特征；将所述第一目标点特征输入至第一预设卷积网络中，根据所述第一预设卷积网络的输出确定卷积点云特征中每个特征属于前景点特征的置信度，其中，所述第一预设卷积网络中至少包括稀疏卷积层、稀疏反卷积层以及流行稀疏卷积层；从所述目标点云中确定初始关键点，并基于所述置信度，以及所述初始关键点和所述目标点云中除所述初始关键点外的每个点的距离，确定目标关键点特征；融合所述语义特征、所述目标关键点特征以及所述第一目标点特征，得到第二目标点特征；基于第二预设卷积网络对所述第二目标点特征进行处理，得到候选检测框，并根据所述候选检测框的尺寸与预设框的尺寸间的差距，确定是否将所述候选检测框确定为目标检测框，其中，所述第二目标点特征为三维特征。2.根据权利要求1所述的方法，其特征在于，所述第一目标点特征的确定方式包括：将预设雷达坐标系中的初始点云体素化，得到体素网格，其中，所述体素网格中包含多个体素小格；计算非空体素小格中点的坐标的均值，将所述均值确定为目标点坐标，并根据所述目标点坐标生成多个目标点，其中，所述体素小格包括空体素小格和所述非空体素小格，每个所述非空体素小格中包含至少一个所述初始点云中的点；根据多个所述目标点确定目标点云，并将所述目标点坐标确定为所述目标点云的第一目标点特征。3.根据权利要求1或2所述的方法，其特征在于，所述将所述第一目标点特征输入至第一预设卷积网络中，根据所述第一预设卷积网络的输出确定卷积点云特征中每个特征属于前景点特征的置信度，包括：利用第一预设卷积网络的稀疏卷积层，对所述第一目标点特征进行下采样处理，得到第一特征；利用第一预设卷积网络的稀疏反卷积层，对所述第一特征进行上采样处理，得到第二特征；将所述第二特征输入至所述第一预设卷积网络的流行稀疏卷积层中，根据所述流行稀疏卷积层中非线性分类器的输出，确定卷积点云特征中每个特征属于前景点特征的置信度。4.根据权利要求1所述的方法，其特征在于，所述从所述目标点云中确定初始关键点，并基于所述置信度，以及所述初始关键点和所述目标点云中除所述初始关键点外的每个点的距离，确定目标关键点特征，包括：从所述目标点云中确定第一初始关键点和第二初始关键点；将所述目标点云中除初始关键点外的每个点，与所述初始关键点的欧式距离的最小值，确定为第一欧式距离，得到第一欧式距离集，其中，所述初始关键点包括所述第一初始关键点和所述第二初始关键点；根据所述置信度的大小确定所述第一欧式距离集中每个第一欧式距离的权重系数，并计算所述第一欧式距离与所述权重系数的乘积，得到第二欧式距离集，其中，所述权重系数
与所述置信度正相关；在已确定的目标关键点特征的数量未达到预设数量之前，将所述第二欧式距离集中最大的第二欧式距离对应的第一目标点特征，确定为新增的目标关键点特征；其中，所述目标关键点特征的数量的初始值为零，每确定一个新增的所述目标关键点特征则调整一次所述权重系数，所述第二欧式距离集根据权重系数的调整进行更新。5.根据权利要求4所述的方法，其特征在于，所述从所述目标点...

【专利技术属性】
技术研发人员：孙靖虎，黄力，
申请(专利权)人：惠州市德赛西威智能交通技术研究院有限公司，
类型：发明
国别省市：