【技术实现步骤摘要】
基于相机和激光雷达的多类目标检测方法
[0001]本专利技术属于物理
,更进一步涉及一种多类目标检测方法,可用于无人汽车的自动驾驶。
技术介绍
[0002]相机作为无人汽车驾驶系统中最常用的传感器,它获得的图像包含外界环境的颜色信息,在目标检测中发挥极其重要的作用,但其缺点是缺乏深度信息且会受到自然条件的影响。激光雷达拥有对照明条件依赖性低、不容易受到恶劣天气的影响、探测精度高的优点。它产生的数据为点云数据,通过分析并处理点云数据,可以获得更详细的目标形状和位置信息,有助于汽车更好的了解环境,可以提供更加稳定且精准的感知结果。所以,无人汽车利用相机和激光雷达产生的数据进行融合,以检测汽车行进过程中位于该车前方的目标,如汽车、行人、骑车的人已成为一种趋势。
[0003]目前,对于相机和激光雷达这两类传感器数据融合算法分为三类:前端融合、深度融合、后端融合。前端融合,主要针对数据层面的融合,它将不同模态的数据在输入之前先融合为单一的特征向量,然后输入进行后续操作。其数据既可以是来自传感器的原始数据,也可以是经过预处理的数据。深度融合,主要针对特征层面的融合,其将不同模态的原始数据在提取特征之后先转化为高维特征表达,再在不同的特征层中做一些交互融合操作。后端融合,主要针对决策层面的融合,其对不同模态的原始数据用各自的网络处理,输出分类分数,在分数上进行融合。
[0004]中诚华隆计算机技术有限公司在其申请号为:CN202211082826的专利文献中公开了一种“基于多传感器数据融合的自动驾驶决策方法及 ...
【技术保护点】
【技术特征摘要】
1.一种基于相机和激光雷达的多类目标检测方法,其特征在于,包括如下步骤:(1)分别通过传感器获得数据,相机获得RGB图像F1,激光雷达获得点云R1(x,y,z,r);(2)对点云R1(x,y,z,r)进行体素化预处理,获得原始伪图像P:(3)将原始伪图像P的空间信息加强,生成空间加强伪图像Ps
i
:(3a)将点云特征R
i
与伪图像特征P进行配准,生成模态内映射矩阵M
RP
:M
RP
=R
i
/P
i
;(3b)根据采样位置p'和模态内映射矩阵M
RP
,生成一个特征表示V
RP
:其中,K表示双线性插值函数,表示采样位置p'处相邻像素的特征;(3c)利用SetAbstraction操作对点云特征R
i
进行特征提取,生成待融合点云特征R
i
';(3d)将特征表示V
RP
和待融合点云特征R
i
'逐点融合,生成已融合点云特征R
i”:R
i”=σ(Wtanh(UV
RP
+VR
i
))其中,W,U和V是三个不同数值的可学习权重矩阵,σ表示sigmoid激活函数,tanh表示双曲正切函数;(3e)对已融合点云特征R
i”利用两个全连接层FC()得到空间加强伪图像Ps
i
:Ps
i
=P
i
×
FC(FC(R
i”))(4)将RGB图像F
i
的颜色信息融入空间加强伪图像Ps
i
,生成颜色加强伪图像Pc
i
:(4a)对RGB图像F
i
尺寸进行调整的,使其尺寸与空间加强伪图像Ps
i
的尺寸相同;(4b)将调整尺寸后的RGB图像F
i
和空间加强伪图像Ps
i
分别执行BatchNorm操作和ReLu操作,并在通道维度上进行连接得到待变换图PF;(4c)对待变换图PF利用空间注意力公式和通道注意力公式分别生成空间因子矩阵M
s
和通道因子矩阵M
c
;(4d)根据空间因子矩阵M
s
和通道因子矩阵M
c
,计算得到伪视图变换矩阵M
cs
:M
cs
=0.6*M
c
+0.4*M
s
;(4e)将伪视图变换矩阵M
cs
与RGB图像F
i
相乘得到视角转换伪图像Pv
i
,并将该伪图像Pv
i
与空间加强伪图像Ps
i
在通道维度进行拼接,生成双加强伪图像Pc
i
;(5)根据双加强伪图像Pc
i
获得双加强伪图像:(5a)对双加强伪图像Pc
i
进行卷积,得到降采样双加强伪图像Pc
i+1
,返回步骤(3);(5b)重复步骤(5a),最终得到双加强伪图像Pc3;(6)对双加强伪图像Pc3执行两次转置卷积,分别得到已转置两个特征图Pt1和Pt2。将双加强伪图像Pc3与已转置的两个特征图Pt1、Pt2依次拼接...
【专利技术属性】
技术研发人员:张静,许达,李云松,
申请(专利权)人:西安电子科技大学芜湖研究院,
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。