一种确定目标物体深度的方法、装置及电子设备制造方法及图纸

一种确定目标物体深度的方法、装置及电子设备，该方法包括：获得目标物体对应的物体信息，基于数据预处理模型将物体信息转化为多维特征向量，将多维特征向量输入预设深度模型中，获得目标物体对应的长度信息。通过上述的方法，将目标物体的物体信息输入数据预处理模型，得到物体信息对应的多维特征向量，并将多维特征向量输入至训练完成的预设深度模型中，确定出目标物体的深度信息，由于数据预处理模型以及预设深度模型都是预先训练好的模型，因此，能够确保基于数据预处理模型以及预设深度模型确定出的目标物体的深度信息的准确性。模型确定出的目标物体的深度信息的准确性。模型确定出的目标物体的深度信息的准确性。

【技术实现步骤摘要】
一种确定目标物体深度的方法、装置及电子设备


[0001]本申请涉及智能驾驶
，尤其涉及一种确定目标物体深度的方法、装置及电子设备。

技术介绍

[0002]在自动驾驶技术的发展过程中，自动驾驶的软件架构可划分为感知模块与决策模块，感知模块通过车辆系统中的传感器获取车辆外部的数据，该传感器可以为激光雷达、图像采集设备等，决策模块基于感知模块获取的数据进行指令的下发。
[0003]当上述描述的感知模块中的传感器为激光雷达时，该激光雷达能够基于发送的脉冲信号的发射时间、返回时间以及发射角度、返回角度确定出目标物体在三维空间中的位置，将该激光雷达采集的数据作为点云数据，因此，对激光雷达采集的点云数据的处理如下：
[0004]基于激光雷达检测目标物体时，激光雷达会获取包含目标物体的场景中的所有第一点云数据，并基于PointNet算法对该第一点云数据进行处理，获得该目标物体对应的第二点云数据，该点云数据为多个点构成的场景或者物体的点云集合，每一个点能够用空间直角坐标系中的坐标表示，需要从目标物体的所有点的x中确定出x的最小值与最大值，得到x方向上的范围；从目标物体的所有点的y中确定出y的最小值与最大值，得到y方向上的范围；从目标物体的所有点的z中确定出z的最小值与最大值，得到z方向上的范围。
[0005]基于上述得到的6个值，能够确定出该目标物体的3D框，基于该3D框能够获得目标物体的高度信息、宽度信息以及深度信息，由于激光雷达不能很好的估计物体深度的特性，因此，基于该3D框得到的目标物体的深度信息不准确。

技术实现思路

[0006]本申请提供了一种确定目标物体深度的方法、装置及电子设备，用与提高目标物体的深度信息的准确性。
[0007]第一方面，本申请提供了一种确定目标物体深度的方法，所述方法包括：
[0008]获得目标物体对应的物体信息，其中，所述物体信息包括：所述目标物体的高度信息、宽度信息以及目标类型；
[0009]基于数据预处理模型将所述物体信息转化为多维目标特征向量；
[0010]将所述多维目标特征向量输入预设深度模型中，获得所述目标物体对应的深度信息。
[0011]通过上述的方法，通过数据预处理模型对目标物体的物体信息进行处理，获得目标物体对应的多维目标特征向量，再通过预设深度模型对多维目标特征向量进行处理，从而得到目标物体的深度信息，由于数据预处理模型以及预设深度模型都是提前训练好的模型，因此，能够确保获得的目标物体的深度信息的准确性。
[0012]在一种可能的设计中，获得目标物体对应的物体信息之前，包括：
[0013]获得m个测试物体各自对应的测试物体信息，其中，所述测试物体信息为测试物体的高度信息、宽度信息、深度信息、以及测试物体的类型信息，m为正整数；
[0014]基于所述m个测试物体进行训练，获得所述m个测试物体对应的训练模型；
[0015]响应于所述训练模型符合预设条件，确定出所述m个测试物体对应的预设深度模型。
[0016]通过上述的方法，对m个测试物体进行训练，并获得m个测试物体的训练模型，当训练模型符合预设条件时，则确定出的预设深度模型，对训练过程中得到的训练模型进行筛选，提高了预设深度模型预测深度信息的准确性。
[0017]在一种可能的设计中，基于所述m个测试物体进行训练，获得所述m个测试物体对应的训练模型，包括：
[0018]确定出所述m个测试物体对应的所有高度信息、宽度信息以及深度信息中的最大值，以及所述m个测试物体分别对应的类别特征向量；
[0019]基于所述最大值对各个测试物体各自对应的高度信息以及宽度信息进行归一化处理，获得所述各个测试物体各自对应的二维特征向量；
[0020]将所述各个测试物体各自的二维特征向量以及各自对应的类别特征向量进行拼接，获得所述各个测试物体分别对应的多维特征向量；
[0021]基于所述各个测试物体各自对应的深度信息以及所述各个多维特征向量进行训练，获得所述m个测试物体对应的训练模型。
[0022]通过上述的方法，通过目标物体的二维特征向量以及类别特征向量的拼接，获得目标物体的多维特征向量，基于各个测试物体的多维特征向量以及深度信息进行模型训练，确保了训练模型的准确性。
[0023]在一种可能的设计中，响应于所述训练模型符合预设条件，包括：
[0024]获得所述m个测试物体对应的总训练次数，以及确定出所述m个测试物体每一次训练对应的训练模型的损失值，其中，所述损失值表征模型预测深度值和训练样本实际深度值之间的差异；
[0025]当所述总训练次数达到预设训练次数时，响应于所述训练模型符合预设条件；以及
[0026]当所述损失值小于预设损失阈值时，响应于所述训练模型符合预设条件。
[0027]通过上述的方法，对m个测试物体每一次进行训练之后的训练模型进行检测，用以确保得到的训练模型符合预设条件，从而提高了训练模型的准确性。
[0028]在一种可能的设计中，获得目标物体对应的物体信息，包括：
[0029]确定出所述目标物体的三维检测框，基于预设分类算法获得所述目标物体的目标类型；
[0030]响应于所述目标类型在预设类别集中，基于所述三维检测框读取出所述目标物体的高度信息以及宽度信息，其中，所述预设类别集包含多个预设物体各自对应的类别；
[0031]将所述目标类型、所述高度信息以及所述宽度信息作为所述目标物体对应的物体信息。
[0032]通过上述的方法，通过三维检测框获得目标物体的宽度信息以及高度信息，并确定出目标物体的目标类型与预设类别集中的预设物体的类别一致，从而确保了获得的目标
物体的物体信息的准确性。
[0033]在一种可能的设计中，基于预设分类算法获得所述目标物体的目标类型，包括：
[0034]提取出所述目标物体对应的多个目标特征；
[0035]将所述多个目标特征与预设类别特征集进行匹配，确定出所述多个目标特征集对应的多个相似度值，其中，所述预设类别特征集中包括每一个预设物体对应的特征集；
[0036]从所述多个相似度值中确定出最大相似度对应的预设物体的预设类别，并将所述预设类别作为所述目标物体的目标类型。
[0037]通过上述的方法，确定出最大相似度对应的预设物体的预设类别，并将该预设类别作为目标物体的目标类型，从而提高了确定出目标物体的目标类型的准确性。
[0038]在一种可能的设计中，基于数据预处理模型将所述物体信息转化为多维目标特征向量，包括：
[0039]将所述目标物体对应的所述物体信息输入所述数据预处理模型，获得所述目标物体的目标二维特征向量以及目标类别向量；
[0040]将所述目标二维特征向量以及所述目标类别向量组合，获得所述目标物体对应的多维目标特征向量。
[0041]通过上述的方法，通过数据预处理模型将目标物体的物体信息转化为多维目标特征向量，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种确定目标物体深度的方法，其特征在于，包括：获得目标物体对应的物体信息，其中，所述物体信息包括：所述目标物体的高度信息、宽度信息以及目标类型；基于数据预处理模型将所述物体信息转化为多维目标特征向量；将所述多维目标特征向量输入预设深度模型中，获得所述目标物体对应的深度信息。2.如权利要求1所述的方法，其特征在于，获得目标物体对应的物体信息之前，包括：获得m个测试物体各自对应的测试物体信息，其中，所述测试物体信息为测试物体的高度信息、宽度信息、深度信息、以及测试物体的类型信息，m为正整数；基于所述m个测试物体进行训练，获得所述m个测试物体对应的训练模型；响应于所述训练模型符合预设条件，确定出所述m个测试物体对应的预设深度模型。3.如权利要求2所述的方法，其特征在于，基于所述m个测试物体进行训练，获得所述m个测试物体对应的训练模型，包括：确定出所述m个测试物体对应的所有高度信息、宽度信息以及深度信息中的最大值，以及所述m个测试物体分别对应的类别特征向量；基于所述最大值对各个测试物体各自对应的高度信息以及宽度信息进行归一化处理，获得所述各个测试物体各自对应的二维特征向量；将所述各个测试物体各自的二维特征向量以及各自对应的类别特征向量进行拼接，获得所述各个测试物体分别对应的多维特征向量；基于所述各个测试物体各自对应的深度信息以及所述各个多维特征向量进行训练，获得所述m个测试物体对应的训练模型。4.如权利要求2所述的方法，其特征在于，响应于所述训练模型符合预设条件，包括：获得所述m个测试物体对应的总训练次数，以及确定出所述m个测试物体每一次训练对应的训练模型的损失值，其中，所述损失值表征模型预测深度值和训练样本实际深度值之间的差异；当所述总训练次数达到预设训练次数时，响应于所述训练模型符合预设条件；以及当所述损失值小于预设损失阈值时，响应于所述训练模型符合预设条件。5.如权利要求1所述的方法，其特征在于，获得目标物体对应的物体信息，包括：确定出所述目...

【专利技术属性】
技术研发人员：邓泽露，袁霖，周涛，
申请(专利权)人：宁波吉利汽车研究开发有限公司，
类型：发明
国别省市：