点云目标检测方法及相关装置制造方法及图纸

本公开提供了一种点云目标检测方法及相关装置，该点云目标检测方法包括：获取待检测点云帧；通过目标检测模型对待检测点云帧包含的目标进行检测；其中，目标检测模型为经训练满足约束条件的神经网络；约束条件为目标检测模型检测第一点云帧得到的第一检测结果经预设变换后与其检测第二点云帧得到的第二检测结果一致，预设变换为由第一点云帧得到第二点云帧所需的变换且为小于预设幅度的变换。本公开以较低的训练成本实现了点云目标检测的时序稳定性，应用于自动驾驶和无人驾驶领域能够对无人车周边环境进行低成本但高时序稳定性的感测。的感测。的感测。

【技术实现步骤摘要】
点云目标检测方法及相关装置


[0001]本公开涉及点云处理
，尤其涉及一种点云目标检测方法及相关装置。

技术介绍

[0002]随着人工智能的发展，自动驾驶技术越来越成熟。自动驾驶技术简要分为感知、预测、定位、决策和规划控制，其中，感知是指通过算法解析传感器(如：激光雷达、光学摄像头、超声波雷达等)感测到的数据来完成对周边环境的建模，建好的模型供下游任务使用，如用于规划控制(Planning and Control，简称PnC)中的路径规划。
[0003]在所有的感知任务里面，基于激光点云的三维(3
‑
dimension，简称3D)目标检测在L4级别自动驾驶中起着重要作用。然而，点云中的噪声及点云在时序上的抖动通常导致基于点云检测到的目标在时序上存在抖动，这些抖动会对下游任务产生不良影响。当前主流的点云目标检测训练方法部分完全不考虑时序稳定性，部分依靠标注点云时序帧来提高时序稳定性，而后一种方法又由于标注成本昂贵，因而在生产环境中并不实用。
[0004]公开内容
[0005]有鉴于此，本公开提供一种点云目标检测方法及相关装置，旨在以较低的训练成本实现点云目标检测的时序稳定性。
[0006]根据本公开的第一方面，提供一种点云目标检测方法，包括：
[0007]获取待检测点云帧；
[0008]通过目标检测模型对所述待检测点云帧包含的目标进行检测；
[0009]其中，所述目标检测模型为经训练满足约束条件的神经网络；
[0010]所述约束条件为所述目标检测模型检测第一点云帧得到的第一检测结果经预设变换后与其检测第二点云帧得到的第二检测结果一致，所述预设变换为由所述第一点云帧得到所述第二点云帧所需的变换且为小于预设幅度的变换。
[0011]可选地，所述预设变换包括以下至少一种：小于预设角度的旋转变换、小于预设比例的缩放变换、小于预设长度的平移变换。
[0012]可选地，所述预设变换为所述平移变换的情况下：
[0013]所述第一点云帧中任一点的位置信息经第一矩阵变换来得到所述第二点云帧中对应点的位置信息；
[0014]所述约束条件为：同一目标在所述第一检测结果和所述第二检测结果中改变重心位置，且所述第一检测结果中任一目标的重心位置经所述第一矩阵变换后与所述第二检测结果中所述目标的重心位置一致。
[0015]可选地，所述第一矩阵为：
[0016][0017]ΔT表示所述平移变换中所平移的位置，ΔT.x表示ΔT在x方向上的分量，ΔT.y表示ΔT在y方向上的分量，ΔT.z表示ΔT在z方向上的分量，M
T
(ΔT)表示所述第一矩阵。
[0018]可选地，所述预设变换为所述缩放变换的情况下：
[0019]所述第一点云帧中任一点的位置信息经第二矩阵变换来得到所述第二点云帧中对应点的位置信息；
[0020]所述约束条件为：同一目标在所述第一检测结果和所述第二检测结果中改变尺寸，且所述第一检测结果中所述目标的尺寸以所述缩放变换中的缩放比例缩放后与所述第二检测结果中所述目标的尺寸一致。
[0021]可选地，所述第二矩阵为：
[0022][0023]Δs表示缩放比例且为一个带符号的数值，Δs所带符号为正表示放大且所带符号为负表示缩小，M
s
(Δs)表示所述第二矩阵。
[0024]可选地，所述预设变换为所述旋转变换的情况下：
[0025]所述第一点云帧中任一点的位置信息经第三矩阵变换来得到所述第二点云帧中对应点的位置信息；
[0026]所述约束条件为：同一目标在所述第一检测结果和所述第二检测结果中改变航向角，且所述第一检测结果中所述目标的航向角加上所述旋转变换中所旋转角度后与所述第二检测结果中所述目标的航向角一致。
[0027]可选地，所述第三矩阵为：
[0028][0029]Δθ表示所述旋转变换中所旋转角度，R(Δθ)表示所述第三变换矩阵。
[0030]根据本公开的第二方面，提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机指令，所述计算机指令被所述处理器执行时实现第一方面所述的任一种点云目标检测方法。
[0031]根据本公开的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时，实现第一方面所述的任一种点云目标检测方法。
[0032]本公开提供的点云目标检测方法，通过目标检测模型对待检测点云帧包含的目标进行检测，其中，目标检测模型为经训练满足约束条件的神经网络，约束条件为目标检测模型检测第一点云帧得到的第一检测结果经预设变换后与其检测第二点云帧得到的第二检测结果一致，预设变换为由第一点云帧得到第二点云帧所需的变换，因而目标检测模型能够以较高的时序稳定性进行点云目标检测。该点云目标检测方法只改进了目标检测模型的
训练过程，不涉及花费昂贵成本来进行点云时序帧的标注，因而以低成本实现了点云目标检测的时序稳定性。
附图说明
[0033]通过参照以下附图对本公开实施例的描述，本公开的上述以及其它目的、特征和优点将更为清楚，在附图中：
[0034]图1示出了点云帧所包含目标的情况；
[0035]图2示出了现有点云目标检测方法检测到的连续两个点云帧所包含目标的情况；
[0036]图3示出了根据本公开实施例的一种点云目标检测方法的流程图；
[0037]图4示出了用于实施本公开各个实施例的电子设备的一种结构示意图。
具体实施方式
[0038]以下将参照附图更详细地描述本公开。在各个附图中，相同的元件采用类似的附图标记来表示。为了清楚起见，附图中的各个部分没有按比例绘制。此外，可能未示出某些公知的部分。
[0039]点云目标检测任务旨在检测出点云帧P＝{p1，p2，
…
，p
n
}中的三维物体O＝{o1，o2，
…
，o
m
}，其中，n表示构成点云帧P中点的个数，m表示点云帧P中包含的三维物体的个数。点云帧P中包含的三维物体，在以下亦称为点云帧P包含的三维目标或点云帧P包含的目标。更进一步地讲，每个点p
k
可表示为p
k
＝(x
k
，y
k
，z
k
，f
k
，i
k
)，即描述每个点p
k
的信息包含该点的三维的位置信息x
k
、y
k
、z
k
(x
k
表示点p
k
所处位置的x分量，y
k
表示点p
k
所处位置的y分量，z
k
表示点p
k
所处位置的z分量)以及该点反射强度f
k
和属性信息i
k
；而每本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云目标检测方法，包括：获取待检测点云帧；通过目标检测模型对所述待检测点云帧包含的目标进行检测；其中，所述目标检测模型为经训练满足约束条件的神经网络；所述约束条件为所述目标检测模型检测第一点云帧得到的第一检测结果经预设变换后与其检测第二点云帧得到的第二检测结果一致，所述预设变换为由所述第一点云帧得到所述第二点云帧所需的变换且为小于预设幅度的变换。2.根据权利要求1所述的点云目标检测方法，其中，所述预设变换包括以下至少一种：小于预设角度的旋转变换、小于预设比例的缩放变换、小于预设长度的平移变换。3.根据权利要求2所述的点云目标检测方法，其中，所述预设变换为所述平移变换的情况下：所述第一点云帧中任一点的位置信息经第一矩阵变换来得到所述第二点云帧中对应点的位置信息；所述约束条件为：同一目标在所述第一检测结果和所述第二检测结果中改变重心位置，且所述第一检测结果中任一目标的重心位置经所述第一矩阵变换后与所述第二检测结果中所述目标的重心位置一致。4.根据权利要求3所述的点云目标检测方法，其中，所述第一矩阵为：ΔT表示所述平移变换中所平移的位置，ΔT.x表示ΔT在x方向上的分量，ΔT.y表示ΔT在y方向上的分量，ΔT.z表示ΔT在z方向上的分量，M
T
(ΔT)表示所述第一矩阵。5.根据权利要求2
‑
4中任一项所述的点云目标检测方法，其中，所述预设变换为所述缩放变换的情况下：所述第一点云帧中任一点的位置信息经第二矩阵变换来得到所述第二点云帧中...

【专利技术属性】
技术研发人员：张雄，苗乾坤，
申请(专利权)人：新石器慧通北京科技有限公司，
类型：发明
国别省市：