【技术实现步骤摘要】
本申请涉及计算机领域，具体涉及一种对象检测方法、装置、电子设备和存储介质。
技术介绍
1、智慧交通建设中最为重要且基础的建设内容为感知建设，即通过在道路两侧、中央等高位建立传感器来捕获道路上的动静态要素，并进行数字化的过程。常用的智慧交通传感器包括相机、激光雷达、毫米波雷达等。而毫米波雷达由于电磁波成像的物理特性，穿透性强、不依赖光源成像，使得毫米波雷达是一种非常适合智慧交通建设的传感器，能够做到全天候全工况覆盖；相比而言，相机、激光雷达传感器在智慧交通领域的工况使用则较为受限，譬如相机对于工况光源情况极为敏感，在逆光、夜晚时无法使用，激光雷达对于颗粒物体极为敏感，雨天、雾天也有较大程度的性能衰减。
2、毫米波雷达可以分为高位毫米波雷达和车规级毫米波雷达。其中，高位毫米波雷达通常被安装在道路高处以获得更全面的周围环境感知，具有更广阔的探测范围，能够探测到更远距离的目标，并提供更高精度的环境感知；车规级毫米波雷达通常安装在车辆的前、后保险杠或侧面，更靠近地面，通常拥有较小的探测范围和较低的分辨率。
3、然而，由于高位毫米波雷达的广阔性与高精度，且毫米波雷达数据较为稀疏，因此目前业内只能采用如基于dbscan等的点云聚类、基于ekf等的目标跟随的传统方法，使得现有的对象检测方法无法做到大范围的准确检测，因此目前的对象检测方法效率低下。
技术实现思路
1、本申请实施例提供一种对象检测方法、装置、电子设备和存储介质，可以提升对象检测方法的效率。
2、本申
3、获取雷达视野和地图，雷达视野由安装在道路上方的毫米波雷达采集得到，雷达视野中包括雷达点云，以及雷达点云的状态信息，地图中记载有道路；
4、基于状态信息剔除雷达视野中的噪声点云，得到去噪雷达视野，去噪雷达视野中包括对象点云；
5、将去噪雷达视野内的对象点云映射在地图中，得到底图数据；
6、采用检测模型对底图数据进行对象检测，得到道路中对象点云的预测状态信息，检测模型包括神经网络。
7、本申请实施例还提供一种对象检测装置，包括：
8、获取单元，用于获取雷达视野和地图，所述雷达视野由安装在道路上方的毫米波雷达采集得到，所述雷达视野中包括雷达点云以及所述雷达点云的状态信息，所述地图中记载有所述道路；
9、去噪单元，用于基于所述状态信息剔除所述雷达视野中的噪声点云，得到去噪雷达视野，所述去噪雷达视野中包括对象点云；
10、映射单元，用于将所述去噪雷达视野内的对象点云映射在所述地图中，得到底图数据；
11、检测单元，用于采用检测模型对底图数据进行对象检测，得到所述道路中对象点云的预测状态信息，所述检测模型包括神经网络。
12、在一些实施例中，地图包括道路的道路边界，基于状态信息剔除雷达视野中的噪声点云，得到去噪雷达视野，包括：
13、将雷达视野与地图进行对齐处理，得到对齐视野；
14、基于道路边界对对齐视野进行边界过滤，得到道路内视野；
15、对道路内视野内的噪声点云进行过滤，得到去噪雷达视野。
16、在一些实施例中，将雷达视野与地图进行对齐处理，得到对齐视野，包括：
17、基于状态信息在雷达视野中确定边界点云，边界点云为道路边界对应的雷达点云；
18、基于边界点云，将雷达视野与地图对齐；
19、基于对齐后的雷达视野与地图，将雷达点云及其状态信息标定在地图上，得到对齐视野。
20、在一些实施例中，基于道路边界对对齐视野进行边界过滤，得到道路内视野，包括：
21、将对齐视野中落入道路边界外的雷达点云删除，得到道路内视野，道路内视野只包括落入道路边界内的雷达点云。
22、在一些实施例中，状态信息包括速度和高度，对道路内视野内的噪声点云进行过滤，得到去噪雷达视野，包括：
23、当雷达点云的速度低于预设速度阈值，且高度高于预设高度阈值，则将雷达点云确定为噪声点云；
24、将道路内视野内的噪声点云删除，得到去噪雷达视野。
25、在一些实施例中，采用检测模型对道路的底图数据进行对象检测，得到道路中对象点云的预测状态信息之前，还包括：
26、采用道路的底图数据训练神经网络，得到检测模型，检测模型用于预测对象点云的真实状态信息。
27、在一些实施例中，采用道路的底图数据训练神经网络，得到检测模型，包括：
28、获取对象点云的真实状态信息，真实状态信息由传感器采集得到；
29、基于真实状态信息与底图数据中的状态信息计算模型损失，并基于模型损失更新神经网络，直至神经网络收敛，得到检测模型。
30、在一些实施例中，神经网络包括深度卷积神经网络，深度卷积神经网络包括卷积层和回归头，基于真实状态信息与底图数据中的状态信息计算模型损失，并基于模型损失更新神经网络，直至神经网络收敛，得到检测模型，包括：
31、采用卷积层对底图数据进行卷积处理，得到底图特征；
32、采用回归头对底图特征进行对象预测，得到底图数据中对象点云的预测状态信息；
33、根据预测状态信息和真实状态信息计算模型损失；
34、基于模型损失更新神经网络，直至神经网络收敛，得到检测模型。
35、在一些实施例中，底图数据包括地图层、点云层和信息层，地图层包括地图，点云层包括对象点云，信息层包括对象点云的状态信息。
36、在一些实施例中，道路包括车道，地图中记载有车道的车道信息，将去噪雷达视野内的对象点云映射在地图中，得到底图数据，包括：
37、基于去噪雷达视野内的对象点云的状态信息，确定对象点云在道路中所处的车道；
38、将去噪雷达视野内的对象点云映射在地图中，得到底图数据，信息层还包括对象点云所处车道的车道信息。
39、在一些实施例中，地图中包括至少一条道路，每个道路的上方均安装有毫米波雷达，每个毫米波雷达均采集其对应道路的雷达视野；将去噪雷达视野内的对象点云映射在地图中，得到底图数据，包括：
40、将去噪雷达视野内的对象点云映射在地图中，得到道路的底图数据片段；
41、将每条道路的底图数据片段进行合并，得到底图数据。
42、在一些实施例中，地图中包括至少一条道路，每个道路的上方均安装有毫米波雷达，每个毫米波雷达均采集其对应道路的雷达视野，采用检测模型对底图数据进行对象检测，得到道路中对象点云的预测状态信息，包括：
43、采用检测模型分别对底图数据进行对象检测，得到道路中对象点云的预测状态信息；
44、将每条道路中对象点云的预测状态信息进行合并，得到所有道路中对象点云的预测状态信息。
45、本申请实施例还提供一种电子设备，包括存储器存储有多条指令；所述处理器从所本文档来自技高网...
【技术保护点】
1.一种对象检测方法，其特征在于，包括：
2.如权利要求1所述的对象检测方法，其特征在于，所述地图包括所述道路的道路边界，所述基于所述状态信息剔除所述雷达视野中的噪声点云，得到去噪雷达视野，包括：
3.如权利要求2所述的对象检测方法，其特征在于，所述将所述雷达视野与所述地图进行对齐处理，得到对齐视野，包括：
4.如权利要求2所述的对象检测方法，其特征在于，所述基于所述道路边界对所述对齐视野进行边界过滤，得到道路内视野，包括：
5.如权利要求2所述的对象检测方法，其特征在于，所述状态信息包括速度和高度，所述对所述道路内视野内的噪声点云进行过滤，得到去噪雷达视野，包括：
6.如权利要求1所述的对象检测方法，其特征在于，所述采用检测模型对所述道路的底图数据进行对象检测，得到所述道路中对象点云的预测状态信息之前，还包括：
7.如权利要求6所述的对象检测方法，其特征在于，所述采用所述道路的底图数据训练神经网络，得到检测模型，包括：
8.如权利要求7所述的对象检测方法，其特征在于，所述神经网络包括深度卷积神经
9.如权利要求1所述的对象检测方法，其特征在于，所述底图数据包括地图层、点云层和信息层，所述地图层包括所述地图，所述点云层包括所述对象点云，所述信息层包括所述对象点云的状态信息。
10.如权利要求9所述的对象检测方法，其特征在于，所述道路包括车道，所述地图中记载有所述车道的车道信息，所述将所述去噪雷达视野内的对象点云映射在所述地图中，得到底图数据，包括：
11.如权利要求1所述的对象检测方法，其特征在于，所述地图中包括至少一条道路，每个所述道路的上方均安装有毫米波雷达，每个所述毫米波雷达均采集其对应道路的雷达视野；所述将所述去噪雷达视野内的对象点云映射在所述地图中，得到底图数据，包括：
12.如权利要求1所述的对象检测方法，其特征在于，所述地图中包括至少一条道路，每个所述道路的上方均安装有毫米波雷达，每个所述毫米波雷达均采集其对应道路的雷达视野，所述采用检测模型对底图数据进行对象检测，得到所述道路中对象点云的预测状态信息，包括：
13.一种对象检测装置，其特征在于，包括：
14.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行如权利要求1～12任一项所述的对象检测方法中的步骤。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1～12任一项所述的对象检测方法中的步骤。
...【技术特征摘要】
1.一种对象检测方法，其特征在于，包括：
2.如权利要求1所述的对象检测方法，其特征在于，所述地图包括所述道路的道路边界，所述基于所述状态信息剔除所述雷达视野中的噪声点云，得到去噪雷达视野，包括：
3.如权利要求2所述的对象检测方法，其特征在于，所述将所述雷达视野与所述地图进行对齐处理，得到对齐视野，包括：
4.如权利要求2所述的对象检测方法，其特征在于，所述基于所述道路边界对所述对齐视野进行边界过滤，得到道路内视野，包括：
5.如权利要求2所述的对象检测方法，其特征在于，所述状态信息包括速度和高度，所述对所述道路内视野内的噪声点云进行过滤，得到去噪雷达视野，包括：
6.如权利要求1所述的对象检测方法，其特征在于，所述采用检测模型对所述道路的底图数据进行对象检测，得到所述道路中对象点云的预测状态信息之前，还包括：
7.如权利要求6所述的对象检测方法，其特征在于，所述采用所述道路的底图数据训练神经网络，得到检测模型，包括：
8.如权利要求7所述的对象检测方法，其特征在于，所述神经网络包括深度卷积神经网络，所述深度卷积神经网络包括卷积层和回归头，所述基于所述真实状态信息与所述底图数据中的所述状态信息计算模型损失，并基于所述模型损失更新神经网络，直至所述神经网络收敛，得到检测模型，包括：
9.如权利要求1所述的对象检测方法，其特征在于，所...
【专利技术属性】
技术研发人员：刘畅，
申请(专利权)人：腾讯科技深圳有限公司，
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。