System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及雷达信号处理,特别是涉及一种目标检测方法、装置、计算机设备、存储介质和程序产品。
技术介绍
1、在车辆进行自动驾驶、机器人进行自动巡查等场景中,激光雷达作为常用的传感器,可检测周边环境得到点云数据,从而根据点云数据进行目标检测,例如,根据点云数据进行障碍物的检测。
2、现有的目标检测主要采用聚类算法,聚类算法不追求类别的准确性,利用点云数据对车辆等目标物体进行聚类得到聚类结果,但是存在会将目标物体分解成很多的小块的情况,聚类结果无法描述目标物体的全貌,目标检测的准确性较差。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提高目标检测准确性的目标检测方法、装置、计算机设备、存储介质和程序产品。
2、第一方面,本申请提供了一种目标检测方法,所述方法包括:
3、采用深度学习算法获取待检测点云数据中目标物的第一检测结果;
4、根据所述第一检测结果中三维检测框的顶点坐标,从所述待检测点云数据中确定目标点云数据;
5、采用聚类算法对所述目标点云数据进行聚类,得到第二检测结果;
6、根据所述第一检测结果和所述第二检测结果,得到所述点云数据的目标检测结果。
7、在其中一个实施例中,所述根据所述第一检测结果中三维检测框的顶点坐标,从所述待检测点云数据中确定目标点云数据,包括:
8、根据所述第一检测结果中三维检测框的顶点坐标,剔除所述待检测点云数据中位于所述三维检测框内的点云数据;
9、根据剔除位于所述三维检测框内的点云数据后剩余的其他点云数据,确定所述目标点云数据。
10、在其中一个实施例中,所述根据剔除位于所述三维检测框内的点云数据后剩余的其他点云数据,确定所述目标点云数据,包括:
11、将所述其他点云数据作为所述目标点云数据;或者,
12、剔除所述其他点云数据中的地面点云数据后得到剩余点云数据,将所述剩余点云数据作为所述目标点云数据。
13、在其中一个实施例中,所述根据剔除位于所述三维检测框内的点云数据后剩余的其他点云数据,确定所述目标点云数据,包括:
14、根据预设的裁剪区域,对所述其他点云数据或所述剩余点云数据进行裁剪,得到所述目标点云数据。
15、在其中一个实施例中,所述采用聚类算法对所述目标点云数据进行聚类,得到第二检测结果,包括:
16、采用聚类算法对所述目标点云数据进行聚类,得到聚类点簇;
17、根据所述聚类点簇和凸包算法得到所述第二检测结果。
18、在其中一个实施例中,所述根据所述聚类点簇和凸包算法得到所述第二检测结果,包括:
19、根据所述聚类点簇中点云数据的第一目标坐标和凸包算法得到所述聚类点簇的二维边界框;所述第一目标坐标包括在第一方向上的坐标值和在第二方向上的坐标值;
20、根据所述聚类点簇中点云数据的第二目标坐标确定,所述聚类点簇的中心点和最大高度差;所述第二目标坐标包括在第三方向上的坐标值,所述最大高度差等于最大的第二目标坐标与最小的第二目标坐标的差值;
21、根据所述二维边界框、所述中心点和所述最大高度差得到所述第二检测结果。
22、第二方面,本申请还提供了一种目标检测装置,所述装置包括:
23、获取模块,用于采用深度学习算法获取待检测点云数据中目标物的第一检测结果;
24、第一确定模块,用于根据所述第一检测结果中三维检测框的顶点坐标,从所述待检测点云数据中确定目标点云数据;
25、聚类模块,用于采用聚类算法对所述目标点云数据进行聚类,得到第二检测结果;
26、第二确定模块,用于根据所述第一检测结果和所述第二检测结果,得到所述点云数据的目标检测结果。
27、第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
28、采用深度学习算法获取待检测点云数据中目标物的第一检测结果;
29、根据所述第一检测结果中三维检测框的顶点坐标,从所述待检测点云数据中确定目标点云数据;
30、采用聚类算法对所述目标点云数据进行聚类,得到第二检测结果;
31、根据所述第一检测结果和所述第二检测结果,得到所述点云数据的目标检测结果。
32、第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
33、采用深度学习算法获取待检测点云数据中目标物的第一检测结果;
34、根据所述第一检测结果中三维检测框的顶点坐标,从所述待检测点云数据中确定目标点云数据;
35、采用聚类算法对所述目标点云数据进行聚类,得到第二检测结果;
36、根据所述第一检测结果和所述第二检测结果,得到所述点云数据的目标检测结果。
37、第五方面,本申请还提供了一种计算机程序产品,所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
38、采用深度学习算法获取待检测点云数据中目标物的第一检测结果;
39、根据所述第一检测结果中三维检测框的顶点坐标,从所述待检测点云数据中确定目标点云数据;
40、采用聚类算法对所述目标点云数据进行聚类,得到第二检测结果;
41、根据所述第一检测结果和所述第二检测结果,得到所述点云数据的目标检测结果。
42、上述目标检测方法、装置、计算机设备、存储介质和程序产品,通过采用深度学习算法获取待检测点云数据中目标物的第一检测结果,进一步根据第一检测结果中三维检测框的顶点坐标,从待检测点云数据中确定目标点云数据,采用聚类算法对目标点云数据进行聚类,得到第二检测结果,从而根据第一检测结果和第二检测结果,得到点云数据的目标检测结果。本申请中利用深度学习算法对待检测点云数据中的目标物进行检测,可以有效得到目标物的全貌,由于目标点云数据是根据第一检测结果和待检测点云数据确定的点云数据,基于目标点云数据和聚类算法得到的第二检测结果,可以将深度学习算法没有检测到的目标物进行检测,本申请将深度学习算法和聚类算法的有效结合,提高了目标检测的准确性。
本文档来自技高网...【技术保护点】
1.一种目标检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一检测结果中三维检测框的顶点坐标,从所述待检测点云数据中确定目标点云数据,包括:
3.根据权利要求2所述的方法,其特征在于,所述根据剔除位于所述三维检测框内的点云数据后剩余的其他点云数据,确定所述目标点云数据,包括:
4.根据权利要求3所述的方法,其特征在于,所述根据剔除位于所述三维检测框内的点云数据后剩余的其他点云数据,确定所述目标点云数据,包括:
5.根据权利要求1所述的方法,其特征在于,所述采用聚类算法对所述目标点云数据进行聚类,得到第二检测结果,包括:
6.根据权利要求5所述的方法,其特征在于,所述根据所述聚类点簇和凸包算法得到所述第二检测结果,包括:
7.一种目标检测装置,其特征在于,所述装置包括:
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种目标检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一检测结果中三维检测框的顶点坐标,从所述待检测点云数据中确定目标点云数据,包括:
3.根据权利要求2所述的方法,其特征在于,所述根据剔除位于所述三维检测框内的点云数据后剩余的其他点云数据,确定所述目标点云数据,包括:
4.根据权利要求3所述的方法,其特征在于,所述根据剔除位于所述三维检测框内的点云数据后剩余的其他点云数据,确定所述目标点云数据,包括:
5.根据权利要求1所述的方法,其特征在于,所述采用聚类算法对所述目标点云数据进行聚类,得到第二检测结果,包括:
【专利技术属性】
技术研发人员:黄超,鲍永,李娟娟,邓永强,
申请(专利权)人:北京万集科技股份有限公司,
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。