[发明专利]一种基于模型拟合算法的车辆三维检测方法

说明书

本发明中提出的一种基于模型拟合算法的车辆三维检测方法，其主要内容包括：车辆维度估计、车辆模型拟合、两阶段精炼卷积神经网络，其过程为，原始图像被传送到二维检测网络，该网络为在图像平面中的候选车辆生成二维边界框，选择投影后落入二维边界框的一组三维点，利用这个集合，模型拟合算法检测车辆的三维位置和三维边界框，接着将适合三维边界框的点作为输入，设计两个阶段的精炼卷积神经网络，将检测到的三维框进一步对准点云，进行最终的三维框回归和分类。本发明提出的模型拟合算法，能够利用任何二维检测网络的优势来提供三维信息，实现更高效的模型拟合过程，提高了三维车辆检测的能力和检测精度。

技术领域

本发明涉及图像检测领域，尤其是涉及了一种基于模型拟合算法的车辆三维检测方法。

背景技术

随着人们生活水平的不断提高，汽车的数量逐年增加，对车辆的监控和管理也显得越来越困难。因此，利用智能识别的方法对车辆进行检测，可以大大提高监控和管理的准确性，也能减少大量的人力、物力和财力。运动车辆的检测可以实现对道路上运动车辆的信息采集和处理，获取车辆的大小、位置等特征信息和车辆牌照信息。在完整的智能交通系统中，车辆检测能够为道路交通控制、公共交通指挥与调度、高速公路管理和紧急事件处理等诸多交通问题提供强有力的数据支持和信息支撑。通过车辆检测，还能实现在高速公路和各个停车场的不停车收费和管理，以及违章车辆监控等，有利于提高交通管理的效率和服务能力。常用的车辆检测方法包括单色图像、立体图像、光检测和测距(LiDAR)和单色图像和激光雷达之间的融合。单声道图像由于缺乏深度信息来恢复检测到的障碍物的三维位置，因此必须进行假设和近似处理。而基于立体图像的方法随着车辆距离的增加，精度会有所下降。LiDAR方法缺乏颜色信息，分类较为困难。

本发明提出了一种基于模型拟合算法的车辆三维检测方法，原始图像被传送到二维检测网络，该网络为在图像平面中的候选车辆生成二维边界框，选择投影后落入二维边界框的一组三维点，利用这个集合，模型拟合算法检测车辆的三维位置和三维边界框，接着将适合三维边界框的点作为输入，设计两个阶段的精炼卷积神经网络，将检测到的三维框进一步对准点云，进行最终的三维框回归和分类。本发明提出的模型拟合算法，能够利用任何二维检测网络的优势来提供三维信息，实现更高效的模型拟合过程，提高了三维车辆检测的能力和检测精度。

发明内容

针对车辆检测精度下降、分类困难的问题，本发明的目的在于提供一种基于模型拟合算法的车辆三维检测方法，原始图像被传送到二维检测网络，该网络为在图像平面中的候选车辆生成二维边界框，选择投影后落入二维边界框的一组三维点，利用这个集合，模型拟合算法检测车辆的三维位置和三维边界框，接着将适合三维边界框的点作为输入，设计两个阶段的精炼卷积神经网络，将检测到的三维框进一步对准点云，进行最终的三维框回归和分类。

为解决上述问题，本发明提供一种基于模型拟合算法的车辆三维检测方法，其主要内容包括：

(一)车辆维度估计；

(二)车辆模型拟合；

(三)两阶段精炼卷积神经网络。

其中，所述的车辆三维检测方法，输入一个图像，首先为候选车辆生成二维边界框；其次，这些边界框用于选择点云的子集，使用相机和激光探测与测量(LiDAR)之间的转换；由于相机的透视特性，三维点子集可能扩展到比车辆本身大得多的区域；该子集还包含相当数量的非车辆点和相邻车辆上的点。

其中，所述的车辆维度估计，给定的二维检测网络的末端需要一个额外的回归层，首先获得数据集中所有汽车和货车的平均尺寸；令表示车辆的高度、长度和宽度；标定好的回归向量定义为：

维度回归损失显示为：