[发明专利]一种基于四线激光雷达辅助的目标检测漏检改进方法

说明书

本发明涉及一种基于四线激光雷达辅助的目标检测漏检改进方法，包括：选取适当的目标检测网络，在数据集上进行训练；同时获取一张车载相机拍摄的待检测图像I和与其对应的一帧激光雷达点云数据C；将待检测图像I输入目标检测网络中，得到单纯的基于图像的目标检测结果；针对激光雷达点云数据C中全部数据点，基于雷达坐标系到像素坐标系的变换矩阵；对每个包含雷达数据点的检测框，更新其置信概率；输出检测结果。

技术领域

本发明涉及智能驾驶、计算机视觉和深度学习领域，特别涉及一种基于四线激光雷达辅助的目标检测漏检改进方法。相比于单纯基于车载相机图像的目标检测方法，本方法能够有效地降低目标检测的漏检率。

背景技术

近年来，Faster-RCNN[1]、特征金字塔网络(feature pyramid network，FPN)[2]和SSD[3]等深度神经网络已经在目标检测任务上表现出了很好的性能。然而，在智能驾驶汽车的实际应用场景下，会遇到一些车载相机成像质量较差的情况，对深度神经网络的目标检测造成比较严重的干扰。例如，在夜晚条件下，光照较差，车辆和行人等目标的明暗对比度较低、成像较为模糊，因此增加了神经网络的辨识难度。此外，夜间行车时，对向来车的车灯(特别是远光灯)会使车载相机出现“眩光”现象；前方车辆也会反射本车车灯的灯光，当这种反射现象较为严重的时候，会消除前方车辆的某些细节信息。此外，由于车载相机成像存在透视效应，距离车辆越远的物体在图像上越小。相应地，车载相机图像中包含该目标的像素值较少，所能提供的信息也较少。因此，较远的目标对于深度神经网络来说属于较难识别的对象，深度神经网络得到的置信概率不高。这些情况都会降低深度神经网络的性能，使神经网络的检测结果出现漏检。

从理论上说，这种现象是车载相机的成像这一环节造成的，因此单纯地通过改进深度神经网络的结构很难解决这个问题，即，如果成像的时候就没有提供充足的信息，无论如何改进神经网络都无法弥补这样的信息损失。

参考文献：

[1]Ren S,He K,Girshick R,et al.Faster r-cnn:Towards real-time objectdetection with region proposal networks[C]//Advances in Neural InformationProcessing Systems,Montreal,Canada,2015:91-99.

[2]Lin T Y,Dollár P,Girshick R,et al.Feature Pyramid Networks forObject Detection[C]//Proceedings of IEEE Conference on Computer Vision andPattern Recognition,Honolulu,USA,2017:936-944.

[3]Liu W,Anguelov D,Erhan D,et al.SSD:Single Shot MultiBoxDetector.European Conference on Computer Vision.Springer,Cham,2016:21-37.

发明内容

本发明的目的是克服现有的单纯基于车载相机拍摄的图像的目标检测方法在成像条件较差的情况下漏检率较高的问题，提出了一种基于四线激光雷达辅助的目标检测漏检改进方法，通过将四线激光雷达的点云投影到图像上并增强包含雷达数据点的检测框的置信概率，以弥补现有方法对复杂成像条件下的目标的漏检问题。技术方案如下：

一种基于四线激光雷达辅助的目标检测漏检改进方法，包括下列步骤：

步骤1：选取适当的目标检测网络，在数据集上进行训练；