[发明专利]激光雷达目标检测识别方法、系统及计算机可读存储介质有效

专利信息
申请号: 202110592960.1 申请日: 2021-05-28
公开(公告)号: CN113267761B 公开(公告)日: 2023-06-23
发明(设计)人: 董博;毛磊;王智斌;王夏爽;魏琦 申请(专利权)人: 中国航天科工集团第二研究院
主分类号: G01S7/48 分类号: G01S7/48;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
代理公司: 中国航天科工集团公司专利中心 11024 代理人: 张国虹
地址: 100854 北*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 激光雷达 目标 检测 识别 方法 系统 计算机 可读 存储 介质
【说明书】:

发明公开了一种激光雷达目标检测识别方法、系统及计算机可读存储介质。该激光雷达目标检测识别方法,对获取的激光雷达点云数据进行二维投影,有效减少后续检测识别的计算量;并且,利用卷积神经网络对二维图像进行目标检测,避免了传统手工设置特征繁琐的工作流程。进一步,基于二维投影图像和三维点云关联的三维目标检测识别法,能够提升模型检测识别的准确性和适用性,进而有效提升检测识别效率,使得整体方案具有算法原理简单、计算结果可靠等特点,可具体应用于激光雷达目标检测识别中,具有广阔的应用价值和市场前景。

技术领域

本发明涉及目标检测识别技术领域,特别是涉及一种激光雷达目标检测识别方法、系统及计算机可读存储介质。

背景技术

基于激光雷达的目标检测识别技术在导引头、自动驾驶、无人机自主飞行等领域已经得到了非常广泛的应用。激光雷达可以获得目标和场景的三维信息,是实现目标检测和定位的有效手段,测距精度非常高,基本上可以达到正负一两厘米,甚至到了毫米级,分辨率也非常高。机械激光雷达可以360度旋转,同时角分辨率也比别的雷达高。在传统的图像处理领域中,常用的目标识别方法主要分为两类:基于特征点提取的模型匹配方法与基于机器学习的样本集训练方法。基于模板匹配的方法主要通过对场景中的目标进行特征点提取,并建立特征描述子,随后与模型库中的现有模型进行特征匹配,进而完成目标的识别操作;机器学习的方法主要是通过对大量的训练样本集进行人工标定,使用神经网路、决策树、支持向量机等常用的训练方法,得出多类目标的判别函数,从而对目标进行分类识别。

由于激光雷达本身的成像特点,其采集的目标点云通常只能反映物体某一表面的轮廓,不能反映物体的完整三维信息,且由于雷达的原始点云模型库较少,不适合使用模板匹配的方法对点云目标进行识别,因此,传统图像处理方法不适应于激光雷达目标检测识别领域。而目前针对激光雷达的机器学习方法研究较少,因此迫切需要一种可行的、有效的、具有较强学习能力和泛化能力的激光雷达目标检测识别方法或系统。

发明内容

为解决现有技术中存在的上述问题,本发明提供了一种算法原理简单、计算结果可靠、可具体应用于激光雷达目标检测识别中的激光雷达目标检测识别方法、系统及计算机可读存储介质。

为实现上述目的,本发明提供了如下方案:

一种激光雷达目标检测识别方法,包括:

获取激光雷达的三维点云数据;

对所述三维点云数据进行归一化处理,得到归一化后的三维点云数据;

将所述归一化后的三维点云数据进行二维投影,得到二维投影数据;

根据所述二维投影数据得到二维目标检测结果;

根据所述二维目标检测结果得到3D目标检测结果;所述3D目标检测结果即为目标识别结果。

优选地,所述根据所述二维投影数据得到二维目标检测结果,具体包括:

获取CNN网络模型;

采用所述CNN网络模型以所述二维投影数据为输入,得到二维目标检测结果。

优选地,所述根据所述二维目标检测结果得到3D目标检测结果,具体包括:

获取Voxel-Net网络模型和先验信息;

采用所述Voxel-Net网络模型,以所述二维目标检测结果和所述先验信息为输入得到3D目标检测结果。

优选地,所述先验信息的确定过程包括:

将所述二维目标检测结果转换为与待检测目标对齐的2D框;

将所述2D框作为先验信息。

根据本发明提供的具体实施例,本发明公开了以下技术效果:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国航天科工集团第二研究院,未经中国航天科工集团第二研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110592960.1/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top