[发明专利]一种激光雷达车辆检测的方法、系统、存储介质及设备

说明书

本发明提供了一种激光雷达车辆检测的方法、系统、存储介质及设备，方法包括：获取被检测车辆的激光雷达原始点云图像并对该原始点云图像进行体素化特征提取，从而形成该被检测车辆的体素化网格；在朝向该被检测车辆的方向上，按距离将该被检测车辆的该体素化网格的数据进行分块处理，从而得到多个样本块；对该多个样本块分别进行神经网络模型设计，其中该多个样本块的该神经网络模型具有针对该多个样本块采取的不同的神经网络维度增强机制和/或数据增强机制；基于该多个样本块的该神经网络模型进行该检测车辆的特征提取并进行损失计算，其中该损失计算包括三维重合度损失。本发明提高了激光雷达检测用于车辆的三维检测方面的准确率。

技术领域

本发明涉及三维成像技术领域，尤其涉及三维成像激光雷达的目标检测与跟踪领域，具体涉及一种激光雷达车辆检测的方法、系统、存储介质及设备。

背景技术

近年来，基于三维成像激光雷达的目标检测与跟踪已经成为计算机视觉领域的重要课题。相比于传统的摄像头传感器，三维成像激光雷达具有能有效获取目标的三维几何信息，受外界光照变化和成像距离影响小等优点。因此，激光雷达已广泛应用于无人驾驶领域。

在无人驾驶领域，车辆的稳定行进是必须要保障的，同时还不能违背安全原则。为此，激光雷达、尤其是三维激光雷达是无人驾驶车辆上广安应用的传感器件。通过激光雷达可以获得周围环境、包括相关的目标车辆的三维(3D)点云数据。

随着激光雷达传感器件测量精度的不断提高，测量维度的增加和分辨率的提高带来了探测性能提高的可能性。然而，真正的提高性能需要更智能、更稳健的信息处理算法。

此外，被检测的目标通常被置于一定的背景环境中，甚至与背景融为一体。在激光雷达探测过程中，由于视角、背景等原因，目标还有可能被遮挡，从而很难被检测和分割出来。

为了解决上述问题，现有的技术方案主要是在通过点云体素化之后，进行一些常规的三维稀疏卷积、常规的二维特征提取，最后进行常规的方向、三维框等损失回归。

但是，目前已有算法在车辆的三维检测方面准确率较低，对目标车辆的检测效果不佳，在道路上交通情况较为复杂的情况下会对无人驾驶的安全性及稳定性造成重大的不利的影响。

因此，需要提出一种尤其用于车辆的检测方法，针对现有技术中的上述缺点问题，提高车辆的三维检测方面的准确率，尽可能降低对无人驾驶的安全性及稳定性的影响。

发明内容

有鉴于此，本发明的目的在于提出一种基于激光雷达的、可用于目标的三维检测的、尤其用于车辆检测的方法、系统、存储介质及设备，从而解决现有技术中车辆的三维检测方面的准确率低、不利地影响无人驾驶的安全性及稳定性等问题。

基于上述目的，一方面，本发明提供了一种激光雷达车辆检测的方法，其中该方法包括以下步骤：

获取被检测车辆的激光雷达原始点云图像并对该原始点云图像进行体素化特征提取，从而形成该被检测车辆的体素化网格；

在朝向该被检测车辆的方向上，按距离将该被检测车辆的该体素化网格的数据进行分块处理，从而得到多个样本块；

对该多个样本块分别进行神经网络模型设计，其中该多个样本块的该神经网络模型具有针对该多个样本块采取的不同的神经网络维度增强机制和/或数据增强机制；

基于该多个样本块的该神经网络模型进行该检测车辆的特征提取并进行损失计算，其中该损失计算包括三维重合度损失。

在根据本发明的激光雷达车辆检测的方法的一些实施例中，该神经网络维度增强机制包括进行在两个水平方向上的卷积降维，并且在竖直方向上保持维度的三维稀疏卷积，其中该两个水平方向为朝向该被检测车辆的方向以及与朝向该待检测车辆的方向垂直的水平的方向，并且该竖直方向为与该两个水平方向垂直的方向。