[发明专利]目标检测方法、装置、车辆及存储介质

说明书

本申请涉及自动驾驶技术领域，特别涉及一种目标检测方法、装置、车辆及存储介质，其中，方法包括以下步骤：获取激光雷达的点云检测数据集；将点云检测数据集输入预先构建的稀疏卷积网络模块，输出点云检测数据集的鸟瞰特征图，其中，稀疏卷积网络模块将点云检测数据集中稀疏的三维特征转变为稠密特征图，拼接所有稠密特征图得到鸟瞰特征图；将鸟瞰特征图输入置信度校正模块，输出校正后的三维检测框，利用校正后的三维检测框检测目标。由此，解决了相关技术激光雷达目标检测算法检测精度较低、结构复杂、检测效率较低且检测范围较窄等问题。

技术领域

本申请涉及自动驾驶技术领域，特别涉及一种目标检测方法、装置、车辆及存储介质。

背景技术

在自动驾驶中对车辆周围环境的感知是十分重要，激光雷达相较于传统的视觉传感器在应对复杂路况和场景更加可靠，因此采用激光雷达来进行目标检测是十分有必要。

相关技术中，激光雷达目标检测算法可以分为一阶段和二阶段两种，基于二阶段检测器在一阶段网络proposal生成的基础上，将proposal作为二阶段网络的输入，对其位置进行精炼，获得更高的回归分类精度，典型算法有PointRCNN，主要缺点在特征提取是使用PointNet++作为主干网络，尤其在处理128线激光雷达，耗时加剧；基于一阶段检测器利用主干网络直接回归类别置信度以及3D框，典型的算法有Pointpillars，主要缺点锚框设定在拐弯处与真实3D框存在不对齐情况，导致检测行人等精度低。

发明内容

本申请提供一种目标检测方法、装置、车辆及存储介质，以解决相关技术激光雷达目标检测算法检测精度较低、结构复杂、检测效率较低且检测范围较窄等问题。

本申请第一方面实施例提供一种目标检测方法，包括以下步骤：获取点云检测数据集；将所述点云检测数据集输入预先构建的稀疏卷积网络模块，输出所述点云检测数据集的鸟瞰特征图，其中，所述稀疏卷积网络模块将所述点云检测数据集中稀疏的三维特征转变为稠密特征图，拼接所有稠密特征图得到所述鸟瞰特征图；将所述鸟瞰特征图输入置信度校正模块，输出校正后的三维检测框，利用所述校正后的三维检测框检测目标。

根据上述技术手段，本申请实施例将获取到的点云检测数据集输入构建的稀疏卷积网络，使得点云检测数据中心稀疏的三维特征转变为稠密特征图，并拼接稠密特征图输出得到鸟瞰特征图，将鸟瞰特征图输入置信度校正模块，输出校正后的三维检测框，并利用其检测目标，因此基于稀疏卷积的点云检测算法，具有网络模型结构简单，推理速度快，检测距离远的优点，能够有效的提升点云目标检测精度和检测效率。

可选地，所述稀疏卷积网络模块包括一个或多个卷积块，每个卷积块包括子流形稀疏卷积和预设稀疏卷积，其中，每个预设稀疏卷积放置在每个卷积块后面，对提取的三维特征进行多倍的下采样。

根据上述技术手段，本申请实施例稀疏卷积网络模块中卷积块包括子流形稀疏卷积和预设稀疏卷积，子流形稀疏卷积可用于点云分类、分割、检测和其他特征提取任务；预设稀疏卷积放置在每个卷积块后面，对提取的三维特征进行多倍的下采样，有利于稀疏卷积网络模块的加速处理，提升工作效率。

可选地，在将所述点云检测数据集输入预先构建的稀疏卷积网络模块之前，还包括：截取所述点云检测数据集中预设感兴趣区域的点云数据；对所述点云数据进行空间体素化，并统计每个体素中所有点的坐标以及强度几何平均值作为体素化特征。

根据上述技术手段，本申请实施例中截取点云检测数据集中感兴趣区域的点云数据进行空间体素化，并统计体素中所有点坐标以及强度集合平均值作为体素化特征，获取浅层空间特征表示，能够更加注重细节，具有较高的分辨率，提升目标检测的准确性。

可选地，在将所述点云检测数据集输入预先构建的稀疏卷积网络模块之前，还包括：对所述点云检测数据集中的点云数据进行数据增强处理，得到处理后的点云数据。