[发明专利]车辆目标检测模型的生成方法、车辆目标检测方法及装置

说明书

本申请涉及一种车辆目标检测模型的生成方法、车辆目标检测方法、装置、计算机设备和存储介质。所述方法包括：对所获取的点云样本进行特征提取；将得到的原始特征输入至点云分割网络，检测出点云样本中的前景点；对前景点的原始特征进行融合，生成浅层特征；将根据浅层特征生成的多尺度特征进行重复融合，生成深层特征；将深层特征输入至区域候选网络，输出回归结果和分类结果；根据回归结果和分类结果完成对车辆目标检测模型的训练。该方法中，点云的前背景点预测与最终的目标检测是顺序进行的，实现了端到端训练，实施过程简单；且通过在剔除背景点云的情况下实现对有用信息的提取，能够加快模型的生成和使用效率，提高车辆目标检测的精度。

技术领域

本申请涉及车辆检测技术领域，特别是涉及一种车辆目标检测模型的生成方法、装置、计算机设备和存储介质，以及一种车辆目标检测方法、装置、计算机设备和存储介质。

背景技术

随着人工智能技术、互联网技术以及汽车产业的发展，使得汽车智能化程度越来越高。汽车智能化包括驾驶辅助和无人驾驶。对于无人驾驶，安全性是人们最关注的问题之一。无人车对周围环境的准确感知是保证安全的基础，而基于机器视觉的车辆目标检测则属于其中的重要一项。

近年来，深度学习得到了快速发展。卷积神经网络在图像识别和目标检测中得到广泛应用。与此同时，很多深度学习模型也应用到了三维车辆目标检测中。如voxel-net(基于点云的三维空间信息逐层次学习网络)、SECOND(Sparsely Embedded ConvolutionalDetection，稀疏嵌入的卷积目标检测网络)、Frustum_Pointnet(一种三维目标检测网络)等。这些模型以从激光雷达接收的激光点云或者从相机得到的图像为输入，通过计算，得出三维空间车辆目标的位置信息、车辆尺寸和车辆偏航角。此外，在相关技术中还产生了基于深度学习的三维车辆目标检测模型，这些模型主要是根据点云得到浅层特征，将得到的浅层特征进行深度特征融合得到深层特征，并基于深层特征进行回归和分类得到检测结果。然而，由于使用现有模型是基于所有点云进行训练和检测，在训练和检测过程中的干扰因素较多，存在检测结果不够准确的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够简化车辆目标检测过程的一种端到端车辆目标检测模型的生成方法、装置、计算机设备和存储介质，以及一种车辆目标检测方法、装置、计算机设备和存储介质。

为了实现上述目的，一方面，本申请实施例提供了一种车辆目标检测模型的生成方法，所述方法包括：

对所获取的点云样本进行特征提取，得到原始特征；

将原始特征输入至点云分割网络，检测出点云样本中的前景点；

对前景点的原始特征进行融合，生成浅层特征；

将根据浅层特征生成的多尺度特征进行重复融合，生成深层特征；

将深层特征输入至区域候选网络，输出回归结果和分类结果；

根据回归结果和分类结果对车辆目标检测模型进行训练，生成训练好的车辆目标检测模型。

另一方面，本申请实施例还提供了一种车辆目标检测方法，包括以下步骤：

获取待检测点云；

将待检测点云输入车辆目标车检模型，生成车辆目标的检测结果，车辆目标检测模型采用上述方法生成。

另一方面，本申请实施例还提供了一种车辆目标检测模型的生成装置，所述装置包括：

特征提取模块，用于对所获取的点云样本进行特征提取，得到原始特征；

点云分割模块，用于将原始特征输入至点云分割网络，检测出点云样本中的前景点；

浅层特征生成模块，用于对前景点的原始特征进行融合，生成浅层特征；