一种物体检测方法、装置、域控制器及车辆与流程

本技术涉及汽车，特别涉及一种物体检测方法、装置、域控制器及车辆。

背景技术：

1、激光雷达通过向车辆周围环境发射激光束并接收环境中各物体反射的回波，来生成包含物体表面各反射点的三维坐标等信息的点云数据，使得车辆根据点云数据进行物体检测，为自动驾驶系统提供决策依据。

2、在物体检测过程中，为了减少三维的点云数据带来的计算负担，相关技术通常将三维的点云数据压缩为二维的伪图像，使得2d cnn（two-dimensional convolutionalneural network，二维卷积神经网络）基于伪图像直接进行物体检测。

3、然而，在压缩过程中，点云数据中的高度信息被丢弃，2d cnn无法从伪图像中获取物体在高度方向上的形状特征，容易导致误检测，使得自动驾驶系统作出错误决策，严重影响了车辆的安全性。

技术实现思路

1、本技术实施例提供了一种物体检测方法、装置、域控制器及车辆，能够在保证计算效率的同时，提升物体检测的精度，从而保证自动驾驶系统的决策效果，提升车辆的安全性。技术方案如下：

2、一方面，提供了一种物体检测方法，方法包括：

3、基于车辆的激光雷达采集的点云数据所生成的伪图像，确定至少一个候选框；

4、将目标候选框映射至点云数据中，得到目标候选框对应的目标点集，目标候选框为至少一个候选框中任一候选框；

5、基于目标点集中各采样点，确定当前输入点集；

6、获取当前输入点集中的关键点和各关键点的局部几何特征；

7、将当前输入点集中各采样点更新为各关键点；

8、转入执行获取当前输入点集中的关键点和各关键点的局部几何特征的步骤，直至获取当前输入点集中的关键点和各关键点的局部几何特征的步骤的执行次数达到预设次数阈值；

9、基于各关键点的局部几何特征确定目标候选框的三维几何特征；

10、基于目标候选框的三维几何特征，确定目标候选框的物体检测结果。

11、在一些实施例中，基于车辆的激光雷达采集的点云数据所生成的伪图像，确定至少一个候选框，包括：

12、获取车辆的激光雷达采集的点云数据；

13、对点云数据进行柱状编码，得到由柱状特征组成的伪图像；

14、基于二维卷积神经网络对伪图像进行候选框预测，得到至少一个候选框。

15、在一些实施例中，获取当前输入点集中的关键点和各关键点的局部几何特征，包括：

16、对当前输入点集中各采样点进行最远点采样，得到当前输入点集中的关键点；

17、基于各关键点在当前输入点集中确定多个局部点集；

18、对各局部点集进行特征提取，得到各局部点集对应的关键点的局部几何特征；

19、转入执行获取当前输入点集中的关键点和各关键点的局部几何特征的步骤，直至获取当前输入点集中的关键点和各关键点的局部几何特征的步骤的执行次数达到预设次数阈值，包括：

20、转入执行获取对当前输入点集中各采样点进行最远点采样，得到当前输入点集中的关键点的步骤，直至对当前输入点集中各采样点进行最远点采样，得到当前输入点集中的关键点的步骤的执行次数达到预设次数阈值。

21、在一些实施例中，基于各关键点在当前输入点集中确定多个局部点集，包括：

22、构建以各关键点为球心、以预设搜索半径为半径的球体；

23、基于当前输入点集中属于各球体的采样点，确定各关键点对应的局部点集。

24、在一些实施例中，对各局部点集进行特征提取，得到各局部点集对应的关键点的局部几何特征之前，方法还包括：

25、获取局部点集中各采样点的输入特征。

26、在一些实施例中，获取局部点集中各采样点的输入特征，包括：

27、若获取当前输入点集中的关键点和各关键点的局部几何特征的步骤为首次执行，将局部点集中各采样点在点云数据中的初始特征确定为各采样点的输入特征；

28、若获取当前输入点集中的关键点和各关键点的局部几何特征的步骤为非首次执行，将局部点集中各采样点的局部几何特征确定为各采样点的输入特征。

29、在一些实施例中，对各局部点集进行特征提取，得到各局部点集对应的关键点的局部几何特征，包括：

30、将各局部点集中各采样点的三维坐标转换为相对坐标，相对坐标是指局部点集中各采样点相对于局部点集的关键点的坐标；

31、将各采样点的相对坐标与各采样点的输入特征进行拼接，得到各采样点的拼接特征；

32、基于各局部点集中各采样点的拼接特征，确定各局部点集对应的关键点的局部几何特征。

33、在一些实施例中，基于各局部点集中各采样点的拼接特征，确定各局部点集对应的关键点的局部几何特征，包括：

34、对各局部点集中各采样点的拼接特征进行特征映射和最大池化，得到各局部点集对应的关键点的局部几何特征。

35、在一些实施例中，基于各关键点的局部几何特征确定目标候选框的三维几何特征，包括：

36、对各关键点的局部几何特征进行最大池化，得到目标候选框的三维几何特征。

37、在一些实施例中，对点云数据进行柱状编码，得到由柱状特征组成的伪图像之后，方法还包括：

38、基于二维卷积神经网络对伪图像进行特征提取，得到伪图像的图像语义特征；

39、基于目标候选框的三维几何特征，确定目标候选框的物体检测结果，包括：

40、基于图像语义特征，获取目标候选框对应的局部语义特征；

41、基于目标候选框的局部语义特征和三维几何特征，确定目标候选框的物体检测结果。

42、在一些实施例中，基于图像语义特征，获取目标候选框对应的局部语义特征，包括：

43、根据目标候选框在伪图像中的位置，从图像语义特征中提取目标候选框对应的局部语义特征。

44、在一些实施例中，基于目标候选框的局部语义特征和三维几何特征，确定目标候选框的物体检测结果，包括：

45、将目标候选框的局部语义特征与三维几何特征融合，得到目标候选框的融合特征；

46、对目标候选框的融合特征进行物体类别判定和候选框修正，得到目标候选框的物体检测结果。

47、另一方面，提供了一种物体检测装置，装置包括：

48、候选框确定单元，被配置为基于车辆的激光雷达采集的点云数据所生成的伪图像，确定至少一个候选框；

49、映射单元，被配置为将目标候选框映射至点云数据中，得到目标候选框对应的目标点集，目标候选框为至少一个候选框中任一候选框；

50、输入点集确定单元，被配置为基于目标点集中各采样点，确定当前输入点集；

51、局部特征确定单元，被配置为获取当前输入点集中的关键点和各关键点的局部几何特征；

52、关键点更新单元，被配置为将当前输入点集中各采样点更新为各关键点；

53、迭代单元，被配置为转入执行获取当前输入点集中的关键点和各关键点的局部几何特征的步骤，直至获取当前输入点集中的关键点和各关键点的局部几何特征的步骤的执行次数达到预设次数阈值；

54、三维特征确定单元，被配置为基于各关键点的局部几何特征确定目标候选框的三维几何特征；

55、物体检测单元，被配置为基于目标候选框的三维几何特征，确定目标候选框的物体检测结果。

56、在一些实施例中，候选框确定单元，包括：点云获取子单元，被配置为获取车辆的激光雷达采集的点云数据；

57、编码子单元，被配置为对点云数据进行柱状编码，得到由柱状特征组成的伪图像；

58、候选框预测子单元，被配置为基于二维卷积神经网络对伪图像进行候选框预测，得到至少一个候选框。

59、在一些实施例中，局部特征确定单元，包括：

60、采样子单元，被配置为对当前输入点集中各采样点进行最远点采样，得到当前输入点集中的关键点；

61、局部点集确定子单元，被配置为基于各关键点在当前输入点集中确定多个局部点集；

62、特征提取子单元，被配置为对各局部点集进行特征提取，得到各局部点集对应的关键点的局部几何特征；

63、迭代单元，被配置为转入执行获取对当前输入点集中各采样点进行最远点采样，得到当前输入点集中的关键点的步骤，直至对当前输入点集中各采样点进行最远点采样，得到当前输入点集中的关键点的步骤的执行次数达到预设次数阈值。

64、在一些实施例中，局部点集确定子单元，被配置为构建以各关键点为球心、以预设搜索半径为半径的球体；

65、基于当前输入点集中属于各球体的采样点，确定各关键点对应的局部点集。

66、在一些实施例中，局部特征确定单元，还包括：

67、输入特征获取子单元，被配置为获取局部点集中各采样点的输入特征。

68、在一些实施例中，输入特征获取子单元，被配置为若获取当前输入点集中的关键点和各关键点的局部几何特征的步骤为首次执行，将局部点集中各采样点在点云数据中的初始特征确定为各采样点的输入特征；

69、若获取当前输入点集中的关键点和各关键点的局部几何特征的步骤为非首次执行，将局部点集中各采样点的局部几何特征确定为各采样点的输入特征。

70、在一些实施例中，特征提取子单元，被配置为将各局部点集中各采样点的三维坐标转换为相对坐标，相对坐标是指局部点集中各采样点相对于局部点集的关键点的坐标；

71、将各采样点的相对坐标与各采样点的输入特征进行拼接，得到各采样点的拼接特征；

72、基于各局部点集中各采样点的拼接特征，确定各局部点集对应的关键点的局部几何特征。

73、在一些实施例中，特征提取子单元，被配置为对各局部点集中各采样点的拼接特征进行特征映射和最大池化，得到各局部点集对应的关键点的局部几何特征。

74、在一些实施例中，三维特征确定单元，被配置为对各关键点的局部几何特征进行最大池化，得到目标候选框的三维几何特征。

75、在一些实施例中，编码子单元，被配置为基于二维卷积神经网络对伪图像进行特征提取，得到伪图像的图像语义特征；

76、物体检测单元，包括：局部语义特征确定子单元，被配置为基于图像语义特征，获取目标候选框对应的局部语义特征；

77、物体检测子单元，被配置为基于目标候选框的局部语义特征和三维几何特征，确定目标候选框的物体检测结果。

78、在一些实施例中，局部语义特征确定子单元，被配置为根据目标候选框在伪图像中的位置，从图像语义特征中提取目标候选框对应的局部语义特征。

79、在一些实施例中，物体检测子单元，被配置为将目标候选框的局部语义特征与三维几何特征融合，得到目标候选框的融合特征；

80、对目标候选框的融合特征进行物体类别判定和候选框修正，得到目标候选框的物体检测结果。

81、另一方面，提供了一种域控制器，域控制器包括主控模块，主控模块包括处理器和存储器，存储器用于存储至少一段计算机程序，至少一段计算机程序由处理器加载并执行以实现本技术实施例中的物体检测方法。

82、另一方面，提供了一种车辆，车辆包括域控制器，域控制器用于执行本技术实施例中的物体检测方法。

83、另一方面，提供了一种计算机可读存储介质，计算机可读存储介质用于存储至少一段计算机程序，至少一段计算机程序由处理器加载并执行以实现本技术实施例中的物体检测方法。

84、另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行以实现本技术实施例中的物体检测方法。

85、本技术实施例提供了一种物体检测方法，基于车辆的激光雷达采集的点云数据所生成的伪图像，确定至少一个候选框，将任一候选框映射至点云数据中，得到该候选框对应的目标点集，基于目标点集中各采样点确定当前输入点集，进而获取当前输入点集中的关键点和各关键点的局部几何特征，将当前输入点集中的采样点更新为关键点，转入执行获取当前输入点集中的关键点和各关键点的局部几何特征的步骤，直至该步骤的执行次数达到预设次数阈值，基于关键点的局部几何特征确定候选框的三维几何特征，进而基于候选框的三维几何特征，确定候选框的物体检测结果。

86、本技术实施例的技术效果为：通过伪图像确定候选框，再获取候选框的三维特征，将对全局点云数据的特征提取聚焦为对候选框的特征提取，减轻了在三维点云数据中直接进行特征提取的计算负担，将候选框映射回点云数据中，恢复了在伪图像生成过程中丢失的高度信息，在保证计算效率的同时，提升了物体检测的精度，从而保证了自动驾驶系统的决策效果，提升了车辆的安全性。通过迭代执行关键点选取和局部几何特征提取的步骤，逐层扩大每个关键点的空间感受野，将候选框内的局部几何特征逐步聚合为全局的三维几何特征，提升了三维几何特征对候选框的表征精度。