[发明专利]基于宽度学习的物体识别方法及系统

说明书

本发明实施例公开了基于宽度学习的物体识别方法及系统。本发明实施例将先采集当前区域内的三维点云数据；通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点；将所述当前特征节点通过预设宽度学习神经网络进行物体识别。可见，本发明实施例在进行物体识别时，采用的预设宽度学习神经网络不同于传统的深度学习神经网络，整体上计算效率较高；同时，预设宽度学习神经网络的输入量由原始的三维点云数据变更为了统一特征空间下的特征向量，处理该种数据类型更为简单，进一步地提高了计算效率。

技术领域

本发明涉及物体识别技术领域，尤其涉及基于宽度学习的物体识别方法及系统。

背景技术

随着双目图像和连续视频的成像与分析技术不断成熟，可实现对于真实环境的三维光场感知，这可被广泛应用在无人车自动驾驶、三维场景中的物体识别领域中。

但是，存在着远景图像分辨率较低的缺陷，这导致了获取到的周围环境数据的数据精度不高；并且，该类技术的估测精度受光照和天气影响较大，容易导致无法获得精确的三维数据。

对此，可使用激光雷达(LiDAR，Light detection and ranging)传感器来克服该缺陷，鉴于LiDAR传感器具有速度快、精度高以及距离远等特性，所以，可用于获得未知环境的三维点云数据。

此外，基于激光测距获取到的三维点云数据还不易受到光照和天气影响，可以准确地测量出100米以内的距离信息。

但是，三维点云数据由于具有稀疏性、非结构化以及空间分布不均匀等特点，而且，不同物体的三维点云数据中会包含数量不等的三维点，这导致了大多数的深度学习神经网络架构无法直接处理原始的三维点云数据。

即使使用训练好的传统深度学习神经网络进行三维点云数据的识别，计算效率也较低。

发明内容

为了解决上述问题，本发明实施例提供基于宽度学习的物体识别方法及系统。

第一方面，本发明实施例提供一种基于宽度学习的物体识别方法，其特征在于，包括：

采集当前区域内的三维点云数据；

通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点；

将所述当前特征节点通过预设宽度学习神经网络进行物体识别。

优选地，所述通过预设统一空间编码器对所述三维点云数据进行处理，以得到统一特征空间下的当前特征节点，具体包括：

通过预设统一空间编码器中的当前编码矩阵对所述三维点云数据进行处理，以获得不确定特征空间下的当前不确定特征向量；

通过所述预设统一空间编码器中的平均池化算法对所述当前不确定特征向量进行池化处理，以获得统一特征空间下的当前统一特征向量；

对所述当前统一特征向量进行转置，以获得当前特征节点。

优选地，所述将所述当前特征节点通过预设宽度学习神经网络进行物体识别，具体包括：

将所述当前特征节点通过预设宽度学习神经网络中的预设权值矩阵进行物体识别。

优选地，所述采集当前区域内的三维点云数据之前，所述基于宽度学习的物体识别方法还包括：

获取待训练宽度学习神经网络中的预设特征节点、预设增强节点以及待更新权值矩阵；

根据所述预设特征节点、所述预设增强节点以及所述待更新权值矩阵进行输出处理，以获得输出矩阵；

根据所述预设特征节点、所述预设增强节点以及所述输出矩阵进行权值矩阵的更新，以将所述待更新权值矩阵更新为预设权值矩阵。