[发明专利]一种三维目标分割方法、装置、设备和存储介质

说明书

本发明公开了一种三维目标分割方法、装置、设备和存储介质。其中，三维目标分割方法包括：利用目标检测方式获取目标对象在待检测图像上的像素点集合；目标检测方式为配置目标掩码预测分支的检测网络实现的检测方式；根据像素点集合确定对应的目标空间点集合；根据目标空间点集合对待检测图像所对应的三维目标进行分割。本发明实施例根据目标对象在待检测图像上的像素点集合确定对应的目标空间点集合，根据目标空间点集合对三维目标进行分割，解决现有方法计算量较大，实时性较差，近距离或粘连物体难以准确分割的问题，实现了对三维目标的快速检测和分割。

技术领域

本发明实施例涉及检测技术，尤其涉及一种三维目标分割方法、装置、设备和存储介质。

背景技术

伴随着工业的发展和社会的进步，汽车已经称为当下主要的交通工具。随着人们对更安全，更舒适，更智能的驾驶体验的追求，自动驾驶技术应运发展起来，计算机技术、人工智能技术及传感器技术的飞速发展，也为此提供了强有力的保障。早期的自动驾驶车辆通常以摄像头作为主要传感器，基于视觉的目标检测虽然具有直观性的优点，但却无法获取深度信息，即环境的空间信息，所以单一视觉的部署方案存在着不可忽视的缺陷。随着传感器技术的发展，激光雷达开始逐渐被应用作为自动驾驶的传感器，与摄像头、超声波雷达等一起共同构成自动驾驶系统中的传感器部署方案。激光雷达可以获取空间的三维信息并且精度较高，获取目标在空间中的三维位置信息，对自动驾驶的决策及控制至关重要。

目前，空间三维信息主要是由激光雷达获取的点云数据，激光雷达物体识别的任务是根据输入的激光点云，输出目标物体的三维包围框，包含中心点的坐标，包围框的尺寸、朝向角等信息。对点云进行空间三维目标的检测，主要有两种方法：其一，采用传统的点云处理方法，对点云数据进行分割，主要方法有聚类，基于欧式距离的点云分割，基于RANSAC的目标分割等，针对近距离或粘连的两个或多个目标，激光雷达扫描所得的点云间无明显的间隔，通常是成为一个整体的状态，面对这种情况，传统的点云分割方法无法将单个目标独立的分割出来，即这种方法具有效率低，无法准确分割近距离目标的缺点；其二，常用的三维目标检测方法，是直接对获取的点云进行基于深度学习的目标检测，通过深度学习网络对点云数据进行训练，对激光雷达点云物体直接进行识别。基于深度学习的目标检测，根据模型输入的形式可以分为纯点云输入、将点云转换为体素网格作为输入，前者由于数据量过大，对计算能力及内存的要求较高，故可用作室内小范围场景，不适合用于室外道路场景。后者虽然通过划分体素网格的方法在一定程度上减少的数据量，但3D卷积的时间成本过高，导致这种方法不具备实时性，自然不适于自动驾驶的应用需求。此外，直接对点云进行深度学习，点云数据集的预处理及标注工作量较大，且模型训练的结果直接影响目标检测的性能，即具有计算量大，耗时高，缺乏实时性、检测结果较差的缺点。

发明内容

有鉴于此，本发明提供一种三维目标分割方法、装置、设备和存储介质，解决了近距离目标的准确分割问题，实现了对三维目标的快速检测和分割。

第一方面，本发明实施例提供了一种三维目标分割方法，包括：

利用目标检测方式获取目标对象在待检测图像上的像素点集合；所述目标检测方式为配置目标掩码预测分支的检测网络实现的检测方式；

根据所述像素点集合确定对应的目标空间点集合；

根据所述目标空间点集合对所述待检测图像所对应的三维目标进行分割。

进一步的，所述三维目标分割方法，还包括：

通过第一标定方式标定相机内部参数，以及通过第二标定方式标定相机与激光雷达之间的外部参数。

进一步的，所述利用目标检测方式获取目标对象在待检测图像上的像素点集合，包括：

利用卷积神经网络提取待检测图像所对应的特征图；

获取所述特征图上的至少两个感兴趣区域ROI，作为候选ROI；