[发明专利]车辆检测方法、装置及电子设备

权利要求书

1.一种车辆检测方法，其特征在于，所述方法包括：

获取待检测车辆的点云数据；

将所述点云数据输入预设车辆检测模型；所述预设车辆检测模型包括依次连接的点云柱特征提取模块、主干特征提取模块和目标检测模块；所述点云柱特征提取模块包括依次连接的点云柱划分单元、点云柱特征提取单元、点云柱分类单元、点云柱索引剔除单元和伪图片构建单元；所述点云柱特征提取单元还与所述伪图片构建单元连接；所述预设车辆检测模型为基于车辆拖尾点云数集训练得到；

通过所述点云柱划分单元，将处于鸟瞰图下的所述点云数据划分多个点云网格，并构建为多个点云柱；多个所述点云柱对应有初始点云柱索引；所述初始点云柱索引用于表征非空点云柱在所述鸟瞰图中的位置；

通过所述点云柱特征提取单元，对多个所述点云柱提取特征，得到每个所述点云柱对应的点云特征；

通过所述点云柱分类单元将每个所述点云柱对应的点云特征进行分类，得到每个点云柱对应的分类结果；所述分类结果用于表征该点云柱是否为拖尾点云；

通过所述点云柱索引剔除单元根据每个点云柱对应的分类结果，对所述初始点云柱索引进行索引剔除，得到新点云柱索引；

通过所述伪图片构建单元根据每个点云柱对应的初始特征和所述新点云柱索引，生成所述目标车辆对应的伪图片特征图；

通过所述主干特征提取模块对所述伪图片特征图进行特征提取，得到所述目标车辆对应的深层特征图；通过所述目标检测模块对所述深层特征图进行目标检测，输出所述目标车辆对应的目标检测框。

2.根据权利要求1所述的方法，其特征在于，所述点云柱分类单元包括三层一维卷积网络；

通过所述点云柱分类单元将每个所述点云柱对应的点云特征进行分类，得到每个点云柱对应的分类结果的步骤，包括：

通过所述三层一维卷积网络对每个所述点云柱对应的点云特征进行预测，得到标注有每个点云柱对应预测值的点云柱索引蒙板；所述点云柱索引蒙板上包括多个与点云柱一一对应的小格；当小格上标注的预测值为第一标识时，表征该小格对应的点云柱为非拖尾点云；当该小格上标注的预测值为第二标识时，表征该小格对应的点云柱为拖尾点云；所述第一标识和所述第二标识不同。

3.根据权利要求1所述的方法，其特征在于，通过所述点云柱索引剔除单元根据每个点云柱对应的分类结果，对所述初始点云柱索引进行索引剔除，得到新点云柱索引的步骤，包括：

通过所述点云柱索引剔除单元从所述点云柱索引蒙板中查找标注的预测值为第二标识的目标小格，将所述目标小格对应的点云柱确定为目标点云柱；

从所述初始点云柱索引中查找所述目标点云柱对应的目标索引；

将所述目标索引进行剔除，得到新点云柱索引。

4.根据权利要求1所述的方法，其特征在于，所述预设车辆检测模型的训练过程如下：

获取车辆拖尾点云样本集；所述数据集中的样本包括标注有车辆检测框和点云柱标签的车辆点云数据；所述点云柱标签用于表征该点云柱是否为拖尾点云；

将所述车辆拖尾点云样本集中的样本输入初始车辆检测模型进行训练，得到所述预设车辆检测模型。

5.根据权利要求4所述的方法，其特征在于，所述训练过程中用到的将所述车辆拖尾点云样本集中的样本输入初始车辆检测模型进行训练，得到所述车辆检测模型的步骤，包括：

基于所述车辆拖尾点云样本集，确定每轮训练对应的训练样本子集，对于每轮训练均执行以下操作：

将当前训练样本子集中的样本输入所述初始车辆检测模型，得到每个所述样本的预测结果；所述预测结果包括：所述点云柱单元输出的每个点云柱对应的预测标签和所述目标检测模块输出的预测检测框；

根据所述当前训练样本子集中的每个样本中每个点云柱对应的预设标签和真实标签，计算本轮训练的点云柱分类损失函数值；

根据所述当前训练样本子集中的每个所述样本对应的预测检测框和真实检测框，计算本轮训练的3D目标检测损失函数值；

基于本轮训练的所述点云柱分类损失函数值和所述3D目标检测损失函数值确定本轮训练的总损失值，并根据本轮训练的总损失值对所述初始车辆检测模型进行反向梯度传播训练，直到训练轮次达到预设次数或者总损失值收敛至预设收敛阈值时停止训练，得到预设车辆检测模型。