物体检测方法、装置、电子设备和存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种物体检测方法、装置、电子设备和存储介质。


背景技术：

2.三维物体检测，是指对三维场景中的物体进行定位和识别。目前，基于三维点云的物体检测方法可以直接从稀疏的非结构化点云中预测三维物体的边界框，以检测出三维物体，例如votenet。votenet是一个深度学习模型，它可以为点云生成一些投票特征和一些位于物体中心附近的投票点，然后对一组投票点进行采样作为目标中心的估计，再对采样点附近的投票特征进行分组和聚合，最后从聚合的投票特征中生成边界框及其类别，进而检测出三维物体。但是，votenet根据采样的稀疏投票特征预测物体类别，而边界框的类别只能对语义学习提供粗略的监督，所以导致投票特征中语义线索较少，进而导致识别的边界框大小和类别的准确性较低，物体检测的准确性较低。


技术实现要素：

3.有鉴于此，本发明实施例提供一种物体检测方法、装置、电子设备和存储介质，能够解决votenet根据稀疏投票特征预测物体类别，导致识别出边界框大小和类别的准确性较低，物体检测准确性较低的问题。
4.为实现上述目的，根据本发明实施例的一个方面，提供了一种物体检测方法。
5.本发明实施例的一种物体检测方法包括：接收待处理的点云集合，调用预设的嵌入特征生成模型，获取所述点云集合对应空间的嵌入特征向量；分别调用预设的投票特征生成模型和语义特征生成模型，提取所述点云集合的投票特征向量和语义特征向量，将所述投票特征向量和所述语义特征向量叠加，得出叠加结果；将所述叠加结果和所述嵌入特征向量，输入预设的特征融合模型，计算得到融合特征向量；调用预设的投票检测模型，基于所述融合特征向量计算物体边界框和所述物体边界框的类别，进而生成物体检测结果。
6.在一个实施例中，所述调用预设的特征融合模型，基于所述叠加结果和所述嵌入特征向量计算融合特征向量，包括：
7.将所述嵌入特征向量输入预设的第一多层感知器，计算出第一向量和第二向量，调用预设的逻辑回归模型，基于所述第一向量和所述第二向量，计算所述点云集合对应的注意力向量；
8.调用预设的特征融合模型，基于所述叠加结果和所述注意力向量计算融合特征向量。
9.在又一个实施例中，所述调用预设的特征融合模型，基于所述叠加结果和所述注意力向量计算融合特征向量，包括：
10.调用预设的第二多层感知器，基于所述叠加结果计算第三向量；
11.将所述第三向量与所述注意力向量相乘，进而将相乘结果与所述叠加结果相加，
得出所述融合特征向量。
12.在又一个实施例中，调用语义特征生成模型，以提取所述点云集合的语义特征向量，包括：
13.将所述点云集合输入预设的第一点解码器，提取所述点云集合的语义特征向量。
14.在又一个实施例中，所述调用预设的嵌入特征生成模型，获取所述点云集合对应空间的嵌入特征向量，包括：
15.将所述点云集合输入预设的第二点解码器，得出所述点云集合的空间嵌入特征，进而调用预设的嵌入特征分类器，以基于所述空间嵌入特征提取嵌入特征向量。
16.在又一个实施例中，调用预设的投票检测模型，基于所述融合特征向量计算物体边界框和所述物体边界框的类别，包括：
17.基于所述融合特征向量对应的特征点从所述点云集合中采样，得到每个特征点对应的采样特征，以基于所述采样特征对所述点云集合聚合，计算出物体边界框和所述物体边界框的类别。
18.为实现上述目的，根据本发明实施例的另一方面，提供了一种物体检测装置。
19.本发明实施例的一种物体检测装置包括：获取单元，用于接收待处理的点云集合，调用预设的嵌入特征生成模型，获取所述点云集合对应空间的嵌入特征向量；提取单元，用于分别调用预设的投票特征生成模型和语义特征生成模型，提取所述点云集合的投票特征向量和语义特征向量，将所述投票特征向量和所述语义特征向量叠加，得出叠加结果；计算单元，用于根据所述叠加结果和所述嵌入特征向量，基于预设的特征融合模型，计算得到融合特征向量；生成单元，用于调用预设的投票检测模型，基于所述融合特征向量计算物体检测的边界框和所述边界框的类别，进而生成物体检测结果。
20.在一个实施例中，所述计算单元，具体用于：
21.将所述嵌入特征向量输入预设的第一多层感知器，计算出第一向量和第二向量，调用预设的逻辑回归模型，基于所述第一向量和所述第二向量，计算所述点云集合对应的注意力向量；
22.调用预设的特征融合模型，基于所述叠加结果和所述注意力向量计算融合特征向量。
23.在又一个实施例中，所述计算单元，具体用于：
24.调用预设的第二多层感知器，基于所述叠加结果计算第三向量；
25.将所述第三向量与所述注意力向量相乘，进而将相乘结果与所述叠加结果相加，得出所述融合特征向量。
26.在又一个实施例中，所述提取单元，具体用于：
27.将所述点云集合输入预设的第一点解码器，提取所述点云集合的语义特征向量。
28.在又一个实施例中，所述获取单元，具体用于：
29.将所述点云集合输入预设的第二点解码器，得出所述点云集合的空间嵌入特征，进而调用预设的嵌入特征分类器，以基于所述空间嵌入特征提取嵌入特征向量。
30.在又一个实施例中，所述生成单元，具体用于：
31.基于所述融合特征向量对应的特征点从所述点云集合中采样，得到每个特征点对应的采样特征，以基于所述采样特征对所述点云集合聚合，计算出物体边界框和所述物体
边界框的类别。
32.为实现上述目的，根据本发明实施例的再一个方面，提供了一种电子设备。
33.本发明实施例的一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例提供的物体检测方法。
34.为实现上述目的，根据本发明实施例的又一个方面，提供了一种计算机可读介质。
35.本发明实施例的一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例提供的物体检测方法。
36.上述发明中的一个实施例具有如下优点或有益效果：本发明实施例中，对于待处理的点云集合，可以先调用嵌入特征生成模型，以获取其对应空间的嵌入特征向量，同时还可以分别调用投票特征生成模型和语义特征生成模型，以提取出投票特征向量和语义特征向量；将投票特征向量和语义特征向量叠加，得出叠加结果，相当于增强了投票特征的语义线索，使叠加结果能够表示更丰富的语义特征，进而基于特征融合模型，将叠加结果和嵌入特征向量融合，得出融合特征向量，使融合特征向量中基于物体敏感嵌入实现全局上下文聚合，再使用投票检测模型，基于融合特征向量计算物体检测的边界框和边界框的类别，即可生成生成物体检测结果。本发明实施例中，通过语义特征向量与投票特征向量叠加，再与嵌入特征向量融合，使用于计算物体检测的边界框和边界框类别的特征向量包括了更丰富的语义线索和物体敏感嵌入特征，即使特征向量的语义感知和全局上下文聚合增强，从而可以提高识别的边界框大小和类别的准确性，进而提高物体检测的准确性。
37.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
38.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
39.图1是根据本发明实施例的物体检测方法的一种主要流程的示意图；
40.图2是根据本发明实施例的物体检测系统的一种系统架构示意图；
41.图3是图2中vote feature enhancement的一种架构示意图；
42.图4是根据本发明实施例的计算融合特征向量的方法的一种主要流程的示意图；
43.图5是根据本发明实施例的物体检测装置的主要单元的示意图；
44.图6是本发明实施例可以应用于其中的又一种示例性系统架构图；
45.图7是适于用来实现本发明实施例的计算机系统的结构示意图。
具体实施方式
46.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
47.需要指出的是，在不冲突的情况下，本发明中的实施例以及实施例中的特征可以互相组合。
48.本发明实施例提供一种物体检测系统，该系统可以用于三维物体检测的场景，具体的可以为基于点云数据进行物体检测的场景。
49.votenet方式中进行物体检测时通过最大池(maxpooling)化相邻投票的投票特征，加强了抽样投票的上下文，但是其建立的局部相邻投票可能构成部分物体的部分，所以很难检测出物体的大小，并且错误的相邻投票可能包含一些了不同的语义点，这也可能会导致对物体类别的错误检测，因此最大池化策略不能充分利用相邻投票的投票特征。为了弥补这些不足，本发明实施例中使用投票特征增强方法，主要包括语义感知的投票特征编码和投票特征的全局上下文聚合。语义感知是用语义信息来丰富每个投票特征，并且语义感知的特征可以为物体检测提供一些关于物体大小的隐含知识，以便更好地识别物体。全局上下文聚合可以通过将全局上下文加强为投票特征来增加上下文信息。如此通过语义感知和全局上下文聚合来增强投票特征，以使投票检测模型更准确的计算物体检测的边界框和所述边界框的类别，进而提高物体检测结果的准确性。
50.本发明实施例提供了一种物体检测方法，该方法可由物体检测系统执行，如图1所示，该方法包括：
51.s101：接收待处理的点云集合，调用预设的嵌入特征生成模型，获取点云集合对应空间的嵌入特征向量。
52.其中，待处理的点云集合表示进行物体检测的点云数据。点云集合中可以包括n个点，每个点对应(x，y，z)三维坐标。点云集合可以表示为rn×3，点云集合中的点p∈rn×3。
53.s102：分别调用预设的投票特征生成模型和语义特征生成模型，提取点云集合的投票特征向量和语义特征向量，将投票特征向量和语义特征向量叠加，得出叠加结果。
54.投票特征生成模型和语义特征生成模型为预先训练。
55.投票特征生成模型以点云集合为输入提取出m个投票。每个投票可以表示为v＝[o，f]∈rm×
(3+c)
，其中，o表示投票点，该投票点为点云集合中的一个点，f∈rm×c表示该投票点的高级投票特征(m
×
c表示高级投票特征向量的维数)，即投票特征向量。具体的，投票点通常一个更接近其对应物体中心位置的点。投票特征生成模型训练时的损失函数可以如公式1所示。
[0056][0057]
在公式1中，1[p
r on objet]表示训练数据中第r个点pr是否在检测物体的曲面上，m
p
表示检测物体曲面上点的总数，表示从pr到检测物体中心的真实位移，δpr表示从pr到检测物体中心的预测位移。
[0058]
语义特征生成模型以点云集合为输入可以提取语义特征向量。
[0059]
点云的语义信息可以有助于物体的检测，稠密而精细的语义信息可以降低从稀疏采样的投票特征中识别物体类别的难度，以及语义信息可以为物体检测提供一些关于物体大小的隐含知识。本发明实施例中，为了增强投票特征中的语义感知，即为了得到具有丰富语义信息的特征，可以预先训练语义特征生成模型，以对每个点学习一个语义特征，得出语义特征向量，然后将其与投票特征向量相结合。
[0060]
具体的，语义特征生成模型可以包括点解码器，通过训练的点解码器可以提取出语义特征向量。点解码器训练时可以结合分类器执行，通过点解码器可以得出点云集合的
语义特征向量，进而通过语义特征分类器可以确定语义特征向量所属的类型概率，语义特征的类型可以基于具体检测物体的场景设置，例如可以设置类型包括背景、车辆等等。所以本步骤中提取语义特征向量可以执行为：将点云集合输入预设的第一点解码器，提取点云集合的语义特征向量，可以以s来表示。
[0061]
提取出语义特征向量s和投票特征f后，s中语义丰富，可以用s来补充语义不足的投票特征f，所以可以将s和f叠加。具体的，可以逐点地将s叠加到f，得出语义感知投票特性f
′
，f
′
＝s+f，即得出叠加结果。由于投票特征向量与语义特征向量进行叠加，所以本发明实施例中得出的投票特征向量与语义特征向量具有相同的维数(m
×
c)。
[0062]
本发明实施例中，点云集合中各点可以从其他点中收集该点的上下文信息，为了增强投票特征中的全局上下文聚合，即增加投票特征的上下文，可以先学习点云集合对应空间的物体敏感嵌入，即嵌入特征向量，然后基于嵌入特征向量来增强投票特征。嵌入特征生成模型为预先训练，嵌入特征生成模型可以通过训练来学习点云集合中物体敏感嵌入，进而得到点云集合对应空间的嵌入特征向量。
[0063]
本发明实施例中嵌入特征生成模型可以预先训练一个权重w
ij
，用于表示出点pj对点pi的影响，进而收集从pj收集pi的上下文信息。嵌入特征生成模型训练时，可以鼓励属于同一物体的点在嵌入空间中彼此靠近，属于不同物体的点在嵌入空间中彼此远离，从而实现利用通过嵌入特征来反映每一对点之间的影响，如pj对点pi的影响。
[0064]
嵌入特征生成模型在训练时的损失函数l
obj
可以如公式2、3、4、5所示。
[0065]
l
obj
＝l
var
+l
dist
+α
·
l
reg
ꢀꢀꢀ
(2)
[0066]
在公式2中，l
var
的目标是将每个点的嵌入拉向它所属物体的平均嵌人，l
dist
的目标是将不同物体的平均嵌入距离推远，l
reg
为一个正则化项，用于保持嵌入值有界，α表示预设的参数，具体值可以为0.001。
[0067][0068][0069][0070]
在公式3中，i表示真值物体的数量，通常背景会被视为一个物体，i表示真值物体中的物体i；ni表示物体i中的点数；μi表示物体i的平均嵌入；||
·
||1表示计算距离；ej表示物体i中第j个点的嵌人；δv和δd表示边距；[x]
+
＝max(0，x)；ia不等于ib。
[0071]
具体的，嵌入特征生成模型可以保留一个点解码器和嵌入特征分类器，嵌入特征分类器可以通过cnn等模型训练得出，所以获取嵌入特征向量可以具体执行为：将点云集合输入预设的第二点解码器，得出点云集合的空间嵌入特征，进而调用预设的嵌入特征分类器，以基于空间嵌入特征提取嵌入特征向量。
[0072]
s103：将叠加结果和嵌入特征向量，输入预设的特征融合模型，计算得到融合特征向量。
[0073]
其中，在得出嵌入特征向量，可以将其与叠加结果，以增强投票特征中的全局上下文聚合。本步骤中特征融合模型将叠加结果和嵌入特征向量融合，计算出融合特征向量。
[0074]
s104：调用预设的投票检测模型，基于融合特征向量计算物体边界框和边界框的
类别，进而生成物体检测结果。
[0075]
其中，在得出融合特征向量后，可以将其输入投票检测模型，从而计算出物体边界框和边界框的类别，进而基于物体边界框和边界框的类别可以确定出点云集合对应的物体，即生成物体检测结果。
[0076]
具体的，本步骤可以执行为：基于融合特征向量对应的特征点从点云集合中采样，得到每个特征点对应的采样特征，以基于采样特征对点云集合聚合，计算出物体边界框和物体边界框的类别。
[0077]
投票检测模型用于根据融合特征向量计算物体边界框和边界框的类别，为预先训练。融合特征向量相当于为对投票特征的增强，其与投票点之间的对应关系和投票特征与投票点之间的对应关系相同。投票检测模型可以使用最远的采样从点云集合中基于投票点采样，得到对应的采样点和采样特征，由于各投票点距离目标中心很近，因此采样特征可以看作是对不同目标中心的估计，然后，可以找出采样点的相邻点和相邻点的特征，这些相邻点可以看作是围绕物体中心的不同物体部分，进而通过maxpooling策略将每个相邻点的特征聚合到采样点中,并根据采样特征检测物体提议和语义类，最终得出物体边界框和所述物体边界框的类别。
[0078]
本发明实施例中，通过语义特征向量与投票特征向量叠加，再与嵌入特征向量融合，使用于计算物体检测的边界框和边界框类别的特征向量包括了更丰富的语义线索和物体敏感嵌入特征，即使特征向量的语义感知和全局上下文聚合增强，从而可以提高识别的边界框大小和类别的准确性，进而提高物体检测的准确性。
[0079]
结合图1所示实施例，如图2所示本发明实施例中提供一种物品检测系统的架构示意图。如图2所示，点云集合中包括n个3维的点(n
×
3)经编码器(encoder)编码后输入各模型；嵌入特征生成模型(obiect-sensitive feature generation)可以包括一个点解码器(dncoder)和嵌入特征分类器(embed)；语义特征生成模型(semantic feature generation)可以包括一个点解码器(dncoder)和语义特征分类器(classily)；投票特征生成模型(vote feature generation)可以包括一个点解码器(dncoder)，其中vote表示投票。由于投票特征向量、语义特征向量和嵌入特征向量需要进行融合，所以投票特征向量、语义特征向量和嵌入特征向量的维度相同，图2所示的嵌入特征生成模型中因嵌入特征分类器包括5个通道，所以得出嵌入特征向量的维度为m
×
5。增强模型(vote feature enhancement)表示投票特征向量、语义特征向量和嵌入特征向量需要进行融合，使特征增强的模型，其包括叠加模型(semantic aware)和特征融合模型(context aggregation)。semantic aware表示投票特征向量和语义特征向量叠加的叠加模型，得出叠加结果。context aggregation表示将叠加结果和嵌入特征向量需要进行融合的模型，即特征融合模型，得出融合特征向量。融合特征向量输入投票检测模型(detection from votte)，投票检测模型包括采样和聚合模型(samliing&grouping)，实现对基于所述融合特征向量对应的特征点从点云集合中采样，得到每个特征点对应的采样特征，进而基于采样特征对点云集合聚合，然后通过提议和分类模型(propose&classify)计算出物体边界框和所述物体边界框的类别，进而输出物体检测结果。
[0080]
如图2所示，点云集合输入点特征的编码器，可以提取出高层次特征，进而输入投票特征生成模型，提取出投票特征向量。为了增强投票特征，高层次特征输入语义特征生成
模型，可以提取出具有丰富语义信息的语义特征向量，进而与投票特征向量叠加。为了增强投票特征，高层次特征输入嵌入特征生成模型，可以获取嵌入特征向量，表示成对点的物体敏感特征，进而与叠加结果融合。
[0081]
需要说明的是，图2所示架构中，各模型均为预先训练，其中各模型对应的损失函数(loss)表示对应模型训练时的损失函数。如图3所示，为图2中增强模型的具体结构。
[0082]
下面结合图3所示的系统架构，对本发明实施例中计算融合特征向量的方法进行具体说明，如图4所示，该方法包括：
[0083]
s401：将嵌入特征向量输入预设的第一多层感知器，计算出第一向量和第二向量，调用预设的逻辑回归模型，基于第一向量和第二向量，计算点云集合对应的注意力向量。
[0084]
其中，嵌入特征向量可以用于计算全局成对关系注意力，即点云中成对点的注意力。
[0085]
多层感知器(mlp)可以基于卷积层实现，嵌入特征向量输入预设的第一多层感知器后可以得出两个新的特征，即第一向量和第二向量，如图3中由相同输入分别经过卷积层得出的m
×
c向量和c
×
m向量。然后将第一向量和第二向量的转置执行矩阵乘法，并通过逻辑回归模型(softmax)来计算全局成对关系注意力，即点云集合对应的注意力向量，如图3中m
×
m向量。
[0086]
如图2所示，嵌入特征向量可以表示为e∈rm×5，其对应的第一向量和第二向量可以分别表示为y和z，则计算注意力向量t∈rm×m可以如公式6所示。
[0087][0088]
在公式6中，其中，t
ef
表示pf点对pe点的影响，对应特征在同一物体中的可能性越大，其相关性就越大，n表示点的总量。
[0089]
s402：调用预设的特征融合模型，基于叠加结果和注意力向量计算融合特征向量。
[0090]
其中，特征融合模型为预先训练，可以包括一个多层感知器(mlp)，即第二多层感知器，叠加结果被馈送到mlp层以可以生成新特征，即第三向量，可以表示为g∈rm×c，进而可以将其与注意力向量相乘，进而将相乘结果与叠加结果相加，得出融合特征向量f
″
。计算公式可以如公式7所示。具体的，第三向量与注意力向量相乘可以执行为第三向量与注意力向量两者的转置相乘。
[0091][0092]
在公式7中，β为模型训练的参数。
[0093]
在全局点和点的成对关系中，相似特征实现了互惠，因此两点越有可能属于同一物体，它们从对方那里获得的上下文信息就越多。
[0094]
本发明实施例中，通过语义特征向量与投票特征向量叠加，再与嵌入特征向量融合，使用于计算物体检测的边界框和边界框类别的特征向量包括了更丰富的语义线索和物体敏感嵌入特征，即使特征向量的语义感知和全局上下文聚合增强，从而可以提高识别的边界框大小和类别的准确性，进而提高物体检测的准确性。
[0095]
为了解决现有技术存在的问题，本发明实施例提供了一种物体检测装置500，如图5所示，该装置500包括：
[0096]
获取单元501，用于接收待处理的点云集合，调用预设的嵌入特征生成模型，获取
所述点云集合对应空间的嵌入特征向量；
[0097]
提取单元502，用于分别调用预设的投票特征生成模型和语义特征生成模型，提取所述点云集合的投票特征向量和语义特征向量，将所述投票特征向量和所述语义特征向量叠加，得出叠加结果；
[0098]
计算单元503，用于根据所述叠加结果和所述嵌入特征向量，基于预设的特征融合模型，计算得到融合特征向量；
[0099]
生成单元504，用于调用预设的投票检测模型，基于所述融合特征向量计算物体检测的边界框和所述边界框的类别，进而生成物体检测结果。
[0100]
应理解的是，实施本发明实施例的方式与实施图2所示实施例的方式相同，在此不再赘述。
[0101]
本发明实施例的一种实现方式中，所述计算单元503，具体用于：
[0102]
将所述嵌入特征向量输入预设的第一多层感知器，计算出第一向量和第二向量，调用预设的逻辑回归模型，基于所述第一向量和所述第二向量，计算所述点云集合对应的注意力向量；
[0103]
调用预设的特征融合模型，基于所述叠加结果和所述注意力向量计算融合特征向量。
[0104]
本发明实施例的又一种实现方式中，所述计算单元503，具体用于：
[0105]
调用预设的第二多层感知器，基于所述叠加结果计算第三向量；
[0106]
将所述第三向量与所述注意力向量相乘，进而将相乘结果与所述叠加结果相加，得出所述融合特征向量。
[0107]
本发明实施例的又一种实现方式中，所述提取单元502，具体用于：
[0108]
将所述点云集合输入预设的第一点解码器，提取所述点云集合的语义特征向量。
[0109]
本发明实施例的又一种实现方式中，所述获取单元501，具体用于：
[0110]
将所述点云集合输入预设的第二点解码器，得出所述点云集合的空间嵌入特征，进而调用预设的嵌入特征分类器，以基于所述空间嵌入特征提取嵌入特征向量。
[0111]
本发明实施例的又一种实现方式中，所述生成单元504，具体用于：
[0112]
基于所述融合特征向量对应的特征点从所述点云集合中采样，得到每个特征点对应的采样特征，以基于所述采样特征对所述点云集合聚合，计算出物体边界框和所述物体边界框的类别。
[0113]
应理解的是，实施本发明实施例的方式与实施图1或图4所示实施例的方式相同，在此不再赘述。
[0114]
本发明实施例中，通过语义特征向量与投票特征向量叠加，再与嵌入特征向量融合，使用于计算物体检测的边界框和边界框类别的特征向量包括了更丰富的语义线索和物体敏感嵌入特征，即使特征向量的语义感知和全局上下文聚合增强，从而可以提高识别的边界框大小和类别的准确性，进而提高物体检测的准确性。
[0115]
根据本发明的实施例，本发明实施例还提供了一种电子设备和一种可读存储介质。
[0116]
本发明实施例的电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所
述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例所提供的物体检测方法。
[0117]
图6示出了可以应用本发明实施例的物体检测的方法或物体检测的装置的示例性系统架构600。
[0118]
如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0119]
用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种客户端应用。
[0120]
终端设备601、602、603可以是但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0121]
服务器605可以是提供各种服务的服务器，服务器可以对接收到的待处理点云集合等数据进行分析等处理，并将处理结果(例如物体检测结果
‑‑
仅为示例)反馈给终端设备。
[0122]
需要说明的是，本发明实施例所提供的物体检测方法一般由服务器605执行，相应地，物体检测装置一般设置于服务器605中。
[0123]
应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0124]
下面参考图7，其示出了适于用来实现本发明实施例的计算机系统700的结构示意图。图7示出的计算机系统仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0125]
如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram 703中，还存储有系统700操作所需的各种程序和数据。cpu 701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0126]
以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
[0127]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本发明的系统中限定的上述功能。
[0128]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计
算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0129]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分，上述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0130]
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元、计算单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取单元的功能的单元”。
[0131]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备执行本发明所提供的物体检测方法。
[0132]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。