目标检测方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机视觉技术领域，特别是涉及一种目标检测方法、装置、计算机设备和存储介质。


背景技术：

2.随着智能交通技术的发展，对道路环境中各种目标的检测和定位体现着愈发重要的价值。
3.点云含有丰富的空间信息，通过点云对目标进行检测是最为合适的方式，目前，通过深度神经网络进行点云目标检测是当前的主流方法。但是，由于点云固有的稀疏特性，对行人、自行车等小目标的检测的准确率不高。
4.因此，如何提高小目标的检测精度是亟需解决的问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种目标检测方法、装置、计算机设备和存储介质，能够提高点云数据中小目标的检测精度。
6.第一方面，本技术提供了一种目标检测方法，该方法包括：
7.获取待检测场景的点云数据；
8.将点云数据输入至目标检测模型中，通过目标检测模型提取点云数据的多维度注意力信息，并根据点云数据的多维度注意力信息输出待检测场景中的目标检测结果；点云数据的多维度注意力信息用于对点云数据中的各目标的关键特征进行增强。
9.在其中一个实施例中，目标检测模型的构建过程包括：
10.根据多种样本场景下的原始点云数据，确定训练点云数据；训练点云数据中包括多个样本目标；
11.将训练点云数据输入至初始目标检测模型中，通过初始目标检测模型提取训练点云数据的多维度注意力信息，并根据训练点云数据的多维度注意力信息生成模型训练损失；训练点云数据的多维度注意力信息用于对训练点云数据中各样本目标的关键特征进行增强；
12.根据模型训练损失，对初始目标检测模型进行训练，得到目标检测模型。
13.在其中一个实施例中，根据多种样本场景下的原始点云数据，确定训练点云数据，包括：
14.对各原始点云数据进行预处理，得到样本点云数据；
15.对样本点云数据进行划分处理，得到验证样本点云数据和训练样本点云数据；
16.对训练样本点云数据进行特征扩充处理，得到训练点云数据。
17.在其中一个实施例中，对各原始点云数据进行预处理，得到样本点云数据，包括：
18.根据原始点云数据中各样本目标的标注信息，对原始点云数据进行数据增强操作，得到样本点云数据。
19.在其中一个实施例中，对训练样本点云数据进行特征扩充处理，得到训练点云数据，包括：
20.对训练样本点云数据进行体素网格划分处理，得到体素点云数据；体素点云数据包括多个体素网格；
21.对体素点云数据进行特征扩充，得到训练点云数据；训练点云数据中包括各体素网格中各点云数据的扩充特征信息。
22.在其中一个实施例中，对体素点云数据进行特征扩充，得到训练点云数据，包括：
23.根据各体素网格中点云数据的均值，确定各体素网格的体素重心；
24.针对任一个体素网格，根据体素网格内各点云数据与体素网格的体素重心之间的偏移信息，对体素网格内各点云数据的特征进行特征扩充，得到体素网格中各点云数据的扩充特征信息。
25.在其中一个实施例中，该方法还包括：
26.将验证样本点云数据输入至目标检测模型中，得到测试目标的测试检测信息；
27.若测试目标的测试检测信息与样本目标的标准检测信息之间的相似度小于预设值，确定目标检测模型验证通过。
28.在其中一个实施例中，训练点云数据包括多个体素网格；多维度注意力信息包括点注意力信息、通道注意力信息和体素注意力信息；
29.将训练点云数据输入至初始目标检测模型中，通过初始目标检测模型提取训练点云数据的多维度注意力信息，包括：
30.将训练点云数据分别输入至初始目标检测模型的第一全连接网络和第二全连接网络，得到训练点云数据的点注意力信息和通道注意力信息；
31.根据点注意力信息、通道注意力信息和各体素网格中的点云数据，确定训练点云数据的体素注意力信息。
32.在其中一个实施例中，根据点注意力信息、通道注意力信息和各体素网格中的点云数据，确定训练点云数据的体素注意力信息，包括：
33.根据点注意力信息和通道注意力信息生成的点通道注意力信息；
34.根据点通道注意力信息和各体素网格的体素重心生成点通道体素注意力信息；体素重心为根据各体素网格的中的点云数据确定；
35.将点通道体素注意力信息输入至初始目标检测模型的第三全连接网络，得到训练点云数据的体素注意力信息。
36.在其中一个实施例中，模型训练损失包括分类损失、回归损失和方向损失；
37.根据训练点云数据的多维度注意力信息生成模型训练损失，包括：
38.根据点注意力信息、通道注意力信息和体素注意力信息的融合注意力信息，获取各样本目标的预测检测信息；预测检测信息包括分类信息、回归信息和方向信息；
39.根据各样本目标的预测检测信息和各样本目标的标准检测信息，生成分类损失、回归损失和方向损失。
40.在其中一个实施例中，根据点注意力信息、通道注意力信息和体素注意力信息的融合注意力信息，获取各样本目标的预测检测信息，包括：
41.根据融合注意力信息，提取训练点云数据的三维特征信息；
42.对三维特征信息进行特征转换，得到训练点云数据的二维特征信息；
43.对训练点云数据的二维特征信息进行二维卷积运算，得到各样本目标的预测检测信息。
44.第二方面，本技术还提供了一种目标检测装置，该装置包括：
45.获取模块，用于获取待检测场景的点云数据；
46.检测模块，用于将点云数据输入至目标检测模型中，通过目标检测模型提取点云数据的多维度注意力信息，并根据点云数据的多维度注意力信息输出待检测场景中的目标检测结果；点云数据的多维度注意力信息用于对点云数据中的各目标的关键特征进行增强。
47.第三方面，本技术实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面实施例提供的任一项方法的步骤。
48.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。
49.第五方面，本技术实施例提供计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。
50.本技术实施例提供的一种目标检测方法、装置、计算机设备和存储介质，获取待检测场景的点云数据，将点云数据输入至目标检测模型中，通过目标检测模型提取点云数据的多维度注意力信息，并根据点云数据的多维度注意力信息输出待检测场景中的目标检测结果。该方法中，多个维度的注意力能够表示点云数据在不同维度的重要特征，通过目标检测模型对待检测场景的点云数据进行点云数据的多维度注意力信息提取，能够对点云数据中的各目标的关键特征进行增强，因此，根据多维度注意力信息得到待检测场景中的目标的目标检测结果的精度较高，从而提高了点云数据中目标的检测精度。
附图说明
51.图1为一个实施例中目标检测方法的应用环境图；
52.图2为一个实施例中目标检测方法的流程示意图；
53.图3为另一个实施例中目标检测方法的流程示意图；
54.图4为另一个实施例中目标检测方法的流程示意图；
55.图5为一个实施例中目标检测方法的方向坐标示意图；
56.图6为另一个实施例中目标检测方法的流程示意图；
57.图7为另一个实施例中目标检测方法的流程示意图；
58.图8为另一个实施例中目标检测方法的流程示意图；
59.图9为另一个实施例中目标检测方法的流程示意图；
60.图10为另一个实施例中目标检测方法的流程示意图；
61.图11为另一个实施例中目标检测方法的流程示意图；
62.图12为另一个实施例中目标检测方法的流程示意图；
63.图13为另一个实施例中目标检测方法的流程示意图；
64.图14为另一个实施例中目标检测方法的流程示意图；
65.图15为另一个实施例中目标检测方法的流程示意图；
66.图16为一个实施例中目标检测装置的结构框图；
67.图17为一个实施例中计算机设备的内部结构图。
具体实施方式
68.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
69.本技术实施例提供的目标检测方法，可以应用于如图1所示的应用环境中。其中，点云采集设备102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，点云采集设备102是采集待检测场景中点云数据的设备，点云采集设备102可以但不限于路侧激光雷达、三维激光扫描仪、扫描全站仪和立体摄像头等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
70.本技术实施例提供一种目标检测方法、装置、计算机设备和存储介质，能够提高点云数据中小目标的检测精度。
71.下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。
72.在一个实施例中，提供了一种目标检测方法，以应用于图1中的应用环境为例，本实施例涉及的是将待检测场景的点云数据输入至目标检测模型中，通过目标检测模型提取点云数据的多维度注意力信息，并根据点云数据的多维度注意力信息输出待检测场景中的目标检测结果的具体过程，如图2所示，该实施例包括以下步骤：
73.s201，获取待检测场景的点云数据。
74.待检测场景为公路、城市道路、广场、公共停车场等供人马车辆通行的场所，本实施例中对待检测场景、环境没有任何特殊的限制，该场景中安装了点云采集设备，该点云采集设备可以设置在待检测场景中，该点云采集设备可以是路侧激光雷达、三维激光扫描仪、扫描全站仪和立体摄像头中的一种或多种组合等等。
75.点云(point cloud)是指物体表面特性的海量点集合，一般是通过激光测量或摄影测量获得的，能够以较高的精度反映物体的真实情况。
76.可选地，本技术实施例中待检测场景的点云数据均可以利用路侧激光雷达进行采集。
77.点云数据可以是在待检测场景中的任一时刻采集的数据，待检测场景中的目标包括但不限于行人、车辆、交通信号灯等，车辆包括但不限于轿车、卡车、电动车、自行车、三轮车、滑板车。
78.需要说明的是，本技术实施例中的待检测场景中包括至少一个目标。
79.实际应用中，设置在待检测场景中的点云采集设备可以实时地对待检测场景进行采集，以获取待检测场景中的点云数据。可以理解的是，点云采集设备所能采集的区域范围
根据实际位置的点云采集设备的位置决定。
80.其中，本技术实施例中的待检测场景的点云数据可以为任一时刻点云采集设备在待检测场景中采集的点云数据，可以是点云采集设备对待检测场景进行点云数据采集的任意时刻。
81.s202，将点云数据输入至目标检测模型中，通过目标检测模型提取点云数据的多维度注意力信息，并根据点云数据的多维度注意力信息输出待检测场景中的目标检测结果；点云数据的多维度注意力信息用于对点云数据中的各目标的关键特征进行增强。
82.目标检测模型是预先训练好的检测模型，能够根据目标检测模型得到点云数据中的目标，具体地，将点云数据输入至目标检测模型中，目标检测模型能够提取点云数据的多维度注意力信息，然后根据点云数据的多维度注意力信息确定待检测场景中的目标检测结果，其中，待检测场景中至少包括一个目标，则目标检测结果至少为一个目标的检测结果，检测结果包括目标在待检测场景中的位置和类别等，类别表示行人、车辆、交通指示灯等多种类型。
83.注意力机制是指将注意力放到某些事物中，而忽略另外的一些事物，即在特定维度的注意力中，只有部分的某些数据是重要的。
84.因此，通过考虑多个维度的注意力信息，将多个维度的注意力信息进行融合处理，能够对点云数据中的各目标的关键特征进行增强；基于点云数据的多维度注意力信息，能够精确地确定待检测场景中的目标检测结果。
85.其中，关键特征可以为点云数据中对应的目标的特征，对点云数据中目标的特征进行增强，能够提高目标检测结果的精度。
86.上述目标检测方法中，获取待检测场景的点云数据，将点云数据输入至目标检测模型中，通过目标检测模型提取点云数据的多维度注意力信息，并根据点云数据的多维度注意力信息输出待检测场景中的目标检测结果。该方法中，多个维度的注意力能够表示点云数据在不同维度的重要特征，通过目标检测模型对待检测场景的点云数据进行点云数据的多维度注意力信息提取，能够对点云数据中的各目标的关键特征进行增强，因此，根据多维度注意力信息得到待检测场景中的目标检测结果的精度较高，从而提高了点云数据中目标的检测精度。
87.基于上述实施例中通过目标检测模型对待检测场景的点云数据进行目标检测，下面通过一个实施例对目标检测模型的构建过程进行说明，在一个实施例中，如图3所示，目标检测模型的构建过程包括以下步骤：
88.s301，根据多种样本场景下的原始点云数据，确定训练点云数据；训练点云数据中包括多个样本目标。
89.首先，根据路侧激光雷达采集多种样本场景下的连续多帧的点云数据，然后将各样本场景下的连续多帧的点云数据进行切分，得到多个单帧点云数据，将多个单帧点云数据作为原始点云数据，并将原始点云数据进行数据格式转换，制作点云目标检测训练集，即训练点云数据。训练点云数据包括各点的xyz坐标和反射强度。
90.可选地，原始点云数据的文件格式为点云数据(point cloud date，pcd)格式，将原始点云数据的文件格式从pcd格式转换为二进制文件(binary，bin)格式，然后将bin格式的原始点云数据确定为训练点云数据。
91.训练点云数据中包括多个样本目标，多个样本目标可以是不同类别的目标，并且，训练点云数据可以为多个。
92.s302，将训练点云数据输入至初始目标检测模型中，通过初始目标检测模型提取训练点云数据的多维度注意力信息，并根据训练点云数据的多维度注意力信息生成模型训练损失；训练点云数据的多维度注意力信息用于对训练点云数据中各样本目标的关键特征进行增强。
93.将上述实施例得到的训练点云数据输入至初始目标检测模型中，然后通过初始目标检测模型提取训练点云数据的多维度的注意力信息，具体地，初始目标检测模型分别提取训练点云数据的各个维度的注意力信息，然后将各个维度的注意力信息进行融合，得到训练点云数据的多维度的注意力信息。
94.其中，关键特征可以为训练点云数据中对应的样本目标的特征，对训练点云数据中样本目标的特征进行增强，能够提高目标检测模型的精度。
95.模型训练损失是在训练初始目标检测模型时的损失，具体指的是通过初始目标检测模型计算的训练点云数据的预测值和训练点云数据的真实值的差距程度。
96.因此，根据训练点云数据的多维度注意力信息确定初始目标检测模型中训练点云数据的目标预测结果，然后基于训练点云数据的目标预测结果计算初始目标检测模型的模型训练损失。
97.s303，根据模型训练损失，对初始目标检测模型进行训练，得到目标检测模型。
98.因模型训练损失表示的是初始目标检测模型对训练点云数据的目标预测结果与训练点云数据的真实目标信息的差距程度，即不一致程度，因此，可以根据模型训练损失对初始目标检测模型中的参数进行更新，以再次对初始目标检测模型进行训练，直至初始目标检测模型训练完成。
99.可选地，根据模型训练损失对初始目标检测模型中的参数进行更新的方式包括但不限于梯度下降法、反向传播法等，本技术对此不做限定。
100.并且，直至初始目标检测模型训练完成的条件可以是，初始目标检测模型的迭代次数达到最大迭代次数，也可以是模型训练损失小于预设损失阈值；可选地，模型训练损失越小，初始目标检测模型越好，如果预测值与真实值相等，表示初始目标检测模型没有损失。
101.上述目标检测方法中，根据多种样本场景下的原始点云数据，确定训练点云数据，将训练点云数据输入至初始目标检测模型中，通过初始目标检测模型提取训练点云数据的多维度注意力信息，并根据训练点云数据的多维度注意力信息生成模型训练损失，然后根据模型训练损失，对初始目标检测模型进行训练，得到目标检测模型，其中，训练点云数据中包括多个样本目标。该方法中，通过训练点云数据对初始目标检测模型进行训练，且在训练的过程中，通过训练点云数据的多维度注意力信息对训练点云数据中各样本目标的关键特征进行增强，同时抑制了不稳定的点，降低了背景噪声对目标的影响，从而提高了目标检测模型训练的精确性。
102.下面通过一个实施例对确定训练点云数据的具体实现方式进行说明，在一个实施例中，如图4所示，根据多种样本场景下的原始点云数据，确定训练点云数据，包括以下步骤：
103.s401，对各原始点云数据进行预处理，得到样本点云数据。
104.采用路侧激光雷达采集的各原始点云数据中通常伴有许多的杂点、噪声点等，为了不影响后面的对点云数据中目标的检测，需要对原始点云数据进行一定的预处理，常用的方法主要包括：滤波去噪、数据精简、数据插补等。
105.因此，能够基于上述的预处理方法对各原始点云数据进行预处理，并将预处理后的原始点云数据作为样本点云数据。
106.s402，对样本点云数据进行划分处理，得到验证样本点云数据和训练样本点云数据。
107.对样本点云数据进行划分处理，将一部分的样本点云数据作为验证样本点云数据，另外一部分作为训练样本点云数据。
108.其中，可以按照一定的比例划分验证样本点云数据和训练样本点云数据，并且，因样本点云数据是多种样本场景下的点云数据，因此，在对样本点云数据进行划分时，应考虑各样本场景下的点云数据的分散性，避免将同一场景下的样本点云数据全部划分成验证样本点云数据或训练样本点云数据。
109.可选地，验证样本点云数据和训练样本点云数据的文件格式可以为pkl格式的。
110.s403，对训练样本点云数据进行特征扩充处理，得到训练点云数据。
111.按照特征的物理属性，可以将特征分为几何域和强度域，按照特征的空间尺度，可以将特征分为单点特征、局部特征和全局特征。
112.其中，单点特征主要包括点云的三维坐标(x，y，z)、法线、主曲率、反射强度(reflectivity，r)等，法线和曲率能够较好的代表一个点的几何特征。
113.局部特征包括几何特征描述子、3d形状描述子、点特征直方图、谱特征等；局特征包括点云数据的长宽高、体积等信息。
114.对训练样本点云数据进行特征扩充处理时，可以获取训练样本点云数据的单点特征、局部特征和全局特征的一种或几种的组合，从而得到训练点云数据。
115.例如，获取训练样本点云数据中各点的法线和主曲率进行特征扩充，即训练点云数据中包括各点的法线和主曲率等。
116.上述目标检测方法中，对各原始点云数据进行预处理，得到样本点云数据，然后对样本点云数据进行划分处理，得到验证样本点云数据和训练样本点云数据，对训练样本点云数据进行特征扩充处理，得到训练点云数据。该方法中，通过对训练样本点云数据进行特征扩充，使样本点云数据中的各点具有明显的特征，从而提高了目标检测模型的准确性。
117.下面通过一个实施例对各原始点云数据进行预处理过程给出一种具体的实现方式，在一个实施例中，对各原始点云数据进行预处理，得到样本点云数据，包括：根据原始点云数据中各样本目标的标注信息，对原始点云数据进行数据增强操作，得到样本点云数据。
118.可选地，获取到原始点云数据后，可以对原始点云数据中的各样本目标进行标注，生成原始点云数据对应的标注信息，标注信息包括目标类别、目标边界框和目标的航向角，其中，目标类别表示目标所属的类型，目标沿运动方向的边为长，目标边界框包括目标中心点的坐标和目标的长宽高，如图5所示，目标的航向角r为目标运动方向与y轴负方向的夹角，角度随着顺时针增大，范围为(0，2π)；可选地，点云数据的标注信息的文件格式可以为逗号分隔值(comma-separated values，csv)格式。
119.数据增强是一种数据预处理方法，当用来分类的数据集有数据倾斜，即某一类样本数据比另一类多很多时，可以对样本较少的一类进行数据增强。
120.数据增强方法包括尺度变换、旋转、镜像、缩放等。
121.可选地，对原始点云数据进行数据增强时，基于原始点云数据中各样本目标的标注信息，通过将原始点云数据中目标较多的数据复制到原始点云数据中目标较少的点云数据中，以对原始点云数据中目标较少的点云数据进行数据增强，以此增加原始点云数据中的目标数量和目标类别的丰富度。
122.其中，数据增强的方法包括目标尺度变换、目标旋转目标镜像、目标缩放等，目标尺度变换范围为[0.9，1.1]，目标旋转范围为[-π/2，π/2]。
[0123]
在一个实施例中，如图6所示，对训练样本点云数据进行特征扩充处理，得到训练点云数据，包括以下步骤：
[0124]
s601，对训练样本点云数据进行体素网格划分处理，得到体素点云数据；体素点云数据包括多个体素网格。
[0125]
根据训练样本点云数据的采集范围和预设的体素大小，对训练样本点云数据进行体素网格划分。
[0126]
具体地，训练样本点云数据为具有一定规格、统一大小的采集范围的点云数据，然后按照预设规格的体素大小将训练样本点云数据体素化。体素化就是将原有的训练样本点云数据在空间中划分为一个一个体积相等的立方体，每一个立方体称为一个体素网格，得到训练样本点云数据的体素网格的数量。
[0127]
获取各体素网格内点的数量，以最大的点数量为基准，对不足最大点数量的体素网格进行补零操作，将最大的点数量作为各体素网格内点的数量。
[0128]
可选地，为了平衡各体素网格中点的个数差异，对体素内的点的数量设置阈值，若体素网格内点的数量超过阈值，则对体素网格内的点进行随机采样，若体素网格内点的数量少于阈值，则对体素网格进行补零操作，此时，各体素网格内点的数量为阈值的大小。
[0129]
s602，对体素点云数据进行特征扩充，得到训练点云数据；训练点云数据中包括各体素网格中各点云数据的扩充特征信息。
[0130]
基于上述实施例中的训练样本点云数据的特征扩充方式，利用相同的方式对体素点云数据进行特征扩充，将特征扩充后的体素点云数据作为训练点云数据。
[0131]
对体素点云数据进行特征扩充，实质上是对各体素网格中各点云数据进行特征扩充，因此，能够得到各体素网格中各点云数据的扩充特征信息，例如，获取各体素网格中各点云数据的法线和主曲率，则各体素网格中各点云数据的扩充特征信息包括法线和主曲率。
[0132]
上述目标检测方法中，对训练样本点云数据进行体素网格划分处理，得到体素点云数据，对体素点云数据进行特征扩充，得到训练点云数据；其中，体素点云数据包括多个体素网格，训练点云数据中包括各体素网格中各点云数据的扩充特征信息。该方法对训练点云数据进行体素网格划分，再分别对各体素网格中的各点云数据进行特征扩充，提高了各点云数据的特征的精确性。
[0133]
在一个实施例中，如图7所示，对体素点云数据进行特征扩充，得到训练点云数据，包括：
[0134]
s701，根据各体素网格中点云数据的均值，确定各体素网格的体素重心。
[0135]
对训练样本点云数据进行体素网格划分后，将体素网格划分后的训练点云数据作为体素点云数据，然后对体素点云数据进行特征扩充。
[0136]
在对体素点云数据进行特征扩充之前，需要计算体素点云数据中各体素网格的体素重心，各体素网格的体素重心是各体素网格内点云数据的均值，例如，体素网格内包括两个点q和t，其中q的坐标为(x1，y1，z1)，t的坐标为(x2，y2，z2)，则该体素网格的重心为
[0137]
s702，针对任一个体素网格，根据体素网格内各点云数据与体素网格的体素重心之间的偏移信息，对体素网格内各点云数据的特征进行特征扩充，得到体素网格中各点云数据的扩充特征信息。
[0138]
对体素点云数据进行特征扩充，实质上是分别对各体素网格内的点云数据进行特征扩充的。对于任一体素网格来说，计算体素网格内各点云数据相对于体素网格的体素重心的偏移量，即将体素网格内点云数据的坐标对应减去体素网格的体素重心，得到各点云数据相对于体素重心的偏移量(x_c，y_c，z_c)，即体素网格内各点云数据相对于体素重心的偏移量为扩充特征信息。
[0139]
可选地，因各体素网格的体素重心表示的是所属体素网格相对于体素点云数据的偏移量，因此，可将体素重心作为体素网格中各点云数据的扩充特征信息。可选地，因z轴相对来说变化量不大，因此，可以不做考虑，只将体素重心的x轴和y轴的数值作为各点云数据的特征扩充信息(x_p，y_p)。
[0140]
基于体素点云数据中各点云数据的坐标、反射强度和特征扩充信息，得到训练点云数据中各点云数据的特征为(x，y，z，r，x_c，y_c，z_c，x_p，y_p)，即训练点云数据中点的特征包括9个维度的特征。
[0141]
上述目标检测方法中，根据各体素网格中点云数据的均值，确定各体素网格的体素重心，针对任一个体素网格，根据体素网格内各点云数据与体素网格的体素重心之间的偏移信息，对体素网格内各点云数据的特征进行特征扩充，得到体素网格中各点云数据的扩充特征信息。该方法对各体素网格的点云数据进行特征扩充，提高了对点云数据的目标检测的准确性。
[0142]
基于上述得到的目标检测模型，可以通过验证样本点云数据验证目标检测模型的性能，下面通过一个实施例对目标检测模型的验证过程进行详细说明，在一个实施例中，如图8所示，该实施例包括以下步骤：
[0143]
s801，将验证样本点云数据输入至目标检测模型中，得到测试目标的测试检测信息。
[0144]
对目标检测模型进行验证，是将验证样本点云数据输入至目标检测模型中，通过目标检测模型的分析，得到测试目标的测试检测信息。测试目标即为验证样本点云数据中的目标，测试检测信息为测试目标的检测信息，检测信息包括测试目标的边界框、类别和航向角。
[0145]
可选地，利用验证样本点云数据对目标检测模型验证之前，会先对验证样本点云数据进行体素化，即对验证样本点云数据划分体素网格，生成验证点云数据，将验证点云数
据输入至目标检测模型中，得到测试目标的测试检测信息。
[0146]
s802，若测试目标的测试检测信息与样本目标的标准检测信息之间的相似度小于预设值，确定目标检测模型验证通过。
[0147]
在通过验证样本点云数据对目标检测模型验证之前，会先对验证样本点云数据中的目标进行标注，生成验证样本点云数据中目标的标注信息，即样本目标的标准检测信息，包括样本目标的边界框、类别和航向角。
[0148]
样本目标的标准检测信息为验证样本点云数据中目标对应的真实检测信息，因此，将测试目标的测试检测信息与样本目标的标准检测信息进行对比，得到测试目标的测试检测信息与样本目标的标准检测信息之间的相似度；若测试目标的测试检测信息与样本目标的标准检测信息之间的相似度小于预设值，则确定目标检测模型验证通过；预设值为相似度阈值。
[0149]
可选地，若目标检测模型验证不通过，则利用训练点云数据继续对目标检测模型进行训练，直至目标检测模型验证通过。
[0150]
上述目标检测方法中，将验证样本点云数据输入至目标检测模型中，得到测试目标的测试检测信息，若测试目标的测试检测信息与样本目标的标准检测信息之间的相似度小于预设值，确定目标检测模型验证通过。该方法对目标检测模型进行验证，保证了目标检测模型的准确性。
[0151]
基于上述实施例中得到的训练点云数据，下面通过一个实施例对如何利用训练点云数据对初始目标检测模型进行训练的过程进行说明，在一个实施例中，如图9所示，训练点云数据包括多个体素网格；多维度注意力信息包括点注意力信息、通道注意力信息和体素注意力信息；则将训练点云数据输入至初始目标检测模型中，通过初始目标检测模型提取训练点云数据的多维度注意力信息，包括以下步骤：
[0152]
s901，将训练点云数据分别输入至初始目标检测模型的第一全连接网络和第二全连接网络，得到训练点云数据的点注意力信息和通道注意力信息。
[0153]
点注意力信息是通过选择训练点云数据中各体素网格内最重要的点进行输出，通道注意力信息是通过选择训练点云数据在不同的维度中最重要的特征进行输出。
[0154]
训练点云数据的格式可以为(m，n，9)，m表示训练点云数据中的体素网格数量，n表示各体素网格内的点的数量，9为点的特征维数。
[0155]
全连接网络能够提取点云数据的特征，因此，通过将训练点云数据输入至初始目标检测模型的第一全连接网络，得到点注意力(m，1，9)，通过将训练点云数据输入至初始目标检测模型的第二全连接网络，得到通道注意力(m，n，1)。
[0156]
可选地，第一全连接网络和第二全连接网络的结构和层数不同。
[0157]
s902，根据点注意力信息、通道注意力信息和各体素网格中的点云数据，确定训练点云数据的体素注意力信息。
[0158]
体素注意力信息是通过选择训练点云数据在所有体素网格中哪个体素网格更重要，因此确定训练点云数据的体素注意力信息，可以通过点注意力信息、通道注意力信息和各体素网格中的点云数据得到；基于上述实施例中点注意力(m，1，9)和通道注意力(m，n，1)，则训练点云数据的体素注意力信息的格式为(m，1，1)。
[0159]
具体地，可将点注意力信息、通道注意力信息和各体素网格中的点云数据输入至
全连接网络，通过全连接网络输出训练点云数据的体素注意力信息。
[0160]
上述目标检测方法中，将训练点云数据分别输入至初始目标检测模型的第一全连接网络和第二全连接网络，得到训练点云数据的点注意力信息和通道注意力信息，然后根据点注意力信息、通道注意力信息和各体素网格中的点云数据，确定训练点云数据的体素注意力信息。该方法利用全连接网络能够提取特征的特性，通过全连接网络提取不同维度的注意力信息，保证了得到的多维度的注意力信息的准确性，从而提高了目标检测模型检测目标的准确性。
[0161]
下面通过一个实施例对如何根据点注意力信息、通道注意力信息和各体素网格中的点云数据确定训练点云数据的体素注意力信息的过程进行详细说明，在一个实施例中，如图10所示，根据点注意力信息、通道注意力信息和各体素网格中的点云数据，确定训练点云数据的体素注意力信息，包括以下步骤：
[0162]
s1001，根据点注意力信息和通道注意力信息生成的点通道注意力信息。
[0163]
将两个或多个特征相乘来对特征空间中的非线性规律进行编码，以形成两个或多个特征的合成特征。
[0164]
因此，可以将点注意力信息和通道注意力信息进行相乘，但是，为了增加训练点云数据的非线性因素，将点注意力信息和通道注意力信息相乘的结果利用激活函数进行处理，得到点通道注意力信息，点通道注意力信息的格式为(m，n，9)。
[0165]
可选地，激活函数可以采用sigmoid激活函数、softmax激活函数、maxout激活函数等，本技术对激活函数的选择不做限定。
[0166]
s1002，根据点通道注意力信息和各体素网格的体素重心生成点通道体素注意力信息；体素重心为根据各体素网格的中的点云数据确定。
[0167]
特征融合是指来自不同分支的特征的组合，特征融合操作包括特征相加、特征拼接操作。
[0168]
通过计算各体素网格中点云数据的均值，得到各体素网格的重心，在本实施例中，可以将点通道注意力信息和各体素网格的体素重心进行特征拼接，得到点通道体素注意力信息。
[0169]
s1003，将点通道体素注意力信息输入至初始目标检测模型的第三全连接网络，得到训练点云数据的体素注意力信息。
[0170]
将上述的点通道体素注意力信息输入至初始目标检测模型的第三全连接网络，通过第三全连接网络输出训练点云数据的体素注意力信息。
[0171]
需要说明的是，本技术中的第一全连接网络、第二全连接网络和第三全连接网络是为了区分不同的全连接网络，不同的全连接网络的结构和层数可能不同。
[0172]
上述目标检测方法中，根据点注意力信息和通道注意力信息生成的点通道注意力信息，并根据点通道注意力信息和各体素网格的体素重心生成点通道体素注意力信息，然后将点通道体素注意力信息输入至初始目标检测模型的第三全连接网络，得到训练点云数据的体素注意力信息。该方法中的体素注意力表征的是训练样本点云数据中在所有体素网格中哪个体素网格更重要，增强了训练样本点云数据中的重要特征，以此提高了目标的检测精度。
[0173]
在一个实施例中，如图11所示，模型训练损失包括分类损失、回归损失和方向损
失；根据训练点云数据的多维度注意力信息生成模型训练损失，包括以下步骤：
[0174]
s1101，根据点注意力信息、通道注意力信息和体素注意力信息的融合注意力信息，获取各样本目标的预测检测信息；预测检测信息包括分类信息、回归信息和方向信息。
[0175]
基于上述得到的点注意力信息、通道注意力信息和体素注意力信息，对点注意力信息、通道注意力信息和体素注意力信息进行融合，得到融合注意力信息。
[0176]
具体地，基于点注意力信息和通道注意力信息生成的点通道注意力信息，然后通过将点通道注意力信息和体素注意力信息进行融合，得到融合注意力信息。
[0177]
将点通道注意力信息和体素注意力信息进行融合的方式可以是，将点通道注意力信息和体素注意力信息相乘，然后将点通道注意力信息和体素注意力信息相乘的结果输入全连接网络，通过全连接网络输出融合注意力信息；其中，融合注意力信息的格式可以为(m，n，64)。
[0178]
将融合注意力信息输入初始目标检测模型的卷积层，通过卷积层输出训练点云数据中各样本目标的预测检测信息，预测检测信息包括各样本目标的分类信息、回归信息和方向信息；分类信息对应目标的类别信息，回归信息对应目标的边界框信息，方向信息对应目标的航向角信息。
[0179]
s1102，根据各样本目标的预测检测信息和各样本目标的标准检测信息，生成分类损失、回归损失和方向损失。
[0180]
样本目标的标准检测信息为对应的训练点云数据中目标的实际分类信息、回归信息和方向信息。
[0181]
因此，根据各样本目标的预测检测信息和各样本目标的标准检测信息，能够生成分类损失、回归损失和方向损失；具体地，生成分类损失、回归损失和方向损失的方式可以为，根据各样本目标的预测检测信息和各样本目标的标准检测信息，分别利用预设的损失函数计算分类损失、回归损失和方向损失。
[0182]
其中，损失函数为用于计算损失的函数。初始目标检测模型每一次预测的好坏用损失函数来度量，是一种评估特定算法对给定数据建模程度的方法。如果检测结果与实际结果偏离较远，损失函数会得到一个非常大的值，在优化函数的辅助下，损失函数逐渐学会减少预测值的误差。
[0183]
上述目标检测方法中，根据点注意力信息、通道注意力信息和体素注意力信息的融合注意力信息，获取各样本目标的预测检测信息，并根据各样本目标的预测检测信息和各样本目标的标准检测信息，生成分类损失、回归损失和方向损失，其中，预测检测信息包括分类信息、回归信息和方向信息。该方法能够通过分类损失、回归损失和方向损失进一步优化初始目标检测模型，提升了目标检测模型的检测精度。
[0184]
在一个实施例中，如图12所示，根据点注意力信息、通道注意力信息和体素注意力信息的融合注意力信息，获取各样本目标的预测检测信息，包括以下步骤：
[0185]
s1201，根据融合注意力信息，提取训练点云数据的三维特征信息。
[0186]
计算融合注意力信息中各体素网格内点的最大值，对融合注意力信息进行特征提取，以确定训练点云数据的三维特征信息。
[0187]
具体地，是通过计算各体素网格内点对应的特征的平方和，并对平方和进行开平方得到各体素网格内点对应的值，将各体素网格内最大的值对应的点的特征作为所属体素
网格的特征，将所有体素网格的特征确定为训练点云数据的三维特征信息。
[0188]
例如，针对任一体素网格，若体素网格内存在两个点，分别为q和t，其中，q为(a1，b1，c1，d1，e1)，t为(a2，b2，c2，d2，e2)，分别计算q和t点的值，即q点对应的值为t点对应的值为若t点对应的值大于q点对应的值，则将t点对应的特征(a2，b2，c2，d2，e2)确定为该体素网格的特征。
[0189]
s1202，对三维特征信息进行特征转换，得到训练点云数据的二维特征信息。
[0190]
将三维特征信息转换为二维特征信息的方式，可以通过3d稀疏卷积对训练点云数据的三维特征信息进行运算，得到训练点云数据的二维特征信息。
[0191]
具体地，将训练点云数据的三维特征信息输入至3d稀疏卷积的骨干网络中，首先通过3d稀疏卷积的骨干网络对训练点云数据的三维特征信息进行下采样，然后将下采样后的三维特征信息转换为二维特征信息，得到训练点云数据的二维特征信息。
[0192]
s1203，对训练点云数据的二维特征信息进行二维卷积运算，得到各样本目标的预测检测信息。
[0193]
对训练点云数据的二维特征信息进行二维卷积运算，可以利用区域候选网络(region proposal network，rpn)生成各样本目标的预测检测信息，具体地，是将训练点云数据的二维特征信息输入至rpn中，直接输出各样本目标的预测检测信息，即训练样本数据中各样本目标的分类信息、回归信息和方向信息，其中，分类信息表示样本目标属于哪一类别，回归信息表示样本目标的预测边界框，包括样本目标的中心点坐标和长宽高，方向信息表示样本目标的航向角。
[0194]
上述目标检测方法中，根据融合注意力信息，提取训练点云数据的三维特征信息，并对三维特征信息进行特征转换，得到训练点云数据的二维特征信息，然后对训练点云数据的二维特征信息进行二维卷积运算，得到各样本目标的预测检测信息。该方法通过多维度的注意力信息融合后的融合注意力信息，通过三维特征提取和二维特征提取，得到了精确的二维特征信息，提高了训练点云数据中各样本目标的预测检测信息的准确性。
[0195]
在一个实施例中，该实施例主要由数据处理和点云目标检测方法的训练测试两部分组成，如图13所示，数据处理主要包括点云数据采集、数据格式转换和数据标注任务组成，负责生成目标检测模型训练所需的数据集。目标检测模型的具体流程如图14所示，主要包括数据读取、点云体素化、注意力机制、三维特征提取和rpn部分组成，训练过程中输出目标的分类损失、回归损失和方向损失，并根据分类损失、回归损失和方向损失生成目标检测模型，测试时直接输出目标检测结果。
[0196]
本技术中的目标检测方法是实现点云目标追踪的技术基础，也可以为自动驾驶提供有效支撑，且本方法是通过点云实现的，上述效果都从点云中获取，并不依赖于速度传感器、惯性传感器等其它传感器进行数据采集，并且本技术中的点云数据的格式类型不做限定。
[0197]
在一个实施例中，如图15所示，该实施例包括以下步骤：
[0198]
s1501，获取多个样本场景下的原始点云数据，并将原始点云数据划分为训练点云数据和验证点云数据；
[0199]
通过路侧激光雷达采集原始点云数据，并标注样本点云数据中的目标，生成各目
标的标注数据；其中，样本点云数据为多种场景下的点云数据，格式为pcd格式，标注数据中包括：目标类别、目标中心点的坐标、目标的长宽高和目标的航向角，标注数据的格式为csv格式；将样本点云数据分为训练点云数据和验证点云数据；其中，将样本点云数据转换成bin格式的数据，根据bin格式的点云数据和csv格式的标注数据，生成训练点云数据和验证点云数据，训练点云数据为train.pkl文件，验证点云数据为val.pkl文件。
[0200]
s1502，根据训练点云数据的各目标的标注数据，对训练点云数据进行数据增强，得到增强后的训练点云数据。
[0201]
s1503，根据点云检测范围和预设的体素大小，将增强后的训练点云数据划分体素网格，得到多个体素网格。
[0202]
s1504，计算各体素网格的重心，并根据各体素网格的重心对各体素网格内各点进行特征扩展，得到体素点云数据；
[0203]
其中，根据各体素网格内点的坐标计算各体素网格内的点的均值，得到各体素网格的重心，并计算各体素网格内的点相对于体素重心的偏移量，和体素网格相对于训练点云数据的偏移量，得到体素点云数据；体素点云数据的格式为(m，n，9)，m表示训练点云数据中体素网格的数量，n表示各体素网格中点的数量，9表示各点的特征的维数。
[0204]
s1505，将体素点云数据分别输入初始目标检测模型的第一全连接网络和第二全连接网络，得到点注意力特征和通道注意力特征；
[0205]
其中，点注意力特征的格式为(m，1，9)，通道注意力特征的格式为(m，n，1)。
[0206]
s1506，将点注意力特征和通道注意力特征相乘，并经过激活函数处理，得到点通道注意力特征；
[0207]
其中，点通道注意力特征的格式为(m，n，9)。
[0208]
s1507，将体素重心和点通道注意力特征输入至初始目标检测模型的第三全连接网络，输出体素注意力特征，并将点通道注意力特征和体素注意力特征相乘，并通过第四全连接网络，得到融合注意力特征；
[0209]
具体地，将体素重心和点通道注意力特征进行特征连接，并通过第三全连接网络，得到体素注意力特征(m，1，1)。
[0210]
s1508，对融合注意力特征进行体素特征提取，得到三维的体素特征信息，并将三维的体素特征信息进行3d稀疏卷积运算，得到训练点云数据的二维特征信息；
[0211]
具体地，3d稀疏卷积运算包括将三维的体素特征信息进行下采样，得到训练点云数据的三维特征信息，然后将训练点云数据的三维特征信息转变到训练点云数据的二维特征信息。
[0212]
s1509，将训练点云数据的二维特征作为rpn的输入，得到样本目标的预测边界框、预测类别和预测方向；
[0213]
其中，预测边界框包括样本目标的中心点和长宽高，预测类别为样本目标的所属类别，预测方向为样本目标的航向角。
[0214]
s1510，基于预设的损失函数，根据预测边界框、预测类别和预测方向，以及训练样本数据中标注数据对应的目标的边界框信息、类别和方向，确定回归损失、类别损失和方向损失，以回归损失、类别损失和方向损失更新初始目标检测模型。
[0215]
s1511，初始目标检测模型直至满足输出条件，得到目标预测模型，并利用验证点
云数据对目标预测模型进行验证。
[0216]
s1512，将采集的点云数据输入至目标预测模型中，输出预测目标的边界框、类别和航向角。
[0217]
本实施例提供的目标检测方法的具体限定可以参见上文中对于目标检测方法中各实施例的步骤限定，在此不再赘述。
[0218]
应该理解的是，虽然上述实施例中所附的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例中所附的图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0219]
在一个实施例中，如图16所示，本技术实施例还提供了一种目标检测装置1600，该装置1600包括：获取模块1601和检测模块1602，其中：
[0220]
获取模块1601，用于获取待检测场景的点云数据；
[0221]
检测模块1602，用于将点云数据输入至目标检测模型中，通过目标检测模型提取点云数据的多维度注意力信息，并根据点云数据的多维度注意力信息输出待检测场景中的目标检测结果；点云数据的多维度注意力信息用于对点云数据中的各目标的关键特征进行增强。
[0222]
在一个实施例中，该装置1600还包括：
[0223]
确定模块，用于根据多种样本场景下的原始点云数据，确定训练点云数据；训练点云数据中包括多个样本目标；
[0224]
输入模块，用于将训练点云数据输入至初始目标检测模型中，通过初始目标检测模型提取训练点云数据的多维度注意力信息，并根据训练点云数据的多维度注意力信息生成模型训练损失；训练点云数据的多维度注意力信息用于对训练点云数据中各样本目标的关键特征进行增强；
[0225]
训练模块，用于根据模型训练损失，对初始目标检测模型进行训练，得到目标检测模型。
[0226]
在一个实施例中，确定模块包括：
[0227]
预处理单元，用于对各原始点云数据进行预处理，得到样本点云数据；
[0228]
划分单元，用于对样本点云数据进行划分处理，得到验证样本点云数据和训练样本点云数据；
[0229]
扩充单元，用于对训练样本点云数据进行特征扩充处理，得到训练点云数据。
[0230]
在一个实施例中，预处理单元包括：
[0231]
增强子单元，用于根据原始点云数据中各样本目标的标注信息，对原始点云数据进行数据增强操作，得到样本点云数据。
[0232]
在一个实施例中，第一扩充子单元包括：
[0233]
划分子单元，用于对训练样本点云数据进行体素网格划分处理，得到体素点云数据；体素点云数据包括多个体素网格；
[0234]
第一扩充子单元，用于对体素点云数据进行特征扩充，得到训练点云数据；训练点云数据中包括各体素网格中各点云数据的扩充特征信息。
[0235]
在一个实施例中，第一扩充子单元包括：
[0236]
确定子单元，用于根据各体素网格中点云数据的均值，确定各体素网格的体素重心；
[0237]
第二扩充子单元，用于针对任一个体素网格，根据体素网格内各点云数据与体素网格的体素重心之间的偏移信息，对体素网格内各点云数据的特征进行特征扩充，得到体素网格中各点云数据的扩充特征信息。
[0238]
在一个实施例中，该装置1600还包括：
[0239]
测试模块，用于将验证样本点云数据输入至目标检测模型中，得到测试目标的测试检测信息；
[0240]
验证模块，用于若测试目标的测试检测信息与样本目标的标准检测信息之间的相似度小于预设值，确定目标检测模型验证通过。
[0241]
在一个实施例中，输入模块包括：
[0242]
输入单元，用于将训练点云数据分别输入至初始目标检测模型的第一全连接网络和第二全连接网络，得到训练点云数据的点注意力信息和通道注意力信息；
[0243]
确定单元，用于根据点注意力信息、通道注意力信息和各体素网格中的点云数据，确定训练点云数据的体素注意力信息。
[0244]
在一个实施例中，确定单元包括：
[0245]
第一生成子单元，用于根据点注意力信息和通道注意力信息生成的点通道注意力信息；
[0246]
第二生成子单元，用于根据点通道注意力信息和各体素网格的体素重心生成点通道体素注意力信息；体素重心为根据各体素网格的中的点云数据确定；
[0247]
输入子单元，用于将点通道体素注意力信息输入至初始目标检测模型的第三全连接网络，得到训练点云数据的体素注意力信息。
[0248]
在一个实施例中，输入模块包括：
[0249]
获取单元，用于根据点注意力信息、通道注意力信息和体素注意力信息的融合注意力信息，获取各样本目标的预测检测信息；预测检测信息包括分类信息、回归信息和方向信息；
[0250]
生成单元，用于根据各样本目标的预测检测信息和各样本目标的标准检测信息，生成分类损失、回归损失和方向损失。
[0251]
在一个实施例中，获取单元包括：
[0252]
提取子单元，用于根据融合注意力信息，提取训练点云数据的三维特征信息；
[0253]
转换子单元，用于对三维特征信息进行特征转换，得到训练点云数据的二维特征信息；
[0254]
运算子单元，用于对训练点云数据的二维特征信息进行二维卷积运算，得到各样本目标的预测检测信息。
[0255]
关于目标检测装置的具体限定可以参见上文中对于目标检测方法中各步骤的限定，在此不再赘述。上述目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合
来实现。上述各模块可以以硬件形式内嵌于或独立于目标设备，也可以以软件形式存储于目标设备中的存储器中，以便于目标设备调用执行以上各个模块对应的操作。
[0256]
在一个实施例中，提供了一种计算机设备，如图17所示，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种目标检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0257]
本领域技术人员可以理解，图17中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0258]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0259]
本实施例中处理器实现的各步骤，其实现原理和技术效果与上述目标检测方法的原理类似，在此不再赘述。
[0260]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0261]
本实施例中计算机程序被处理器执行时实现的各步骤，其实现原理和技术效果与上述目标检测方法的原理类似，在此不再赘述。
[0262]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0263]
本实施例中计算机程序被处理器执行时实现的各步骤，其实现原理和技术效果与上述目标检测方法的原理类似，在此不再赘述。
[0264]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0265]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，
ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0266]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0267]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。