目标检测方法、装置、电子设备及机器可读存储介质与流程

本申请涉及数据处理，尤其涉及一种目标检测方法、装置、电子设备及机器可读存储介质。

背景技术：

1、transformer(一种网络结构)结构在2d检测任务中已经取得了优异的表现，并已经领先了许多基于cnn(convolutional neural networks，卷积神经网络)的检测算法，而相比于2d任务，由于激光雷达点云数据存在的不规则、无结构和稀疏等特性，transformer结构可以在3d检测任务中展现出更大的潜力。

技术实现思路

1、有鉴于此，本申请提供一种目标检测方法、装置、电子设备及机器可读存储介质，以优化目标检测性能。

2、具体地，本申请是通过如下技术方案实现的：

3、根据本申请实施例的第一方面，提供一种目标检测方法，包括：

4、对输入点云数据进行体素化，并进行体素化特征提取，得到输入点云数据的体素特征；

5、依据所述体素特征，对所述输入点云数据对应的非空体素进行前景和背景的分类，并确定各前景体素相对其目标中心点的偏移；

6、依据各前景体素相对其目标中心点的偏移，对前景体素进行聚类，得到聚类后的目标簇；

7、依据所述目标簇，利用基于簇的目标检测结构，生成目标检测框。

8、根据本申请实施例的第二方面，提供一种目标检测装置，包括：

9、体素特征提取单元，用于对输入点云数据进行体素化，并进行体素化特征提取，得到输入点云数据的体素特征；

10、分类单元，用于依据所述体素特征，对所述输入点云数据对应的非空体素进行前景和背景的分类；

11、确定单元，用于确定各前景体素相对其目标中心点的偏移；

12、聚类单元，用于依据各前景体素相对其目标中心点的偏移，对前景体素进行聚类，得到聚类后的目标簇；

13、目标检测单元，用于依据所述目标簇，利用基于簇的目标检测结构，生成目标检测框。

14、根据本申请实施例的第三方面，提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器用于执行机器可执行指令，以实现第一方面提供的方法。

15、根据本申请实施例的第四方面，提供一种机器可读存储介质，所述机器可读存储介质内存储有机器可执行指令，所述机器可执行指令被处理器执行时实现第一方面提供的方法。

16、本申请提供的技术方案至少可以带来以下有益效果：

17、通过对输入点云数据进行体素化，并进行体素化特征提取，得到输入点云数据的体素特征，依据得到的体素特征，对输入点云数据对应的非空体素进行前景和背景的分类，并确定各前景体素相对其目标中心点的偏移，依据各前景体素相对其目标中心点的偏移，对前景体素进行聚类，得到聚类后的目标簇，进而，依据目标簇，利用基于簇的目标检测结构，生成目标检测框，避免了对特征进行bev空间转换，从而，减少了空特征的引入，有效避免了对特征的稀疏性的破坏，提升了目标检测效率，改善了目标检测性能。

技术特征：

1.一种目标检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述依据各前景体素相对其目标中心点的偏移，对前景体素进行聚类，包括：

3.根据权利要求1所述的方法，其特征在于，所述目标检测结构为transformer结构；

4.根据权利要求3所述的方法，其特征在于，所述基于簇的transformer结构中每个decoder包括互注意力层和自注意力层；

5.根据权利要求4所述的方法，其特征在于，所述依据与输入的query归属同一目标簇的键key特征和值value特征，对所输入的query进行更新，包括：

6.根据权利要求4所述的方法，其特征在于，所述基于簇的transformer解码层decoder结构包括多个decoder；

7.根据权利要求4所述的方法，其特征在于，所述基于簇的transformer解码层decoder结构包括多个decoder；

8.根据权利要求7所述的方法，其特征在于，所述依据该decoder输出的更新后的query对同一目标簇内的key特征和value特征进行更新，包括：

9.一种目标检测装置，其特征在于，包括：

10.根据权利要求9所述的装置，其特征在于，所述聚类单元依据各前景体素相对其目标中心点的偏移，对前景体素进行聚类，包括：

11.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器用于执行机器可执行指令，以实现如权利要求1-8任一项所述的方法。

12.一种机器可读存储介质，其特征在于，所述机器可读存储介质内存储有机器可执行指令，所述机器可执行指令被处理器执行时实现如权利要求1-8任一项所述的方法。

技术总结
本申请提供一种目标检测方法、装置、电子设备及机器可读存储介质，该方法包括：对输入点云数据进行体素化，并进行体素化特征提取，得到输入点云数据的体素特征；依据所述体素特征，对所述输入点云数据对应的非空体素进行前景和背景的分类，并确定各前景体素相对其目标中心点的偏移；依据各前景体素相对其目标中心点的偏移，对前景体素进行聚类，得到聚类后的目标簇；依据所述目标簇，利用基于簇的目标检测结构，生成目标检测框。该方法可以提升目标检测效率，改善目标检测性能。

技术研发人员：裴宇,李昊,赵显
受保护的技术使用者：上海高德威智能交通系统有限公司
技术研发日：
技术公布日：2024/1/14