预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共24页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113971734A(43)申请公布日2022.01.25(21)申请号202010712645.3G06T5/30(2006.01)(22)申请日2020.07.22G06N3/04(2006.01)(71)申请人上海商汤临港智能科技有限公司地址200232上海市浦东新区自由贸易试验区临港新片区泥城镇秋山路1775弄29、30号2楼01室(72)发明人付万增王哲石建萍(74)专利代理机构北京中知恒瑞知识产权代理事务所(普通合伙)11889代理人王文红(51)Int.Cl.G06V10/44(2022.01)G06T7/00(2017.01)G06T7/10(2017.01)G06T7/136(2017.01)权利要求书3页说明书17页附图3页(54)发明名称目标对象检测方法、装置、电子设备及存储介质(57)摘要本公开提供了一种目标对象检测方法、装置、电子设备及存储介质,该方法包括:获取雷达装置采集的目标场景的目标点云数据;基于所述目标点云数据,生成所述目标点云数据对应的至少一个目标稀疏矩阵;所述目标稀疏矩阵用于表征所述目标场景的不同位置处是否具有目标对象;基于所述至少一个目标稀疏矩阵、和所述目标点云数据,确定所述目标场景中包括的目标对象的三维检测数据。CN113971734ACN113971734A权利要求书1/3页1.一种目标对象检测方法,其特征在于,包括:获取雷达装置采集的目标场景的目标点云数据;基于所述目标点云数据,生成所述目标点云数据对应的至少一个目标稀疏矩阵;所述目标稀疏矩阵用于表征所述目标场景的不同位置处是否具有目标对象;基于所述至少一个目标稀疏矩阵、和所述目标点云数据,确定所述目标场景中包括的目标对象的三维检测数据。2.根据权利要求1所述的方法,其特征在于,基于所述目标点云数据,生成所述目标点云数据对应的至少一个目标稀疏矩阵,包括:基于所述目标点云数据,确定用于检测所述目标对象的神经网络中,每一层卷积模块分别对应的目标稀疏矩阵。3.根据权利要求2所述的方法,其特征在于,基于所述目标点云数据,确定所述神经网络中每一层卷积模块分别对应的目标稀疏矩阵,包括:基于所述目标点云数据,生成初始稀疏矩阵;基于所述初始稀疏矩阵,确定与所述神经网络的每一层卷积模块输入的特征图的目标尺寸匹配的目标稀疏矩阵。4.根据权利要求3所述的方法,其特征在于,基于所述目标点云数据,生成初始稀疏矩阵,包括:确定所述目标点云数据对应的目标区域,并按照预设的栅格数量,将所述目标区域划分为多个栅格区域;基于所述目标点云数据对应的点云点所处的栅格区域,确定每个栅格区域对应的矩阵元素值;基于每个栅格区域对应的矩阵元素值,生成所述目标点云数据对应的初始稀疏矩阵。5.根据权利要求3或4所述的方法,其特征在于,基于所述初始稀疏矩阵,确定与所述神经网络的每一层卷积模块输入的特征图的目标尺寸匹配的目标稀疏矩阵,包括:基于所述初始稀疏矩阵,确定所述神经网络中,每一层卷积模块对应的输出稀疏矩阵,将该输出稀疏矩阵作为所述目标稀疏矩阵;或者,基于所述初始稀疏矩阵,确定所述神经网络中,每一层卷积模块对应的输入稀疏矩阵,将该输入稀疏矩阵作为所述目标稀疏矩阵;或者,基于所述初始稀疏矩阵,确定所述神经网络中,每一层卷积模块对应的输入稀疏矩阵和输出稀疏矩阵,将所述输入目标稀疏矩阵和输出目标稀疏矩阵进行融合,得到融合稀疏矩阵,将所述融合稀疏矩阵作为该层卷积模块对应的目标稀疏矩阵。6.根据权利要求5所述的方法,其特征在于,所述基于所述初始稀疏矩阵,确定所述神经网络中每一层卷积模块对应的输入稀疏矩阵,包括:将所述初始稀疏矩阵作为所述神经网络的第一层卷积模块对应的输入稀疏矩阵;基于第i-1层卷积模块对应的输入稀疏矩阵,确定第i层卷积模块对应的、与所述第i层卷积模块输入的特征图的目标尺寸匹配的输入稀疏矩阵;其中,i为大于1、且小于n+1的正整数,n为所述神经网络的卷积模块的层数。7.根据权利要求5所述的方法,其特征在于,所述基于所述初始稀疏矩阵,确定所述神经网络中每一层卷积模块对应的输出稀疏矩阵,包括:2CN113971734A权利要求书2/3页基于所述目标对象的尺寸阈值和所述初始稀疏矩阵,确定所述神经网络对应的输出稀疏矩阵;基于所述输出稀疏矩阵,生成第n层卷积模块对应的、与所述第n层卷积模块输入的特征图的目标尺寸匹配的输出稀疏矩阵;基于第j+1层卷积模块对应的输出稀疏矩阵,生成第j层卷积模块对应的、与所述第j层卷积模块输入的特征图的目标尺寸匹配的输出稀疏矩阵,其中,j为大于等于1、且小于n的正整数,n为所述神经网络的卷积模块的层数。8.根据权利要求1~7任一所述的方法,其特征在于,基于所述至少一个目标稀疏矩阵、和