目标检测方法、装置和无人车与流程

计算;推算;计数设备的制造及其应用技术1.本公开涉及计算机视觉技术领域，尤其涉及一种目标检测方法、装置和无人车。背景技术：2.目标检测是自动驾驶中的重要任务。例如，车辆在道路上行驶，需要根据传感器采集的数据对障碍物进行检测，根据检测结果对车辆进行自主控制和路径规划。因为车端算力的局限性，所以需要合理的设计整个检测框架，尽可能在有限的算力下达到最高的准确率。3.相关技术中，在将基于样本数据训练得到的检测模型实际部署到自动驾驶的车端后，经常会出现因为带宽的延迟或者是传感器本身的问题，致使输入的待检测数据与样本数据的数据类型不一致的情况，这会严重影响检测模型的性能，降低目标检测的准确率和检测效率，进而严重影响了无人驾驶的安全性。技术实现要素：4.本公开要解决的一个技术问题是，提供一种解决方案，能够提高目标检测的准确率和检测效率，提高无人驾驶的安全性。5.根据本公开的第一方面，提出了一种目标检测方法，包括：获取待处理传感器数据，其中，所述待处理传感器数据包括点云数据；根据所述待处理传感器数据是否还包括与点云数据对应的图像数据，确定待启用的检测模型，其中，所述检测模型包括第一检测模型和第二检测模型，所述第一检测模型是基于点云样本数据训练得到的，所述第二检测模型是基于点云样本数据和图像样本数据训练得到的；基于所述待启用的检测模型，对所述待处理传感器数据进行处理，以得到待识别目标的检测结果。6.在一些实施例中，所述根据所述待处理传感器数据是否还包括与点云数据对应的图像数据，确定待启用的检测模型包括：在所述待处理传感器数据不包括与点云数据对应的图像数据的情况下，将所述第一检测模型作为待启用的检测模型；在所述待处理传感器数据包括与点云数据对应的图像数据的情况下，将第二检测模型作为待启用的检测模型。7.在一些实施例中，在所述待处理传感器数据不包括与点云数据对应的图像数据的情况下，将所述第一检测模型作为待启用的检测模型包括：在所述待处理传感器数据不包括图像数据、或者所述待处理传感器数据包括的图像数据和点云数据的时间戳不一致的情况下，将所述第一检测模型作为待启用的检测模型。8.在一些实施例中，在所述待处理传感器数据包括与点云数据对应的图像数据的情况下，将第二检测模型作为待启用的检测模型包括：在所述待处理传感器数据包括的图像数据和点云数据的时间戳一致的情况下，将第二检测模型作为待启用的检测模型。9.在一些实施例中，所述待启用模型为第一检测模型，所述基于所述待启用的检测模型对所述待处理传感器数据进行处理，以得到待识别目标的检测结果包括：对点云数据进行特征编码，以得到第一特征图；将所述第一特征图输入所述第一检测模型，以得到待识别目标的检测结果。10.在一些实施例中，所述对点云数据进行特征编码，以得到点云特征图包括：对点云数据进行体素化编码，以得到体素特征图；根据所述体素特征图，生成鸟瞰特征图；将所述鸟瞰特征图输入点云特征提取网络模型，以得到点云特征图。11.在一些实施例中，所述待启用模型为第二检测模型，所述基于所述待启用的检测模型对所述待处理传感器数据进行处理，以得到待识别目标的检测结果包括：对点云数据进行特征编码，以得到第一特征图；对图像数据进行特征编码，以得到第二特征图；对所述第一特征图和所述第二特征图进行融合，以得到融合后的特征图；将所述融合后的特征图输入第二检测模型，以得到待识别目标的检测结果。12.在一些实施例中，所述对图像数据进行特征编码，以得到第二特征图包括：对图像数据进行语义分割，以得到图像数据中每个像素点的语义信息；根据图像数据中每个像素点的语义信息和坐标系转换关系，确定与所述像素点对应的点云点的语义信息；对所述点云点的语义信息进行特征编码，以得到第二特征图。13.在一些实施例中，所述对所述点云点的语义信息进行特征编码，以得到第二特征图包括：对所述点云点的语义信息进行体素化编码，以得到体素特征图；根据所述体素特征图，生成鸟瞰特征图；对所述鸟瞰特征图进行下采样，以得到第二特征图，其中，所述第二特征图与所述第一特征图的尺寸一致。14.根据本公开的第二方面，提出一种目标检测装置，包括：获取模块，被配置为获取待处理传感器数据，其中，所述待处理传感器数据包括点云数据；确定模块，被配置为根据所述待处理传感器数据是否包括与所述点云数据对应的图像数据，确定待启用的检测模型，其中，所述检测模型包括第一检测模型和第二检测模型，所述第一检测模型是基于点云样本数据训练得到的，所述第二检测模型是基于点云样本数据和图像样本数据训练得到的；检测模块，被配置为基于所述待启用的检测模型对所述待处理传感器数据进行处理，以得到待识别目标的检测结果。15.在一些实施例中，所述确定模块被配置为：在所述待处理传感器数据不包括与点云数据对应的图像数据的情况下，将所述第一检测模型作为待启用的检测模型；在所述待处理传感器数据包括与点云数据对应的图像数据的情况下，将第二检测模型作为待启用的检测模型。16.在一些实施例中，所述确定模块被配置为：在所述待处理传感器数据不包括图像数据、或者所述待处理传感器数据包括的图像数据和点云数据的时间戳不一致的情况下，将所述第一检测模型作为待启用的检测模型。17.根据本公开的第三方面，还提出一种目标检测装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行如上述的目标检测方法。18.根据本公开的第四方面，还提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述的目标检测方法。19.根据本公开的第五方面，还提出一种无人车，包括如上述的目标检测装置。20.通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。附图说明21.构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。22.参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：23.图1为根据本公开一些实施例的目标检测方法的流程示意图。24.图2为根据本公开一些实施例的确定待启用检测模型的流程示意图；25.图3为根据本公开一些实施例的基于第一检测模型进行目标检测的流程示意图。26.图4为根据本公开一些实施例的基于第二检测模型进行目标检测的流程示意图。27.图5为根据本公开一些实施例的目标检测装置的结构示意图。28.图6为根据本公开另一些实施例的目标检测装置的结构示意图。29.图7为根据本公开一些实施例的计算机系统的结构示意图。30.图8为根据本公开一些实施例的无人车的结构示意图。具体实施方式31.现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。32.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。33.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。34.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。35.在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。36.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。37.为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。38.图1为根据本公开一些实施例的目标检测方法的流程示意图。如图1所示，本公开实施例的目标检测方法包括：39.步骤s110：获取待处理传感器数据。40.在一些实施例中，目标检测方法由目标检测装置执行。例如，在自动驾驶场景中，目标检测装置可以设置于车载电子设备中，也可以设置于控制车辆行驶的服务器中。41.在一些实施例中，目标检测装置定时获取待处理传感器数据。例如，目标检测装置定时从外部模块中拉取待处理传感器数据。42.在另一些实施例中，目标检测装置响应于外部模块的请求，获取待处理传感器数据。例如，目标检测装置接收外部模块发送的检测请求，并根据检测请求获取待处理传感器数据。43.在一些实施例中，基于车载雷达和相机等传感器采集点云数据和图像数据，并依据采集的传感器数据进行目标检测。在实际场景中，由于带宽的延迟或者是传感器本身的问题等，容易导致图像和点云数据无法同时到达或者缺失图像数据等情况出现，进而导致目标检测装置获取的待处理传感器数据有可能出现以下三种情况：只有点云数据、只有图像数据、包括点云数据和图像数据。44.步骤s120：根据待处理传感器数据是否包括与点云数据对应的图像数据，确定待启用的检测模型。45.在一些实施例中，检测模型包括第一检测模型和第二检测模型。其中，第一检测模型是基于点云样本数据训练得到的，第二检测模型是基于点云样本数据和图像样本数据训练得到的。46.在一些实施例中，待处理传感器数据包括点云数据。在待处理传感器数据不包括与点云数据对应的图像数据的情况下，将第一检测模型作为待启用的检测模型；在待处理传感器数据还包括与点云数据对应的图像数据的情况下，将第二检测模型作为待启用的检测模型。47.在一些实施例中，在待处理传感器数据为图像数据的情况下，认为检测数据异常，进行检测数据异常提示或对检测数据异常情况进行记录。48.步骤s130：基于待启用的检测模型对待处理传感器数据进行处理，以得到待识别目标的检测结果。49.在一些实施例中，在待启用的检测模型为第一检测模型的情况下，基于第一检测模型对待处理的点云数据进行处理，以得到待识别目标的检测结果；在待启用的检测模型为第二检测模型的情况下，基于第二检测模型对待处理的点云数据和图像数据进行处理，以得到待识别目标的检测结果。50.示例性地，在自动驾驶场景中，待识别目标为车辆行驶环境中的障碍物、或者红绿灯等。51.在本公开实施例中，通过以上步骤，能够根据实际获取的待处理传感器数据选择基于同类型样本数据训练得到的检测模型进行目标检测，从而提高了目标检测结果的准确率和检测效率，解决了由于待处理传感器数据与训练检测模型所用的样本数据不一致所导致的降低模型检测准确率、甚至无法检测，降低模型检测效率等问题，提高了目标检测结果的准确率和检测效率，进而有助于提高无人驾驶的安全性。52.图2为根据本公开一些实施例的确定待启用检测模型的流程示意图。如图2所示，本公开实施例的确定待启用检测模型的流程包括：53.步骤s121：确定待处理传感器数据的类型。54.其中，待处理传感器数据包括点云数据和图像数据的至少一种。55.在一些实施例中，根据待处理传感器数据的输入通道的不同，确定待处理传感器数据的类型。例如，在接收到来自第一输入通道的待处理传感器数据时，确定待处理传感器数据为点云数据，在接收到来自第二输入通道的待处理传感器数据时，确定待处理传感器数据为图像数据，在接收到来自第一、第二输入通道的待处理传感器数据时，确定待处理传感器数据为点云数据和图像数据。56.在另一些实施例中，根据待处理传感器数据携带的类型标识的不同，确定待处理传感器数据的类型。例如，在接收到携带第一类型标识的待处理传感器数据时，确认待处理传感器数据为点云数据；在接收到携带第二类型标识的待处理传感器数据时，确定待处理传感器数据为图像数据，在接收到携带第一类型标识和第二类型标识的待处理传感器数据时，确认待处理传感器数据为点云数据和图像数据。57.步骤s122：在待处理传感器数据包括点云数据和图像数据的情况下，判断点云数据和图像数据的时间戳是否一致。58.在一些实施例中，待处理传感器数据携带点云数据的时间戳和图像数据的时间戳。在这些实施例中，将点云数据的时间戳与图像数据的时间戳进行比较，在两者的差值绝对值小于预设阈值的情况下，确认两者的时间戳一致，在两者的差值绝对值大于或等于预设阈值的情况下，确认两者的时间戳不一致。59.在另一些实施例中，将目标检测装置接收到点云数据的时间作为点云数据的时间戳，将目标检测装置接收到图像数据的时间作为图像数据的时间戳。在这些实施例中，将接收到点云数据的时间与接收到图像数据的时间进行比较，在两者的差值绝对值小于预设阈值的情况下，确认两者的时间戳一致，在两者的差值绝对值大于或等于预设阈值的情况下，确认两者的时间戳不一致。60.在点云数据和图像数据的时间戳不一致的情况下，执行步骤s123；在点云数据和图像数据的时间戳一致的情况下，执行步骤s124。61.步骤s123：将第一检测模型作为待启用的检测模型。62.其中，第一检测模型为基于点云样本数据训练得到的检测模型。63.步骤s124:将第二检测模型作为待启用的检测模型。64.其中，第二检测模型为基于点云样本数据和图像样本数据训练得到的检测模型。65.步骤s125：在待处理传感器数据为点云数据的情况下，将第一检测模型作为待启用的检测模型。66.在本公开实施例中，通过以上步骤，能够根据待处理传感器数据的类型、以及点云数据和图像数据的时间戳的不同，确定与待处理传感器数据更为匹配的检测模型，有助于提高后续基于检测模型进行目标检测的准确率和检测效率。67.图3为根据本公开一些实施例的基于第一检测模型进行目标检测的流程示意图。在待启用的检测模型为第一检测模型的情况下，执行图3所示流程。如图3所示，基于第一检测模型进行目标检测的流程包括：68.步骤s131：对点云数据进行特征编码，以得到第一特征图。69.在一些实施例中，步骤s131包括：对点云数据进行体素化编码，以得到体素特征图；根据体素特征图，生成鸟瞰特征图；将鸟瞰特征图输入点云特征提取网络模型，以得到点云特征图。70.在一些实施例中，根据如下方式对点云数据进行体素化编码：将点云数据中的各个点云点分配到体素网格中的体素单元中，对体素单元中的点云点进行特征编码，以得到体素特征；接下来，根据体素特征，确定体素特征图。例如，可基于pointpillar模型或者voxelnet模型所提出的方式对点云数据进行体素化编码。71.在一些实施例中，将体素特征图映射到鸟瞰图视角下，从而得到鸟瞰特征图。鸟瞰图，是根据透视原理，用高视点透视法从高处某一点俯视地面起伏绘制成的立体图。72.在一些实施例中，点云特征提取网络模型为二维卷积神经网络。将鸟瞰特征图输入该二维卷积神经网络，以得到点云特征图。73.在本公开实施例中，通过以上步骤能够在待处理传感器数据为点云数据的情况下，能够快速、准确地提取点云数据的特征，以用于后续的目标检测。74.步骤s132：将第一特征图输入第一检测模型，以得到待识别目标的检测结果。75.其中，第一检测模型为基于点云样本数据训练得到的检测模型。76.在本公开实施例中，通过以上步骤能够在多种传感器数据到达时间不一致或者缺失图像数据的情况下，基于与点云数据匹配的检测模型快速、准确地进行目标检测，保证了图像数据缺失情况下的目标检测效果，解决了自动驾驶车辆在实际应用过程中因为多种传感器数据到达时间不一致或者图像数据缺失所引起的检测效率降低、检测准确率降低的问题。77.图4为根据本公开一些实施例的基于第二检测模型进行目标检测的流程示意图。在待启用的检测模型为第二检测模型的情况下，执行图4所示流程。如图4所示，基于第二检测模型进行目标检测的流程包括：78.步骤s131'：对点云数据进行特征编码，以得到第一特征图。79.在一些实施例中，步骤s131'包括：对点云数据进行体素化编码，以得到体素特征图；根据体素特征图，生成鸟瞰特征图；将鸟瞰特征图输入点云特征提取网络模型，以得到点云特征图。80.在一些实施例中，根据如下方式对点云数据进行体素化编码：将点云数据中的各个点云点分配到体素网格中的体素单元中，对体素单元中的点云点进行特征编码，以得到体素特征；接下来，根据体素特征，确定体素特征图。例如，可基于pointpillar模型或者voxelnet模型所提出的方式对点云数据进行体素化编码。81.在一些实施例中，将体素特征图映射到鸟瞰图视角下，从而得到鸟瞰特征图。鸟瞰图，是根据透视原理，用高视点透视法从高处某一点俯视地面起伏绘制成的立体图。82.在一些实施例中，点云特征提取网络模型为二维卷积神经网络。将鸟瞰特征图输入该二维卷积神经网络，以得到点云特征图。83.在本公开实施例中，通过以上步骤能够在待处理传感器数据包括点云数据的情况下，快速、准确地提取点云数据的特征，以用于后续的目标检测。84.步骤s132'：对图像数据进行特征编码，以得到第二特征图。85.在一些实施例中，步骤s132'包括：步骤a，对图像数据进行语义分割，以得到图像数据中每个像素点的语义信息；步骤b，根据图像数据中每个像素点的语义信息和坐标系转换关系，确定与像素点对应的点云点的语义信息；步骤c，对点云点的语义信息进行特征编码，以得到第二特征图。86.在一些实施例中，在步骤a中，使用二维的图像分割网络，例如maskrnn，对图像数据进行分割，以得到图像数据中每个像素点的语义信息。示例性地，像素点的语义信息为像素点所属类别的分数。87.在一些实施例中，在步骤b中，根据相机坐标系和雷达坐标系之间的坐标系转换关系，将点云数据投影到图像坐标系中，以确定图像中每个像素点对应的点云点，进而，根据图像数据中每个像素点的语义信息、以及像素点与点云点的对应关系，确定与像素点对应的点云点的语义信息。通过上述操作，实现了图像数据与点云数据之间的数据对齐、以及在数据对齐的基础上进行数据融合，有助于提高后续的目标检测准确率。88.在一些实施例中，在步骤c中，对点云点的语义信息进行体素化编码，以得到体素特征图；根据体素特征图，生成鸟瞰特征图；对鸟瞰特征图进行下采样，以得到第二特征图，其中，第二特征图与第一特征图的尺寸一致。89.在本公开实施例中，通过对鸟瞰特征图进行下采样操作，使其下采样后的特征图尺寸和第一特征图保持一致，实现了特征对齐，便于后续的特征融合。90.步骤s133'：对第一特征图和第二特征图进行融合，以得到融合后的特征图。91.在一些实施例中，对第一特征图与第二特征图进行拼接，并将拼接后的特征图作为融合后的特征图。92.步骤s134'：将融合后的特征图输入第二检测模型，以得到待识别目标的检测结果。93.其中，第二检测模型为基于点云样本数据和图像样本数据训练得到的检测模型。94.示例性地，将融合特征图送入不同的检测网络，包括目标所属类别地检测网络和目标位置的检测网络，以得到包括目标所属类别、目标位置在内的三维目标检测结果。95.在本公开实施例中，通过以上步骤能够在待处理传感器数据包括点云数据、以及与点云数据对应的图像数据的情况下，基于第二检测模型高效、精准地进行目标检测，从而能够在车端算力允许的范围内，提高目标检测的准确率。在本公开实施例中，通过支持两种检测模型，一种是基于点云数据的第一检测模型，另外一种是基于点云数据和图像数据的第二检测模型。在待处理传感器数据中的图像数据缺失或者有延迟时，启用基于点云数据的第一检测模型，在待处理传感器数据包括点云数据和对应的图像数据时，启用基于点云和图像数据的第二检测模型。这种方式既能够保证在图像数据缺失情况下的目标检测效果，也能够在有与点云数据对应的图像数据的情况下，保持较高的目标检测准确率。96.图5为根据本公开一些实施例的目标检测装置的结构示意图。如图5所示，本公开实施例的目标检测装置包括：获取模块510、确定模块520、检测模块530。97.获取模块510，被配置为获取待处理传感器数据。98.在一些实施例中，应用场景为自动驾驶场景，目标检测装置可以设置于车载电子设备中，也可以设置于控制车辆行驶的服务器中。99.在一些实施例中，获取模块510定时获取待处理传感器数据。例如，获取模块510定时从外部模块中拉取待处理传感器数据。100.在另一些实施例中，获取模块510响应于外部模块的请求，获取待处理传感器数据。例如，获取模块510接收外部模块发送的检测请求，并根据检测请求获取待处理传感器数据。101.在一些实施例中，基于车载雷达和相机等传感器采集点云数据和图像数据，并依据采集的传感器数据进行目标检测。在实际场景中，由于带宽的延迟或者是传感器本身的问题等，容易导致图像和点云数据无法同时到达或者缺失图像数据等情况出现，进而导致目标检测装置获取的待处理传感器数据有可能出现以下三种情况：只有点云数据、只有图像数据、包括点云数据和图像数据。102.确定模块520，被配置为根据待处理传感器数据是否包括与点云数据对应的图像数据，确定待启用的检测模型。103.在一些实施例中，检测模型包括第一检测模型和第二检测模型。其中，第一检测模型是基于点云样本数据训练得到的，第二检测模型是基于点云样本数据和图像样本数据训练得到的。104.在一些实施例中，待处理传感器数据包括点云数据。在待处理传感器数据不包括与点云数据对应的图像数据的情况下，确定模块520将第一检测模型作为待启用的检测模型；在待处理传感器数据还包括与点云数据对应的图像数据的情况下，确定模块520将第二检测模型作为待启用的检测模型。105.在一些实施例中，确定模块520根据如下方式判断待处理传感器数据是否包括与点云数据对应的图像数据：在待处理传感器数据不包括图像数据、或者待处理传感器数据包括的图像数据和点云数据的时间戳不一致的情况下，确定模块520确定待处理传感器数据不包括与点云数据对应的图像数据；在待处理传感器数据包括的图像数据和点云数据的时间戳一致的情况下，确定模块520确定待处理传感器数据包括与点云数据对应的图像数据。106.在一些实施例中，在待处理传感器数据为图像数据的情况下，确定模块520还被配置为，确认检测数据异常，并进行检测数据异常提示或对检测数据异常情况进行记录。107.检测模块530，被配置为基于待启用的检测模型对待处理传感器数据进行处理，以得到待识别目标的检测结果。108.在一些实施例中，在待启用的检测模型为第一检测模型的情况下，检测模块530基于第一检测模型对待处理的点云数据进行处理，以得到待识别目标的检测结果；在待启用的检测模型为第二检测模型的情况下，检测模块530基于第二检测模型对待处理的点云数据和图像数据进行处理，以得到待识别目标的检测结果。109.示例性地，在自动驾驶场景中，待识别目标为车辆行驶环境中的障碍物、或者红绿灯等。110.在本公开实施例中，通过以上装置，能够根据实际获取的待处理传感器数据选择基于同类型样本数据训练得到的检测模型进行目标检测，从而提高了目标检测结果的准确率和检测效率，解决了由于待处理传感器数据与训练检测模型所用的样本数据不一致所导致的降低模型检测准确率、甚至无法检测，降低模型检测效率等问题，提高了目标检测结果的准确率和检测效率，进而有助于提高无人驾驶的安全性。111.图6为根据本公开另一些实施例的目标检测装置的结构示意图。112.如图6所示，目标检测装置600包括存储器610；以及耦接至该存储器610的处理器620。存储器610用于存储执行目标检测方法对应实施例的指令。处理器620被配置为基于存储在存储器610中的指令，执行本公开中任意一些实施例中的目标检测方法。113.图7为根据本公开一些实施例的计算机系统的结构示意图。114.如图7所示，计算机系统700可以通用计算设备的形式表现。计算机系统700包括存储器710、处理器720和连接不同系统组件的总线930。115.存储器710例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(boot loader)以及其他程序等。系统存储器可以包括易失性存储介质，例如随机存取存储器(ram)和/或高速缓存存储器。非易失性存储介质例如存储有执行目标检测方法中的至少一种的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。116.处理器720可以用通用处理器、数字信号处理器(dsp)、应用专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地，诸如构建模块、偏差补偿模块的每个模块，可以通过中央处理器(cpu)运行存储器中执行相应步骤的指令来实现，也可以通过执行相应步骤的专用电路来实现。117.总线730可以使用多种总线结构中的任意总线结构。例如，总线结构包括但不限于工业标准体系结构(isa)总线、微通道体系结构(mca)总线、外围组件互连(pci)总线。118.计算机系统700这些接口740、750、760以及存储器710和处理器720之间可以通过总线730连接。输入输出接口740可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口750为各种联网设备提供连接接口。存储接口760为软盘、u盘、sd卡等外部存储设备提供连接接口。119.这里，参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个框以及各框的组合，都可以由计算机可读程序指令实现。120.这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器，以产生一个机器，使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。121.这些计算机可读程序指令也可存储在计算机可读存储器中，这些指令使得计算机以特定方式工作，从而产生一个制造品，包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。122.图8为根据本公开一些实施例的无人车的结构示意图。如图8所示，无人车800包括目标检测装置810。123.无人车800还包括多种传感器，例如，激光雷达传感器、毫米波传感器、相机等传感器中的一种或多种。无人车800，通过车载的传感器采集目标检测所需的传感器数据。124.目标检测装置810，被配置为获取待处理传感器数据，根据待处理传感器数据是否还包括与点云数据对应的图像数据，确定待启用的检测模型，基于待启用的检测模型对待处理传感器数据进行处理，以得到待识别目标的检测结果。125.示例性地，待识别目标为车辆行驶环境中的障碍物、或者红绿灯等。126.其中，检测模型包括第一检测模型和第二检测模型，第一检测模型是基于点云样本数据训练得到的，第二检测模型是基于点云样本数据和图像样本数据训练得到的。127.在一些实施例中，待处理传感器数据包括点云数据。在待处理传感器数据不包括与点云数据对应的图像数据的情况下，将第一检测模型作为待启用的检测模型；在待处理传感器数据还包括与点云数据对应的图像数据的情况下，将第二检测模型作为待启用的检测模型。128.在一些实施例中，在待处理传感器数据为图像数据的情况下，认为检测数据异常，进行检测数据异常提示或对检测数据异常情况进行记录。129.在一些实施例中，在通过目标检测装置810得到目标检测结果之后，可基于目标检测结果进一步控制无人车的运行、规划无人车的行驶路径等。130.在本公开实施例中，通过以上无人车，能够支持两种检测模型，一种是基于点云数据的第一检测模型，另外一种是基于点云数据和图像数据的第二检测模型。在待处理传感器数据中的图像数据缺失或者有延迟时，启用基于点云数据的第一检测模型，在待处理传感器数据包括点云数据和对应的图像数据时，启用基于点云和图像数据的第二检测模型。这种方式既能够保证在图像数据缺失情况下的目标检测效果，也能够在有与点云数据对应的图像数据的情况下，保持较高的目标检测准确率，进而提高了自动驾驶的安全性。131.本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。132.通过上述实施例中的目标检测方法、装置和无人车，能够提高目标检测结果的准确性和检测效率，有助于提高无人驾驶的安全性。133.至此，已经详细描述了根据本公开的目标检测方法、装置和无人车。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!