CN116503830A - 目标检测算法的测试方法、装置及服务器 - Google Patents
目标检测算法的测试方法、装置及服务器 Download PDFInfo
- Publication number
- CN116503830A CN116503830A CN202310749126.8A CN202310749126A CN116503830A CN 116503830 A CN116503830 A CN 116503830A CN 202310749126 A CN202310749126 A CN 202310749126A CN 116503830 A CN116503830 A CN 116503830A
- Authority
- CN
- China
- Prior art keywords
- target
- matching
- data
- detection
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 253
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 114
- 238000012360 testing method Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims description 45
- 238000000605 extraction Methods 0.000 claims description 43
- 230000004927 fusion Effects 0.000 claims description 39
- 238000010586 diagram Methods 0.000 claims description 20
- 238000010998 test method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012812 general test Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开是关于一种目标检测算法的测试方法、装置及服务器，属于自动驾驶技术领域。该方法包括：基于目标检测算法对同一场景下采集的图像和点云进行目标检测，得到检测结果，其中，检查结果中包括一个或多个第一目标的检测数据；对图像和点云进行目标标定，得到参考结果，其中参考结果中包括一个或多个第二目标的参考数据；对第一目标和第二目标进行匹配，获取一个或多个目标匹配对，其中，目标匹配对中包括匹配成功的第一目标和第二目标；基于目标匹配对中第一目标的检测数据和第二目标的参考数据，生成目标检测算法的测试结果数据。由此，本方案通过特征信息对检测结果和参考结果进行匹配，可以提高匹配精度，减少匹配耗时。
Description
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种目标检测算法的测试方法、装置及服务器。
背景技术
自动驾驶的感知软件在环评测（Software in-the-loop，SIL）是衡量感知目标检测算法的一种通用测试方法，在SIL评测中，目标的匹配是一个非常关键的环节。目前通过匹配规则进行目标的匹配，通过人工定义匹配规则导致进行匹配的方法比较耗时，且限制了匹配的精度。
发明内容
为克服相关技术中存在的问题，本公开提供一种目标检测算法的测试方法、装置、服务器、计算机可读存储介质，以解决SIL评测的匹配精度低且匹配耗时长的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种目标检测算法的测试方法，包括：基于目标检测算法对同一场景下采集的图像和点云进行目标检测，得到检测结果，其中，所述检查结果中包括一个或多个第一目标的检测数据；对所述图像和所述点云进行目标标定，得到参考结果，其中所述参考结果中包括一个或多个第二目标的参考数据；对所述第一目标和所述第二目标进行匹配，获取一个或多个目标匹配对，其中，所述目标匹配对中包括匹配成功的第一目标和第二目标；基于所述目标匹配对中第一目标的检测数据和第二目标的参考数据，生成所述目标检测算法的测试结果数据。
在本公开的一个实施例中，所述对所述第一目标和所述第二目标进行匹配，获取一个或多个目标匹配对，包括：分别对所述图像和所述点云进行特征提取，并对提取的两个特征图进行融合，得到融合特征图；从所述融合特征图中，分别获取所述第一目标的第一特征信息和所述第二目标的第二特征信息；基于所述第一特征信息和所述第二特征信息，对所述第一目标和所述第二目标进行匹配，获取所述一个或多个目标匹配对。
在本公开的一个实施例中，所述第一目标的第一特征信息的获取过程，包括：针对每个第一目标，基于所述第一目标的检测数据，确定所述第一目标的第一锚点框；基于所述第一锚点框确定所述第一目标在所述融合特征图上的第一位置区域，并将所述第一位置区域内的特征信息，确定为所述第一目标的第一特征信息。
在本公开的一个实施例中，所述第二目标的第二特征信息的获取过程，包括：针对每个第二目标，基于所述第二目标的参考数据，确定所述第二目标的第二锚点框；基于所述第二锚点框确定所述第二目标在所述融合特征图上的第二位置区域，并将所述第二位置区域内的特征信息，确定为所述第二目标的第二特征信息。
在本公开的一个实施例中，所述对所述第一目标和所述第二目标进行匹配，获取一个或多个目标匹配对，包括：将所述图像和所述点云，以及所述检测结果和参考结果，输入预训练的目标匹配模型中，由所述预训练的目标匹配模型，对所述第一目标和所述第二目标进行匹配，获取所述一个或多个目标匹配对。
在本公开的一个实施例中，所述由所述预训练的目标匹配模型，对所述第一目标和所述第二目标进行匹配，获取一个或多个目标匹配对，包括：由所述目标匹配模型中的第一提取层对所述图像进行特征提取，得到第一特征图；由所述目标匹配模型中的第二提取层对所述点云进行特征提取，得到第二特征图；由所述目标匹配模型中的融合层，对所述第一特征图和所述第二特征图进行融合，得到融合特征图；由所述目标匹配模型中的第三提取层，从所述融合特征图中，分别获取所述第一目标的第一特征信息和所述第二目标的第二特征信息；由所述目标匹配模型中的目标匹配层，基于所述第一特征信息和所述第一特征信息，对所述第一目标集中的第一目标和所述第二目标集合中的第二目标进行匹配，获取所述一个或多个目标匹配对。
在本公开的一个实施例中，所述目标匹配模型的训练过程，包括：获取训练样本，所述训练样本中包括同一场景下的样本图像和样本点云，以及所述样本图像和所述样本点云对应的样本检测结果、样本参考结果和参考目标匹配对；基于所述样本图像和所述样本点云，以及所述样本检测结果和所述样本参考结果，对待训练的目标匹配模型进行训练，得到所述样本图像和所述样本点云中两组目标的样本目标匹配对；基于所述样本目标匹配对和所述参考目标匹配对的误差，对所述待训练的目标匹配模型的模型参数进行修正，并使用下一训练样本对修正后的目标匹配模型继续训练，直至训练结束得到所述预训练的目标匹配模型。
在本公开的一个实施例中，所述基于所述目标匹配对中第一目标的检测数据和第二目标的参考数据，生成所述目标检测算法的测试结果数据，包括：基于所述目标匹配对中第一目标的检测数据和第二目标的参考数据，确定所述第一目标和所述第二目标间的误差数据；基于每个目标匹配对的所述误差数据，生成所述目标检测算法的测试结果数据。
在本公开的一个实施例中，所述检测数据和所述参考数据分别包括目标在多个维度上的状态数据，其中，所述基于所述目标匹配对中第一目标的检测数据和第二目标的参考数据，确定所述第一目标和所述第二目标间的误差数据，包括：基于所述第一目标的检测数据和所述第二目标的参考数据，确定所述第一目标和所述第二目标间在多个维度上的误差子数据，其中所述误差数据包括每个维度上的所述误差子数据。
根据本公开实施例的第二方面，提供一种目标检测算法的测试装置，包括：第一检测模块，用于基于目标检测算法对同一场景下采集的图像和点云进行目标检测，得到检测结果，其中，所述检查结果中包括一个或多个第一目标的检测数据；第二检测模块，用于对所述图像和所述点云进行目标标定，得到参考结果，其中所述参考结果中包括一个或多个第二目标的参考数据；匹配模块，用于对所述第一目标和所述第二目标进行匹配，获取一个或多个目标匹配对，其中，所述目标匹配对中包括匹配成功的第一目标和第二目标；生成模块，用于基于所述目标匹配对中第一目标的检测数据和第二目标的参考数据，生成所述目标检测算法的测试结果数据。
根据本公开实施例的第三方面，提供一种服务器，包括处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为实现本公开实施例第一方面所述方法的步骤。
根据本公开实施例的第四方面提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被服务器执行时实现本公开实施例第一方面所述方法的步骤。
根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被视力检测设备的服务器执行时实现如本公开实施例第一方面所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：通过采集同一场景下的图像和点云，进行目标检测得到第一目标的检测数据，同时对图像和点云进行目标标定得到第二目标的参考数据。利用特征信息将第一目标和第二目标进行匹配，以提升匹配的精准性，避免匹配规则产生的精度上限和耗时。基于匹配对中的检测数据和参考数据，生成目标检测算法的测试结果数据，能够衡量目标检测算法的性能和准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据本公开的一些实施例示出的一种目标检测算法的测试方法的流程图。
图2是根据本公开的一些实施例示出的另一种目标检测算法的测试方法的流程图。
图3是根据本公开的一些实施例示出的另一种目标检测算法的测试方法的流程图。
图4是根据本公开的一些实施例示出的预训练的目标匹配模型的结构示意图。
图5是根据本公开的一些实施例示出的目标检测算法的测试方法的流程图。
图6是根据本公开的一些实施例示出的另一种目标检测算法的测试方法的流程图。
图7是根据本公开的一些实施例示出的对目标匹配模型进行训练的流程图。
图8是根据本公开的一些实施例示出的另一种目标检测算法的测试方法的流程图。
图9是根据本公开的一些实施例示出的另一种目标检测算法的测试方法的流程图。
图10是根据本公开的一些实施例示出的一种目标检测算法的测试装置的框图。
图11是根据本公开的一些实施例示出的一种服务器框图。
图12是根据本公开的一些实施例示出的一种服务器的结构框图。
具体实施方式
这里将详细地对本公开一些实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。本文所描述的方法、装置和/或系统的各种改变、变型及等同物将在理解本公开之后变得显而易见。例如，本文所描述的操作的顺序仅仅为示例，且并非受限于本文中所阐述的那些顺序，而是除了必须以特定顺序进行的操作之外，如在理解本公开之后变得显而易见的那样可进行改变。另外，为提升清楚性和简洁性，对本领域中已知的特征的描述可被省略。
以下本公开的一些实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据本公开的一些实施例示出的一种目标检测算法的测试方法的流程图，如图1所示，该目标检测算法的测试方法的流程包括但不限于以下步骤：
S101，基于目标检测算法对同一场景下采集的图像和点云进行目标检测，得到检测结果，其中，检查结果中包括一个或多个第一目标的检测数据。
需要说明的是，本公开实施例中目标检测算法的测试方法的执行主体为电子设备，该电子设备可以是具有SIL评测能力的智能平台、服务器等。本公开实施例的目标检测算法的测试方法可以由本公开实施例的目标检测算法的测试装置执行，本公开实施例的目标检测算法的测试装置可以配置在任意电子设备中，以执行本公开实施例的目标检测算法的测试方法。本公开实施例中，可以以车辆的自动驾驶为例，对目标检测算法的测试方法进行解释说明。
在一些实现中，可以使用车辆自身的传感器或独立于车辆的传感器采集同一场景下的图像和点云数据。可选地，可以使用车辆自身的一个或多个摄像头，采集当前场景下的图像数据。可选地，可以使用车辆的一个或多个激光雷达，采集同一场景下的点云数据。本公开实施例对车辆的摄像头和激光雷达不作限定。可以理解的是，本公开中的同一场景指的是一个物理环境，例如一个室内或室外环境、一个建筑物、一个街景等，在这个场景中，可以通过传感器采集图像和点云，得到同一场景下的图像和点云数据。
进一步地，基于目标检测算法对同一场景下采集的图像和点云进行目标检测，得到检测结果。可选地，可以使用基于深度学习的目标检测算法，基于采集的图像和点云进行联合目标检测，得到检测结果（Detect Truth，DT），该检测结果可以联合检测出的一个或多个第一目标的检测数据。可选地，还可以使用基于计算机视觉的目标检测算法或目标检测模型，对采集到的图像和点云进行目标检测。本公开实施例对目标检测算法不作限定。
其中，该检测结果中包括每个第一目标的检测数据，可选地，检测数据可以包括多个维度上的数据，检测数据可以包括但不限于：目标的类别、目标的速度、目标的位置、目标的朝向等数据。
可选地，在自动驾驶技术领域中，目标检测算法可以对图像和点云进行检测，检测到目标可以包括但不限于行人、车道线、交通标识、机动车、非机动车等。
S102，对图像和点云进行目标标定，得到参考结果，其中参考结果中包括一个或多个第二目标的参考数据。
可以理解的是，对图像和点云进行目标标定是对图像和点云进行目标检测，确定图像和点云识别出的第二目标的真实标签，得到参考结果（Ground Truth，GT）。其中，目标标定使用的检测算法与上述目标检测算法不同。例如，可以基于人工操作，对图像和点云进行目标标定，还可以使用预先设置的标定系统，对图像和点云进行目标标定。
可选地，基于人工操作，标定图像和点云的真实标签，得到参考结果。可选地，可以使用预先设置的自动真值生成系统，对采集的图像和点云进行目标标定，得到图像和点云的真值（GT），也就是图像和点云的参考结果。其中，参考结果中包括一个或多个第二目标的参考数据。例如，参考数据可以是目标的类别、目标的速度信息、目标的位置信息等数据。
可选地，在自动驾驶技术领域中，对图像和点云进行目标标定，标定出的第二目标可以包括但不限于行人、车道线、交通标识、机动车、非机动车等。
S103，对第一目标和第二目标进行匹配，获取一个或多个目标匹配对，其中，目标匹配对中包括匹配成功的第一目标和第二目标。
在一些实现中，可以对第一目标和第二目标进行特征提取，根据提取到的特征信息，对第一目标和第二目标进行匹配，得到匹配结果，匹配结果为一个或多个目标匹配对。可选地，可以对所有的第一目标和第二目标进行匹配，得到匹配结果；可选地，可以对部分第一目标和第二目标进行匹配，得到匹配结果。可选地，从第一目标检测数据和第二目标的参考数据中，分别对图像和点云进行特征提取，得到对应的特征信息，根据特征信息对第一目标和第二目标进行匹配，得到一个或多个目标匹配对，其中，目标匹配对中包括匹配成功的第一目标和第二目标。
可选地，可以通过预训练的目标匹配模型，对第一目标和第二目标进行特征提取，并进行特征匹配，得到匹配结果，也就是第一目标和第二目标匹配成功的一个或多个目标匹配对。
在一些实现中，可以通过计算第一目标中的所有数据分别与第二目标相似度，将相似度高的第一目标与第二目标进行匹配，得到一个或多个目标匹配对。
示例性说明，设第一目标为A1、A2、A3……An，设第二目标为B1、B2、B3……Bn，将A1与B1、B2、B3……Bn进行相似度计算，确定A1与B1与相似度最高，则A1与B1是一个目标匹配对。
S104，基于目标匹配对中第一目标的检测数据和第二目标的参考数据，生成目标检测算法的测试结果数据。
在一些实现中，目标检测算法的测试结果数据可以用于衡量目标检测算法的性能和准确性。可选地，可以对目标匹配对中第一目标的检测数据和第二目标的参考数据进行误差统计。通过计算检测数据与参考数据间的误差，得到目标检测算法的测试结果数据。
可选地，可以计算检测数据与参考数据的位置误差，速度误差等不同维度上的误差数据，对计算到的误差数据进行统计分析，如计算平均误差、标准差、最小误差等统计指标，根据误差统计结果分析检测数据与参考数据间的误差分布，得到目标检测算法的测试结果数据。
可选地，在自动驾驶技术领域中，测试结果数据可以包括目标匹配对中两个目标的速度差值、两个目标的位置信息差值等数据。例如，测试结果数据包括匹配的行人之间的速度差值、位置信息差值，匹配的机动车辆之间的速度差值、位置信息差值等数据。
可选地，测试结果数据可以以测试报告的形式进行表示，用于评估目标检测算法的性能、改进算法等目的。可选地，测试报告可以指示算法的性能，如算法识别的准确率、算法的匹配精确度等信息。可选地，测试报告还可以指示算法出现的错误类型、错误原因等信息，用于对算法的改进和优化。
需要说明的是，本公开的目标检测算法的测试方法可以应用于车辆的自动驾驶中，可以基于测试结果数据，可以评估用于自动驾驶系统中的目标检测算法，能否准确地对采集的图像和点云进行识别。通过准确地检测和识别图像和点云中的其他车辆、行人和其他障碍物，自动驾驶系统可以及时做出决策和规划路线，以避免碰撞，实现安全可靠的自动驾驶，有助于推动自动驾驶技术的发展和应用。
在本公开的实施例提供的目标检测算法的测试方法中，通过采集同一场景下的图像和点云，进行目标检测得到第一目标的检测数据，同时对图像和点云进行目标标定得到第二目标的参考数据。利用特征信息将第一目标和第二目标进行匹配，以提升匹配的精准性，避免匹配规则产生的精度上限和耗时。基于匹配对中的检测数据和参考数据，生成目标检测算法的测试结果数据，能够衡量目标检测算法的性能和准确性。
图2是根据本公开的一些实施例示出的一种目标检测算法的测试方法的流程图，如图2所示，该目标检测算法的测试方法的流程包括但不限于以下步骤：
S201，基于目标检测算法对同一场景下采集的图像和点云进行目标检测，得到检测结果，其中，检查结果中包括一个或多个第一目标的检测数据。
在本公开实施例中，步骤S201的实现方式可以分别采用本公开各实施例中的任一种方式实现，在此并不对此作出限定，也不再赘述。
S202，对图像和点云进行目标标定，得到参考结果，其中参考结果中包括一个或多个第二目标的参考数据。
在本公开实施例中，步骤S202的实现方式可以分别采用本公开各实施例中的任一种方式实现，在此并不对此作出限定，也不再赘述。
S203，分别对图像和点云进行特征提取，并对提取的两个特征图进行融合，得到融合特征图。
本公开实施例中，通过将采集的图像和点云输入至预训练的目标匹配模型中，进行特征提取，得到对应的特征图。可选地，可以使用基于深度学习的特征提取方法，图像和点云通过不同的特征提取层，提取对应的特征图。
进一步地，将图像和点云的特征图进行融合，得到融合特征图。可选地，可以将两个特征图进行拼接，得到融合特征图。可选地，可以给每个特征图分配权重，并按权重进行加权求和，得到融合特征图。
S204，从融合特征图中，分别获取第一目标的第一特征信息和第二目标的第二特征信息。
在一些实现中，可以在融合特征图上确定与第一目标的检测数据和第二目标的参考数据重合的区域，将重合的区域内的特征信息，作为第一目标的第一特征信息和第二目标的第二特征信息。可选地，可以通过在融合特征图中确定第一目标的检测数据和第二目标的参考数据的锚点框，在锚点框内获取第一目标的第一特征信息和第二目标的第二特征信息。
可选地，针对每个第一目标，基于第一目标的检测数据，确定第一目标的第一锚点框。基于第一锚点框确定第一目标在融合特征图上的第一位置区域，并将第一位置区域内的特征信息，确定为第一目标的第一特征信息。其中，第一目标的检测数据包括目标的位置信息，基于目标的位置信息，可以确定第一目标的第一锚点框，进而确定在融合特征图上的第一位置区域。
可选地，针对每个第二目标，基于第二目标的参考数据，确定第二目标的第二锚点框。基于第二锚点框确定第二目标在融合特征图上的第二位置区域，并将第二位置区域内的特征信息，确定为第二目标的第二特征信息。其中，第二目标的参考数据包括目标的位置信息，基于目标的位置信息，可以确定第二目标的第二锚点框，进而确定在融合特征图上的第二位置区域。
S205，基于第一特征信息和第二特征信息，对第一目标和第二目标进行匹配，获取一个或多个目标匹配对。
在一些实现中，计算第一特征信息和第二特征信息之间的相似度分数，对于每一个第一目标，计算其与所有第二目标之间的相似度分数，根据相似度分数，对第一目标和第二目标进行匹配，获取一个或多个目标匹配对。
在一些实现中，可以基于锚点框的位置，对第一目标和第二目标进行筛选，基于就近原则，选出距离相近的第一目标与第二目标，对筛选出的第一目标和第二目标进行匹配，获取一个或多个目标匹配对。
可选地，可以将第一目标与第二目标间相似度分数最高的进行匹配，得到一个目标匹配对。可选地，可以设置相似度阈值，当第一目标与第二目标间相似度分数大于相似度阈值，将第一目标与第二目标进行匹配，得到一个或多个目标匹配对。
S206，基于目标匹配对中第一目标的检测数据和第二目标的参考数据，生成目标检测算法的测试结果数据。
在本公开实施例中，步骤S206的实现方式可以分别采用本公开各实施例中的任一种方式实现，在此并不对此作出限定，也不再赘述。
在本公开的实施例提供的目标检测算法的测试方法中，通过采集同一场景下的图像和点云，进行目标检测得到第一目标的检测数据，同时对图像和点云进行目标标定得到第二目标的参考数据。通过对图像和点云进行特征提取，根据特征图对第一目标和第二目标进行匹配。通过在特征级别上的匹配，可以提升匹配的精准性，避免匹配规则产生的精度上限和耗时。基于匹配对中的检测数据和参考数据，生成目标检测算法的测试结果数据，能够衡量目标检测算法的性能和准确性。
图3是根据本公开的一些实施例示出的一种目标检测算法的测试方法的流程图，如图3所示，该目标检测算法的测试方法的流程包括但不限于以下步骤：
S301，基于目标检测算法对同一场景下采集的图像和点云进行目标检测，得到检测结果，其中，检查结果中包括一个或多个第一目标的检测数据。
在本公开实施例中，步骤S301的实现方式可以分别采用本公开各实施例中的任一种方式实现，在此并不对此作出限定，也不再赘述。
S302，对图像和点云进行目标标定，得到参考结果，其中参考结果中包括一个或多个第二目标的参考数据。
在本公开实施例中，步骤S302的实现方式可以分别采用本公开各实施例中的任一种方式实现，在此并不对此作出限定，也不再赘述。
S303，将图像和点云，以及检测结果和参考结果，输入预训练的目标匹配模型中，由预训练的目标匹配模型，对第一目标和第二目标进行匹配，获取一个或多个目标匹配对。
在一些实现中，可以通过预训练的目标匹配模型对第一目标和第二目标进行匹配，本公开中，预训练的目标匹配模型包括第一提取层、第二提取层、融合层、第三提取层和匹配层。其中第一提取层和第二提取层分别与融合层连接，融合层与第三提取层连接，第三提取层与匹配层连接。其中，第一提取层的输入为图像或者上一层输出的图像的特征图，第二提取层的输入为点云或者上一层输出的点云的特征图。
可选地，由目标匹配模型中的第一提取层对图像进行特征提取，得到第一特征图。由目标匹配模型中的第二提取层对点云进行特征提取，得到第二特征图。
可选地，由目标匹配模型中的融合层，对第一特征图和第二特征图进行融合，得到融合特征图。其中，可以通过将第一特征图和第二特征图进行拼接，得到融合特征图。
可选地，由目标匹配模型中的第三提取层，从融合特征图中，分别获取第一目标的第一特征信息和第二目标的第二特征信息。其中，第一特征信息和第二特征信息可以由上述实施例中的方法得到，这里不再赘述。
可选地，由目标匹配模型中的目标匹配层，基于第一特征信息和第二特征信息，对第一目标集合中的第一目标和第二目标集合中的第二目标进行匹配，获取一个或多个目标匹配对。其中，对第一目标和第二目标进行匹配可以由上述实施例中任一种方法实现，这里不再赘述。
如图4所示预训练的目标匹配模型的结构示意图，将图像输入至第一提取层进行特征提取，得到第一特征图，将点云输入至第二提取层进行特征提取，得到第二特征图。将第一特征图和第二特征图输入融合层进行融合得到融合特征图。将融合特征图输入至第三提取层进行特征提取，得到第一特征信息和第二特征信息。将第一特征信息和第二特征信息输入匹配层中，对第一目标与第二目标进行匹配，得到一个或多个目标匹配对。
S304，基于目标匹配对中第一目标的检测数据和第二目标的参考数据，生成目标检测算法的测试结果数据。
在本公开实施例中，步骤S304的实现方式可以分别采用本公开各实施例中的任一种方式实现，在此并不对此作出限定，也不再赘述。
在本公开的实施例提供的目标检测算法的测试方法中，通过采集同一场景下的图像和点云，进行目标检测得到第一目标的检测数据，同时对图像和点云进行目标标定得到第二目标的参考数据。通过对图像和点云进行特征提取，根据特征图对第一目标和第二目标进行匹配。通过在特征级别上的匹配，可以提升匹配的精准性，避免匹配规则产生的精度上限和耗时。基于匹配对中的检测数据和参考数据，生成目标检测算法的测试结果数据，能够衡量目标检测算法的性能和准确性。
图5是目标检测算法的测试方法的流程图，如图5所示，将采集到的图像和点云通过目标检测算法，输出检测结果。可以利用自动真值生成系统，对图像和点云进行目标标定，得到参考结果（也就是真值）。将检测结果和参考结果一同输入至预训练的目标匹配模型中进行匹配，得到包含一个或多个检测结果和参考结果匹配成功目标匹配对。对目标匹配对进行误差统计，得到测试结果数据，形成测试结果报告，以确定目标检测算法的测试方法的准确性。
在上述实施例的基础上，本公开实施例对目标匹配模型的训练过程进行解释说明，如图6所示，该目标匹配模型的训练过程，包括但不限于一下步骤：
S601，获取训练样本，训练样本中包括同一场景下的样本图像和样本点云，以及样本图像和样本点云对应的样本检测结果、样本参考结果和参考目标匹配对。
需要说明的是，待训练的目标匹配模型可以从数据库中下载同一场景下的样本图像和样本点云以及样本图像和样本点云对应的样本检测结果、样本参考结果和参考目标匹配对作为训练样本。
可选地，样本检测结果中包括基于样本图像和样本点云检测出的一个或多个第一样本目标的检测数据。
可选地，样本参考结果中包括基于样本图像和样本点云检测出的一个或多个第一样本目标的参考数据。
可选地，参考目标匹配对可以基于人工匹配确定，也可以基于相关匹配规则确定。参考目标匹配对中包括匹配成功的样本检测结果中的第一样本目标，以及样本参考结果中的第二样本目标。
S602，基于样本图像和样本点云，以及样本检测结果和样本参考结果，对待训练的目标匹配模型进行训练，得到样本图像和样本点云中两组目标的样本目标匹配对。
在一些实现中，将样本图像和样本点云，以及样本检测结果和样本参考结果一同输入至待训练的目标匹配模型中，对样本图像和样本点云进行特征提取，得到样本特征图，并将两个样本特征图进行融合，得到融合样本特征图。
进一步地，根据样本检测结果在融合样本特征图上确定样本检测结果的锚点框，基于锚点框确定第一样本目标在融合特征图上的第三位置区域，并将第三位置区域内的特征信息，确定为第一样本目标的第三特征信息。
根据样本参考结果在融合样本特征图上确定样本参考结果的锚点框，基于锚点框确定第二样本目标在融合特征图上的第四位置区域，并将第四位置区域内的特征信息，确定为第二样本目标的第四特征信息。
进一步地，基于第三特征信息和第四特征信息，对样本检测结果和样本参考结果进行匹配，生成样本目标匹配对，样本目标匹配对包括匹配成功的第一样本目标和第二样本目标。
可选地，计算第三特征信息和第四特征信息之间的相似度分数，对于每一个第一样本目标，计算其与所有第二样本目标之间的相似度分数，根据相似度分数，对第一样本目标和第二样本目标进行匹配，获得样本目标匹配对。
可选地，可以基于锚点框的位置，对第一样本目标和第二样本目标进行筛选，基于就近原则，选出距离相近的第一样本目标与第二样本目标，对筛选出的第一样本目标和第二样本目标进行匹配，获取一个或多个样本目标匹配对。
S603，基于样本目标匹配对和参考目标匹配对的误差，对待训练的目标匹配模型的模型参数进行修正，并使用下一训练样本对修正后的目标匹配模型继续训练，直至训练结束得到预训练的目标匹配模型。
需要说明的是，在对待训练的目标匹配模型进行训练时，需要利用预先标定的参考目标匹配对和模型输出的样本目标匹配对，对模型进行修正。也就是可以基于参考目标匹配对和样本目标匹配对的误差，对待训练的目标匹配模型的模型参数进行修正。
可选地，可以基于样本目标匹配对和参考目标匹配对的误差，计算模型的损失函数，并基于该损失函数确定模型的修正梯度，以对待训练的目标匹配模型的模型参数进行修正。在模型修正后，继续使用下一训练样本对修正后的目标匹配模型继续训练，直至训练结束得到预训练的目标匹配模型。
可选地，可以将设定的训练次数作为训练结束条件，当待训练的目标匹配模型的训练次数达到设定值时结束训练，得到预训练的目标匹配模型。可选地，可以将设定的训练时长作为训练结束条件，当待训练的目标匹配模型的训练时长达到设定值时结束训练，得到预训练的目标匹配模型。
在本公开的实施例提供的目标检测算法的测试方法中，将训练样本输入至待训练的目标匹配模型中，根据基于样本图像和样本点云的特征图对待训练的目标匹配模型进行训练，可以提高匹配模型的精准性。根据特征图和样本检测数据以及样本参考数据，对样本图像和样本点云进行匹配，得到样本目标匹配对。并基于与参考目标配对的误差，对待训练的目标匹配模型进行修正，提高了匹配模型的匹配精度。通过特征级别的训练，提升了目标匹配模型的匹配准确率，同时避免了匹配规则带来的精度上限和耗时问题，减少了匹配的耗时。
图7是对目标匹配模型进行训练的流程图，如图7所示，将样本图像、样本点云、样本检测结果、样本参考结果输入至待训练的匹配模型中，对样本图像、样本点云进特征提取，并将提取到的特征进行特征融合，得到融合特征图。在融合特征图上分别以样本检测结果和样本参考结果作为锚点框，提取样本检测结果的目标特征信息和样本参考结果的目标特征信息。基于特征信息对样本检测结果和样本参考结果进行匹配，输出匹配结果。同时进行人工干预，输入参考目标匹配对，以验证匹配结果的正确性，并对待训练的目标匹配模型的模型参数进行修正，将错误匹配关系输入至修正后的目标匹配模型中和下一训练样本一起继续训练，直至训练结束得到预训练的目标匹配模型。
图8是根据本公开的一些实施例示出的一种目标检测算法的测试方法的流程图，如图8所示，该目标检测算法的测试方法的流程包括但不限于以下步骤：
S801，基于目标检测算法对同一场景下采集的图像和点云进行目标检测，得到检测结果，其中，检查结果中包括一个或多个第一目标的检测数据。
在本公开实施例中，步骤S801的实现方式可以分别采用本公开各实施例中的任一种方式实现，在此并不对此作出限定，也不再赘述。
S802，对图像和点云进行目标标定，得到参考结果，其中参考结果中包括一个或多个第二目标的参考数据。
在本公开实施例中，步骤S802的实现方式可以分别采用本公开各实施例中的任一种方式实现，在此并不对此作出限定，也不再赘述。
S803，对第一目标和第二目标进行匹配，获取一个或多个目标匹配对，其中，目标匹配对中包括匹配成功的第一目标和第二目标。
在本公开实施例中，步骤S803的实现方式可以分别采用本公开各实施例中的任一种方式实现，在此并不对此作出限定，也不再赘述。
S804，基于目标匹配对中第一目标的检测数据和第二目标的参考数据，确定第一目标和第二目标间的误差数据。
在一些实现中，可以通过对第一目标的检测数据和第二目标的参考数据进行误差计算，确定第一目标和第二目标间的误差数据。需要说明的是，第一目标的检测数据和第二目标的参考数据分别包括目标在多个维度上的状态数据，如目标类别、速度、位置、朝向等数据。
在一些实现中，基于第一目标的检测数据和第二目标的参考数据，确定第一目标和第二目标间在多个维度上的误差子数据，其中误差数据包括每个维度上的误差子数据。例如，误差数据包括检测数据和参考数据在速度维度上的误差子数据、检测数据和参考数据在位置维度上的误差子数据、检测数据和参考数据在速朝向维度上的误差子数据等。
S805，基于每个目标匹配对的误差数据，生成目标检测算法的测试结果数据。
可选地，对于每个目标匹配对的误差数据，可以进行误差统计。通过计算误差数据的统计量，如计算平均误差、标准差、最小误差等，根据误差数据的统计结果，分析目标检测算法的匹配准确率和精度，生成目标检测算法的测试结果数据。
可选地，可以设置误差阈值范围，若误差数据在误差阈值范围内，确定目标检测算法的精度较好，生成目标检测算法的测试结果数据。
可选地，测试结果数据可以以测试报告的形式进行表示，用于评估目标检测算法的性能、改进算法等目的。可选地，测试报告可以指示算法的性能，如算法识别的准确率、算法的匹配精确度等信息。可选地，测试报告还可以指示算法出现的错误类型、错误原因等信息，用于对算法的改进和优化。
在本公开的实施例提供的目标检测算法的测试方法中，通过采集同一场景下的图像和点云，进行目标检测得到第一目标的检测数据，同时对图像和点云进行目标标定得到第二目标的参考数据。利用特征信息将第一目标和第二目标进行匹配，以提升匹配的精准性，避免匹配规则产生的精度上限和耗时。基于匹配对中的检测数据和参考结果数据，确定每个匹配对的误差数据，进而生成目标检测算法的测试结果数据，以衡量目标检测算法的性能和准确性。
图9是根据本公开的一些实施例示出的一种目标检测算法的测试方法的流程图，如图9所示，该目标检测算法的测试方法的流程包括但不限于以下步骤：
S901，基于目标检测算法对同一场景下采集的图像和点云进行目标检测，得到检测结果，其中，检查结果中包括一个或多个第一目标的检测数据。
S902，对图像和点云进行目标标定，得到参考结果，其中参考结果中包括一个或多个第二目标的参考数据。
S903，将图像和点云，以及检测结果和参考结果，输入预训练的目标匹配模型中。
S904，分别对图像和点云进行特征提取，并对提取的两个特征图进行融合，得到融合特征图。
S905，从融合特征图中，分别获取第一目标的第一特征信息和第二目标的第二特征信息。
S906，基于第一特征信息和第二特征信息，对第一目标和第二目标进行匹配，获取一个或多个目标匹配对。
S907，基于目标匹配对中第一目标的检测数据和第二目标的参考数据，确定第一目标和第二目标间的误差数据。
S908，基于每个目标匹配对的误差数据，生成目标检测算法的测试结果数据。
在本公开的实施例提供的目标检测算法的测试方法中，通过采集同一场景下的图像和点云，进行目标检测得到第一目标的检测数据，同时对图像和点云进行目标标定得到第二目标的参考数据。通过对图像和点云进行特征提取，根据特征图对第一目标和第二目标进行匹配。通过在特征级别上的匹配，可以提升匹配的精准性，避免匹配规则产生的精度上限和耗时。基于匹配对中的检测数据和参考结果数据，确定每个匹配对的误差数据，进而生成目标检测算法的测试结果数据，以衡量目标检测算法的性能和准确性。
需要说明的是，本公开的目标检测算法的测试方法可以应用于车辆的自动驾驶场景，也可以用于公共安全监控场景，视频跟踪场景等不同图像处理领域。
图10是根据本公开的一些实施例示出的一种目标检测算法的测试装置框图1000。参照图10，该装置包括第一检测模块1001，第二检测模块1002，匹配模块1003和生成模块1004。
第一检测模块1001，用于基于目标检测算法对同一场景下采集的图像和点云进行目标检测，得到检测结果，其中，检查结果中包括一个或多个第一目标的检测数据。
第二检测模块1002，用于对图像和点云进行目标标定，得到参考结果，其中参考结果中包括一个或多个第二目标的参考数据。
匹配模块1003，用于对第一目标和第二目标进行匹配，获取一个或多个目标匹配对，其中，目标匹配对中包括匹配成功的第一目标和第二目标。
生成模块1004，用于基于目标匹配对中第一目标的检测数据和第二目标的参考数据，生成目标检测算法的测试结果数据。
在本公开的一个实施例中，匹配模块1003，还用于：分别对图像和点云进行特征提取，并对提取的两个特征图进行融合，得到融合特征图；从融合特征图中，分别获取第一目标的第一特征信息和第二目标的第二特征信息；基于第一特征信息和第二特征信息，对第一目标和第二目标进行匹配，获取一个或多个目标匹配对。
在本公开的一个实施例中，匹配模块1003，还用于：针对每个第一目标，基于第一目标的检测数据，确定第一目标的第一锚点框；基于第一锚点框确定第一目标在融合特征图上的第一位置区域，并将第一位置区域内的特征信息，确定为第一目标的第一特征信息。
在本公开的一个实施例中，匹配模块1003，还用于：针对每个第二目标，基于第二目标的参考数据，确定第二目标的第二锚点框；基于第二锚点框确定第二目标在融合特征图上的第二位置区域，并将第二位置区域内的特征信息，确定为第二目标的第二特征信息。
在本公开的一个实施例中，匹配模块1003，还用于：将图像和点云，以及检测结果和参考结果，输入预训练的目标匹配模型中，由预训练的目标匹配模型，对第一目标和第二目标进行匹配，获取一个或多个目标匹配对。
在本公开的一个实施例中，匹配模块1003，还用于：由目标匹配模型中的第一提取层对图像进行特征提取，得到第一特征图；由目标匹配模型中的第二提取层对点云进行特征提取，得到第二特征图；由目标匹配模型中的融合层，对第一特征图和第二特征图进行融合，得到融合特征图；由目标匹配模型中的第三提取层，从融合特征图中，分别获取第一目标的第一特征信息和第二目标的第二特征信息；由目标匹配模型中的目标匹配层，基于第一特征信息和第二特征信息，对第一目标集中的第一目标和第二目标集合中的第二目标进行匹配，获取一个或多个目标匹配对。
在本公开的一个实施例中，匹配模块1003，还用于：获取训练样本，训练样本中包括同一场景下的样本图像和样本点云，以及样本图像和样本点云对应的样本检测结果、样本参考结果和参考目标匹配对；基于样本图像和样本点云，以及样本检测结果和样本参考结果，对待训练的目标匹配模型进行训练，得到样本图像和样本点云中两组目标的样本目标匹配对；基于样本目标匹配对和参考目标匹配对的误差，对待训练的目标匹配模型的模型参数进行修正，并使用下一训练样本对修正后的目标匹配模型继续训练，直至训练结束得到预训练的目标匹配模型。
在本公开的一个实施例中，生成模块1004，还用于：基于目标匹配对中第一目标的检测数据和第二目标的参考数据，确定第一目标和第二目标间的误差数据；基于每个目标匹配对的误差数据，生成目标检测算法的测试结果数据。
在本公开的一个实施例中，生成模块1004，还用于：基于第一目标的检测数据和第二目标的参考数据，确定第一目标和第二目标间在多个维度上的误差子数据，其中误差数据包括每个维度上的误差子数据。
在本公开的实施例提供的目标检测算法的测试装置中，通过采集同一场景下的图像和点云，进行目标检测得到第一目标的检测数据，同时对图像和点云进行目标标定得到第二目标的参考数据。利用特征信息将第一目标和第二目标进行匹配，以提升匹配的精准性，避免匹配规则产生的精度上限和耗时。基于匹配对中的检测数据和参考数据，生成目标检测算法的测试结果数据，能够衡量目标检测算法的性能和准确性。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图11是根据一示例性实施例示出的一种服务器框图。图11示出的服务器仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图11所示，服务器1100包括处理器1101，其可以根据存储在只读存储器（ReadOnly Memory，ROM）1102中的程序或者从存储器1106加载到随机访问存储器（RandomAccess Memory，RAM）1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有服务器1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出（Input / Output，I/O）接口1105也连接至总线1104。
以下部件连接至I/O接口1105：包括硬盘等的存储器1106；以及包括诸如局域网（Local Area Network，LAN）卡、调制解调器等的网络接口卡的通信部分1107，通信部分1107经由诸如因特网的网络执行通信处理；驱动器1108也根据需要连接至I/O接口1105。
特别地，根据本公开的实施例，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，本公开的实施例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1107从网络上被下载和安装。在该计算机程序被处理器1101执行时，执行本公开的方法中限定的上述功能。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器，上述指令可由服务器1100的处理器1101执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
在本公开中，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。而在本公开中，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。
图12是根据一示例性实施例示出的一种服务器的结构框图。图12示出的服务器仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。如图12所示，该服务器1200包括处理器1201、存储器1202。其中，存储器1202用于存储程序代码，处理器1201与存储器1202连接，用于从存储器1202内读取程序代码，以实现上述实施例中的目标检测算法的测试方法。
可选地，处理器1201的数量可以是一个或多个。
可选地，服务器还可以包括接口1203，该接口1203的数量可以是多个。该接口1203可以与应用程序连接，并且可以接收外部设备如传感器的数据等。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的目标检测算法的测试方法的步骤。
此外，在本文中使用词语“示例性的”以表示充当示例、实例、示图。在本文中被描述为“示例性的”任何方面或设计都不一定理解为与其他方面或设计相比是有利的。相反，使用词语示例性的旨在以具体的方式呈现概念。如在本文中所使用的，术语“或”旨在表示包括性的“或”而不是排他性的“或”。即，除非另外指定，或者从上下文中清楚，否则“X应用A或B”旨在表示自然的包括性排列中的任何一种排列。即，如果X应用A；X应用B；或者X应用A和B两者，则“X应用A或B”在前述实例中的任何一个实例下都满足。另外，除非另外指定或者从上下文中清楚指向单数形式，否则如在该公开和所附权利要求中所使用的冠词“一”和“一个”通常被理解为表示“一个或多个”。
同样，尽管已经关于一个或多个实现示出并描述了本公开，但是在阅读并理解了该说明书和附图之后，本领域技术人员将想到等同的变型和修改。本公开包括所有这样的修改和变型，并且仅由权利要求的范围来限制。特别关于由上文所描述的组件（例如，元件、资源等）执行的各种功能，除非另外指出，否则用于描述这样的组件的术语旨在对应于执行所描述的组件的具体功能的任何组件（功能上等价的），即使结构上不等价于所公开的结构。另外，尽管可以已经关于几个实现中的仅仅一个而公开了本公开的特定的特征，但是如可以是期望的并且有利于任何给定的或特定的应用的那样，这样的特征可以与其它实现的一个或多个其它特征相结合。此外，就在具体实施方式或者权利要求中所使用的“包括”、“拥有”、“具有”、“有”、或其变型而言，这样的术语旨在作为类似于术语“包含”的方式是包括性的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
在上述详细描述中，参考了附图，其中通过图示的方式示出了可以实践本公开的特定方面。在这点上，可以参考所描述的图的取向来使用诸如“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示方向或表示位置关系的术语。由于所描述的器件的部件可以以多个不同的取向定位，所以方向术语可以用于说明的目的，而不是限制性的。应当理解，在不脱离本公开的概念的情况下，可以利用其它方面并且可以进行结构或逻辑改变。因此，以下详细描述不应被视为限制意义。
应当理解，除非另外特别指出，否则本文描述的各种本公开的一些实施例的特征可以彼此组合。如在本文中使用的，术语“和/或”包括相关所列项中的任一者以及任何两者或更多者的任何组合；类似地，“.......中的至少一个”包括相关所列项中的任一者以及任何两者或更多者的任何组合。
应当理解，除非另有明确的规定和限定，本公开的实施例中所采用的，术语“接合”、“附接”、“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本文中的具体含义。
此外，关于在表面“之上”形成或位于表面“之上”的部件、元件或材料层中所使用的词语“之上”在本文中可用于表示部件、元件或材料层“间接”定位（例如，放置、形成、沉积等）在该表面上而使得一个或多个附加部件、元件或层布置在该表面与所述部件、元件或材料层之间。然而，关于在表面“之上”形成或位于表面“之上”的部件、元件或材料层中所使用的词语“之上”还可以可选地具有特定含义：部件、元件或材料层“直接”定位（例如，放置、形成、沉积等）在该表面上、例如与该表面直接接触。
尽管本文中可使用诸如“第一”、“第二”和“第三”的术语来描述各种构件、部件、区域、层或区段，但是这些构件、部件、区域、层或区段并不受限于这些术语。相反地，这些术语仅用于将一个构件、部件、区域、层或区段与另一个构件、部件、区域、层或区段区分开。因此，在不脱离各示例的教导的情况下，本文所描述的示例中所提到的第一构件、部件、区域、层或区段也可以被称作第二构件、部件、区域、层或区段。另外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本文描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
应当理解，在本文中使用空间相对术语，诸如“上方”、“上部”、“下方”和“下部”等来描述图中所示的一个元件与另一元件的关系。除了附图中描绘的定向之外，这种空间相对术语还旨在包含装置在使用或操作中的不同定向。例如，如果附图中的装置被翻转，则描述为在相对于另一元件的“上方”或“上部”的元件则将处于相对于该另一元件的“下方”或“下部”。因此，根据装置的空间定向，术语“上方”包含上方和下方两种定向。装置可具有其他方式的定向（例如，旋转90度或处于其他定向），并且本文中使用的空间相对术语应相应地进行解释。
Claims (12)
1.一种目标检测算法的测试方法，其特征在于，所述方法包括：
基于目标检测算法对同一场景下采集的图像和点云进行目标检测，得到检测结果，其中，所述检查结果中包括一个或多个第一目标的检测数据；
对所述图像和所述点云进行目标标定，得到参考结果，其中所述参考结果中包括一个或多个第二目标的参考数据；
对所述第一目标和所述第二目标进行匹配，获取一个或多个目标匹配对，其中，所述目标匹配对中包括匹配成功的第一目标和第二目标；
基于所述目标匹配对中第一目标的检测数据和第二目标的参考数据，生成所述目标检测算法的测试结果数据。
2.根据权利要求1所述的方法，其特征在于，所述对所述第一目标和所述第二目标进行匹配，获取一个或多个目标匹配对，包括：
分别对所述图像和所述点云进行特征提取，并对提取的两个特征图进行融合，得到融合特征图；
从所述融合特征图中，分别获取所述第一目标的第一特征信息和所述第二目标的第二特征信息；
基于所述第一特征信息和所述第二特征信息，对所述第一目标和所述第二目标进行匹配，获取所述一个或多个目标匹配对。
3.根据权利要求2所述的方法，其特征在于，所述第一目标的第一特征信息的获取过程，包括：
针对每个第一目标，基于所述第一目标的检测数据，确定所述第一目标的第一锚点框；
基于所述第一锚点框确定所述第一目标在所述融合特征图上的第一位置区域，并将所述第一位置区域内的特征信息，确定为所述第一目标的第一特征信息。
4.根据权利要求2所述的方法，其特征在于，所述第二目标的第二特征信息的获取过程，包括：
针对每个第二目标，基于所述第二目标的参考数据，确定所述第二目标的第二锚点框；
基于所述第二锚点框确定所述第二目标在所述融合特征图上的第二位置区域，并将所述第二位置区域内的特征信息，确定为所述第二目标的第二特征信息。
5.根据权利要求1所述的方法，其特征在于，所述对所述第一目标和所述第二目标进行匹配，获取一个或多个目标匹配对，包括：
将所述图像和所述点云，以及所述检测结果和参考结果，输入预训练的目标匹配模型中，由所述预训练的目标匹配模型，对所述第一目标和所述第二目标进行匹配，获取所述一个或多个目标匹配对。
6.根据权利要求5所述的方法，其特征在于，所述由所述预训练的目标匹配模型，对所述第一目标和所述第二目标进行匹配，获取一个或多个目标匹配对，包括：
由所述目标匹配模型中的第一提取层对所述图像进行特征提取，得到第一特征图；
由所述目标匹配模型中的第二提取层对所述点云进行特征提取，得到第二特征图；
由所述目标匹配模型中的融合层，对所述第一特征图和所述第二特征图进行融合，得到融合特征图；
由所述目标匹配模型中的第三提取层，从所述融合特征图中，分别获取所述第一目标的第一特征信息和所述第二目标的第二特征信息；
由所述目标匹配模型中的目标匹配层，基于所述第一特征信息和所述第一特征信息，对所述第一目标集中的第一目标和所述第二目标集合中的第二目标进行匹配，获取所述一个或多个目标匹配对。
7.根据权利要求5所述的方法，其特征在于，所述目标匹配模型的训练过程，包括：
获取训练样本，所述训练样本中包括同一场景下的样本图像和样本点云，以及所述样本图像和所述样本点云对应的样本检测结果、样本参考结果和参考目标匹配对；
基于所述样本图像和所述样本点云，以及所述样本检测结果和所述样本参考结果，对待训练的目标匹配模型进行训练，得到所述样本图像和所述样本点云中两组目标的样本目标匹配对；
基于所述样本目标匹配对和所述参考目标匹配对的误差，对所述待训练的目标匹配模型的模型参数进行修正，并使用下一训练样本对修正后的目标匹配模型继续训练，直至训练结束得到所述预训练的目标匹配模型。
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述基于所述目标匹配对中第一目标的检测数据和第二目标的参考数据，生成所述目标检测算法的测试结果数据，包括：
基于所述目标匹配对中第一目标的检测数据和第二目标的参考数据，确定所述第一目标和所述第二目标间的误差数据；
基于每个目标匹配对的所述误差数据，生成所述目标检测算法的测试结果数据。
9.根据权利要求8所述的方法，其特征在于，所述检测数据和所述参考数据分别包括目标在多个维度上的状态数据，其中，所述基于所述目标匹配对中第一目标的检测数据和第二目标的参考数据，确定所述第一目标和所述第二目标间的误差数据，包括：
基于所述第一目标的检测数据和所述第二目标的参考数据，确定所述第一目标和所述第二目标间在多个维度上的误差子数据，其中所述误差数据包括每个维度上的所述误差子数据。
10.一种目标检测算法的测试装置，其特征在于，所述装置包括：
第一检测模块，用于基于目标检测算法对同一场景下采集的图像和点云进行目标检测，得到检测结果，其中，所述检查结果中包括一个或多个第一目标的检测数据；
第二检测模块，用于对所述图像和所述点云进行目标标定，得到参考结果，其中所述参考结果中包括一个或多个第二目标的参考数据；
匹配模块，用于对所述第一目标和所述第二目标进行匹配，获取一个或多个目标匹配对，其中，所述目标匹配对中包括匹配成功的第一目标和第二目标；
生成模块，用于基于所述目标匹配对中第一目标的检测数据和第二目标的参考数据，生成所述目标检测算法的测试结果数据。
11.一种服务器，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
实现权利要求1-9中任一项所述方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310749126.8A CN116503830B (zh) | 2023-06-25 | 2023-06-25 | 目标检测算法的测试方法、装置及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310749126.8A CN116503830B (zh) | 2023-06-25 | 2023-06-25 | 目标检测算法的测试方法、装置及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116503830A true CN116503830A (zh) | 2023-07-28 |
| CN116503830B CN116503830B (zh) | 2023-10-13 |
Family
ID=87325050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310749126.8A Active CN116503830B (zh) | 2023-06-25 | 2023-06-25 | 目标检测算法的测试方法、装置及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116503830B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180072020A (ko) * | 2016-12-20 | 2018-06-29 | 주식회사 수아랩 | 이미지 데이터의 보정 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 |
| CN111738349A (zh) * | 2020-06-29 | 2020-10-02 | 重庆紫光华山智安科技有限公司 | 目标检测算法的检测效果评估方法、装置、存储介质及设备 |
| CN111881032A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种面向自动驾驶软件系统激光雷达的分布式模糊测试方法 |
| CN112487884A (zh) * | 2020-11-16 | 2021-03-12 | 香港中文大学（深圳） | 一种交通违法行为检测方法、装置及计算机可读存储介质 |
| CN114626457A (zh) * | 2022-03-15 | 2022-06-14 | 阿波罗智联(北京)科技有限公司 | 一种目标检测方法、装置及电子设备 |
| CN115661589A (zh) * | 2022-11-16 | 2023-01-31 | 小米汽车科技有限公司 | 评测融合感知算法的方法、装置、存储介质及车辆 |
| CN115731435A (zh) * | 2022-10-31 | 2023-03-03 | 浙江零跑科技股份有限公司 | 一种标注校验方法、装置、设备和存储介质 |
| CN115830268A (zh) * | 2022-11-24 | 2023-03-21 | 北京百度网讯科技有限公司 | 用于优化感知算法的数据的获取方法、装置和存储介质 |
-
2023
- 2023-06-25 CN CN202310749126.8A patent/CN116503830B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180072020A (ko) * | 2016-12-20 | 2018-06-29 | 주식회사 수아랩 | 이미지 데이터의 보정 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 |
| CN111738349A (zh) * | 2020-06-29 | 2020-10-02 | 重庆紫光华山智安科技有限公司 | 目标检测算法的检测效果评估方法、装置、存储介质及设备 |
| CN111881032A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种面向自动驾驶软件系统激光雷达的分布式模糊测试方法 |
| CN112487884A (zh) * | 2020-11-16 | 2021-03-12 | 香港中文大学（深圳） | 一种交通违法行为检测方法、装置及计算机可读存储介质 |
| CN114626457A (zh) * | 2022-03-15 | 2022-06-14 | 阿波罗智联(北京)科技有限公司 | 一种目标检测方法、装置及电子设备 |
| CN115731435A (zh) * | 2022-10-31 | 2023-03-03 | 浙江零跑科技股份有限公司 | 一种标注校验方法、装置、设备和存储介质 |
| CN115661589A (zh) * | 2022-11-16 | 2023-01-31 | 小米汽车科技有限公司 | 评测融合感知算法的方法、装置、存储介质及车辆 |
| CN115830268A (zh) * | 2022-11-24 | 2023-03-21 | 北京百度网讯科技有限公司 | 用于优化感知算法的数据的获取方法、装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116503830B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112380317B (zh) | 高精地图更新方法、装置、电子设备和存储介质 | |
| CN111912416B (zh) | 用于设备定位的方法、装置及设备 | |
| CN112101092A (zh) | 自动驾驶环境感知方法及系统 | |
| CN110501036A (zh) | 传感器参数的标定检查方法及装置 | |
| CN110906954A (zh) | 一种基于自动驾驶平台的高精度地图测试评估方法和装置 | |
| US20220055652A1 (en) | Device and method for data fusion between heterogeneous sensors | |
| CN113255578B (zh) | 交通标识的识别方法及装置、电子设备和存储介质 | |
| CN110470333B (zh) | 传感器参数的标定方法及装置、存储介质和电子装置 | |
| CN105716568A (zh) | 自动驾驶系统中双目摄像头测距方法 | |
| CN111652050A (zh) | 一种交通标志的定位方法、装置、设备和介质 | |
| WO2019073024A1 (en) | WAY DETECTION METHOD | |
| US20200200870A1 (en) | Radar Sensor Misalignment Detection for a Vehicle | |
| CN112001453B (zh) | 一种视频事件检测算法的准确率计算方法及装置 | |
| CN109579774B (zh) | 一种基于深度实例分割网络的天线下倾角测量方法 | |
| CN110413942B (zh) | 车道线方程筛选方法及其筛选模块 | |
| CN113378694B (zh) | 生成目标检测和定位系统及目标检测和定位的方法及装置 | |
| CN116503830B (zh) | 目标检测算法的测试方法、装置及服务器 | |
| CN114396956A (zh) | 导航方法及装置、计算设备、存储介质和计算机程序产品 | |
| US20220404170A1 (en) | Apparatus, method, and computer program for updating map | |
| CN112232272B (zh) | 一种激光与视觉图像传感器融合的行人识别方法 | |
| Schilling et al. | Mind the gap-a benchmark for dense depth prediction beyond lidar | |
| CN104679011A (zh) | 基于稳定分支特征点的图像匹配导航方法 | |
| CN113566834A (zh) | 定位方法、定位装置、车辆和存储介质 | |
| CN113870359B (zh) | 基于随机梯度下降的激光雷达外参标定方法及装置 | |
| US20230025579A1 (en) | High-definition mapping |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |