本技术公开了一种激光雷达目标检测方法、系统、终端及存储介质,所述方法包括:获取目标点云数据,判断所述目标点云数据的总点数是否超过最大点数限制;当所述目标点云数据的总点数超过所述最大点数限制时,通过基于密度与深度动态权重融合的点云采样方法对所述目标点云数据进行加权采样,得到采样点云数据;对所述采样点云数据进行体柱化,得到体柱化点云数据,根据改进后的特征编码模块对所述体柱化点云数据进行处理,输出目标张量;根据所述目标张量生成伪图像,根据二维卷积神经网络对所述伪图像进行特征提取,并采用检测头对提取的特征进行检测和回归,得到检测结果。本发明提升了在物体识别和分割任务中的精度与鲁棒性。
背景技术
目前在自动驾驶领域广泛应用的三维目标检测算法中,大多数的特点是检测精度较高,且速度快,易于部署在移动终端计算设备上。例如PointPillars算法是一种在自动驾驶领域广泛应用的三维目标检测算法,其核心思想是将激光雷达生成的三维点云数据转换为伪图像,然后利用二维卷积神经网络进行特征提取。
然而,这些算法将三维点云信息投影到二维平面,会损失物体的一部分细节特征,导致对小目标(如行人、自行车)等的识别精度较低,因此在实际应用中存在一定局限性。
因此,现有技术还有待于改进和发展。
实现思路