本申请涉及计算机视觉领域，尤其涉及一种目标识别方法、装置、计算机设备及存储介质。
背景技术：
1、随着互联网自媒体与计算机技术的快速发展，网络虚拟现实(virtual realityvr)/增强现实(augmented reality ar)技术逐渐兴起。然而在vr/ar逐渐推广后，由于维度的增长，以及点云数据的无序化导致难以对三维图像中的目标进行有效识别。
技术实现思路
1、有鉴于此，本申请实施例提供一种目标识别方法、装置、计算机设备及存储介质。
2、本申请实施例的技术方案是这样实现的：
3、本申请实施例提供一种目标识别方法，所述方法包括：
4、基于输入图像的第一点云和特征提取网络确定第一目标检测框；所述输入图像中包括待识别对象；所述特征提取网络包括用于特征提取的具有动态卷积核的卷积层；所述第一目标检测框中包括具有所述待识别对象的点数据的第二点云；
5、基于所述第二点云和所述特征提取网络确定多个第二目标检测框；每一所述第二目标检测框包括所述待识别对象的一个部位的点数据；
6、基于每一所述第二目标检测框内的点数据对所述待识别对象进行识别。
7、在上述方案中，所述特征提取网络还包括上采样层；所述基于输入图像的第一点云和特征提取网络确定第一目标检测框，包括：
8、基于所述卷积层对所述第一点云进行全局特征信息提取，得到所述第一点云的全局特征信息；
9、基于所述上采样层和所述全局特征信息，确定所述第一点云中每一个点数据的特征信息；
10、基于所述第一点云中每一个点数据的特征信息，从所述第一点云中分割出前景点；
11、基于分割出的前景点确定所述第一目标检测框。
12、在上述方案中，所述卷积层包括采集层和特征提取层；所述基于所述卷积层对所述第一点云进行全局特征信息提取，得到所述第一点云的全局特征信息，包括：
13、基于所述采集层对所述第一点云进行采样处理，得到采样数据集；
14、基于所述特征提取层对所述采样数据集进行全局特征提取，得到所述第一点云的全局特征信息。
15、在上述方案中，所述采集层包括第一采样层和第二采样层；所述基于所述采集层对所述第一点云进行采样处理，得到采样数据集，包括：
16、基于所述第一采样层对所述第一点云进行采样，得到多个采样点；
17、针对每一所述采样点，基于所述第二采样层和预设半径生成采样区域；每一所述采样区域中包括的点数据为一个采样组；
18、将所有所述采样点对应的采样组的合集作为所述采样数据集。
19、在上述方案中，所述特征提取层包括动态卷积层和池化层；所述基于所述特征提取层对所述采样数据集进行全局特征提取，得到所述第一点云的全局特征信息，包括：
20、基于所述动态卷积层对所述采样数据集进行特征提取；
21、将所述动态卷积层提取到的特征输入至所述池化层进行动态池化处理，得到所述第一点云的全局特征信息。
22、在上述方案中，所述基于第二点云和所述特征提取网络确定多个第二目标检测框，包括：
23、基于所述特征提取网络对所述第二点云进行局部特征信息提取；
24、基于所述特征提取网络提取到的第二点云的局部特征信息，对所述第二点云进行分割，得到所述待识别对象的每一部位的点数据；
25、基于所述待识别对象的每一部位的点数据，确定所述多个第二目标检测框。
26、在上述方案中，所述基于每一所述第二目标检测框内的点数据对所述待识别对象进行识别，包括：
27、基于每一所述第二目标检测框内的点数据的特征，确定所述待识别对象与预设样本库中样本对象的相似度；
28、若所述预设样本库中存在与所述待识别对象的相似度大于阈值的第一样本对象，确定所述待识别对象为所述第一样本对象。
29、另一方面，本申请实施例提供一种目标识别装置，所述装置包括：
30、确定模块，用于基于输入图像的第一点云和特征提取网络确定第一目标检测框；所述输入图像中包括待识别对象；所述特征提取网络包括用于特征提取的具有动态卷积核的卷积层；所述第一目标检测框中包括具有待识别对象的点数据的第二点云；
31、所述确定模块，还用于基于所述第二点云和所述特征提取网络确定多个第二目标检测框；每一所述第二目标检测框包括所述待识别对象的一个部位的点数据；
32、识别模块，用于基于每一所述第二目标检测框内的点数据对所述待识别对象进行识别。
33、另一方面，本申请实施例提供一种计算机设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
34、另一方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
35、本申请实施例提供的技术方案，基于输入图像的第一点云和特征提取网络确定第一目标检测框，输入图像中包括待识别对象。特征提取网络包括用于特征提取的具有动态卷积核的卷积层，第一目标检测框中包括具有待识别对象的点数据的第二点云。基于第二点云和特征提取网络确定多个第二目标检测框，每一第二目标检测框包括待识别对象的一个部位的点数据，基于每一第二目标检测框内的点数据对待识别对象进行识别。本申请实施例通过具有动态卷积层的特征提取网络对输入图像的第一点云进行特征提取，获取具有待识别对象的第二点云的第一目标检测框，再通过特征提取网络对第二点云进行特征提取，识别出待识别对象的每一部位，生成对应的第二目标检测框，基于每一第二目标检测框内的点数据对待识别对象进行识别，本实施例通过引入动态卷积的思想强化特征提取，改进了传统方法中存在的不足，在保留较多点云细节数据的情况下实现了对点云数据中待识别对象的的自动识别。
1.一种目标识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述方法，其特征在于，所述特征提取网络还包括上采样层；所述基于输入图像的第一点云和特征提取网络确定第一目标检测框，包括：
3.根据权利要求2所述方法，其特征在于，所述卷积层包括采集层和特征提取层；所述基于所述卷积层对所述第一点云进行全局特征信息提取，得到所述第一点云的全局特征信息，包括：
4.根据权利要求3所述方法，其特征在于，所述采集层包括第一采样层和第二采样层；所述基于所述采集层对所述第一点云进行采样处理，得到采样数据集，包括：
5.根据权利要求3所述方法，其特征在于，所述特征提取层包括动态卷积层和池化层；所述基于所述特征提取层对所述采样数据集进行全局特征提取，得到所述第一点云的全局特征信息，包括：
6.根据权利要求1所述方法，其特征在于，所述基于第二点云和所述特征提取网络确定多个第二目标检测框，包括：
7.根据权利要求1所述方法，其特征在于，所述基于每一所述第二目标检测框内的点数据对所述待识别对象进行识别，包括：
8.一种目标识别装置，其特征在于，所述装置包括：
9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
