[發明專利]障礙物檢測方法、裝置、電子設備以及存儲介質

有效

• 申請號: 201910385611.5
• 申請日: 2019-05-09
• 公開（公告）號: CN110263628B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 王聞簫;付聰;蔡登;何曉飛
• 申請（專利權）人: 杭州飛步科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 榮甜甜;劉芳

本發明提供一種障礙物檢測方法、裝置、電子設備以及存儲介質，方法包括：獲取車輛的待測方向的圖像；將圖像輸入卷積神經網絡模型，并獲取卷積神經網絡模型輸出的識別結果，卷積神經網絡模型是刪除過冗余過濾器后重新訓練建立的，冗余過濾器為整體重要性低于閾值的過濾器；識別結果用于指示車輛的待測方向是否存在障礙物。本發明提供的障礙物檢測方法，降低了檢測障礙物時電子設備所需的存儲量和計算量。

技術領域

本發明涉及無人駕駛領域，尤其涉及一種障礙物檢測方法、裝置、電子設備以及存儲介質。

背景技術

在無人駕駛領域，基于計算機視覺的道路場景下的障礙物(包括行人、非機動車、機動車等)檢測是一項最基本的任務，它為車輛的駕駛策略提供了必要的信息。其核心是通過將圖像發送給電子設備中的障礙物檢測程序，使得該障礙物檢測程序就能夠識別出圖像中是否存在障礙物。

在現有技術中，準確率最高的障礙物檢測方法都采用了深度卷積神經網絡模型。深度卷積神經網絡模型由多個卷積層和全連接層組成，是用于圖像識別的最重要深度學習框架之一。

然而，現有的采用深度卷積神經網絡的障礙物檢測方法，由于卷積神經網絡中存在大量冗余參數和不必要的計算，導致在障礙物檢測過程中，檢測障礙物時電子設備所需的存儲量和計算量較大。

發明內容

本發明提供一種障礙物檢測方法、裝置、電子設備以及存儲介質，以解決現有技術中檢測障礙物時電子設備所需的存儲量和計算量較大的問題。

本發明的第一個方面提供一種障礙物檢測方法，包括：

獲取車輛的待測方向的圖像；

將所述圖像輸入卷積神經網絡模型，并獲取所述卷積神經網絡模型輸出的識別結果，所述卷積神經網絡模型是刪除過冗余過濾器后重新訓練建立的，所述冗余過濾器為整體重要性低于閾值的過濾器；所述識別結果用于指示所述車輛的待測方向是否存在障礙物。

可選的，在所述獲取車輛的待測方向的圖像之前，還包括：

通過剪枝算法模型，刪除所述卷積神經網絡模型中冗余的過濾器。

可選的，在所述獲取所述卷積神經網絡模型輸出的識別結果之后，還包括：

根據所述識別結果，控制所述車輛的駕駛行為。

可選的，所述剪枝算法模型，包括：相似度確定層、均值確定層、局部重要性確定層、正則項確定層、整體重要性確定層、判斷層和刪除層；

所述相似度確定層，用于確定所述卷積神經網絡模型中第一過濾器和所述第一過濾器的同層過濾器之間的線性相似度；

所述均值確定層，用于根據所述線性相似度，確定所述第一過濾器的最大相似度均值；

所述局部重要性確定層，用于根據所述第一過濾器的最大相似度均值，對所述第一過濾器進行max歸一化處理，確定所述第一過濾器的局部重要性；

所述正則項確定層，用于確定所述第一過濾器所在層對應的正則項；

所述整體重要性確定層，用于根據所述正則項和所述局部重要性，確定所述第一過濾器的整體重要性；

所述判斷層，用于根據所述整體重要性和預設的刪除比例，確定所述第一過濾器為冗余過濾器；

所述刪除層，用于刪除所述卷積神經網絡模型中的冗余過濾器。

可選的，若所述第一過濾器位于所述卷積神經網絡模型的全連接層，所述相似度確定層，具體用于采用公式計算所述第一過濾器和所述第一過濾器的同層過濾器之間的線性相似度；