[发明专利]障碍物检测方法、装置、电子设备以及存储介质

权利要求书

1.一种障碍物检测方法，其特征在于，包括：

通过剪枝算法模型，删除卷积神经网络模型中冗余的过滤器，所述剪枝算法模型，包括：相似度确定层、均值确定层、局部重要性确定层、正则项确定层、整体重要性确定层、判断层和删除层；

所述相似度确定层，用于确定所述卷积神经网络模型中第一过滤器和所述第一过滤器的同层过滤器之间的线性相似度；

所述均值确定层，用于根据所述线性相似度，确定所述第一过滤器的最大相似度均值；

所述局部重要性确定层，用于根据所述第一过滤器的最大相似度均值，对所述第一过滤器进行max归一化处理，确定所述第一过滤器的局部重要性；

所述正则项确定层，用于确定所述第一过滤器所在层对应的正则项；

所述整体重要性确定层，用于根据所述正则项和所述局部重要性，确定所述第一过滤器的整体重要性；

所述判断层，用于根据所述整体重要性和预设的删除比例，确定所述第一过滤器为冗余过滤器；

所述删除层，用于删除所述卷积神经网络模型中的冗余过滤器；

获取车辆的待测方向的图像；

将所述图像输入卷积神经网络模型，并获取所述卷积神经网络模型输出的识别结果，所述卷积神经网络模型是删除过冗余过滤器后重新训练建立的，所述冗余过滤器为整体重要性低于阈值的过滤器；所述识别结果用于指示所述车辆的待测方向是否存在障碍物。

2.根据权利要求1所述的方法，其特征在于，在所述获取所述卷积神经网络模型输出的识别结果之后，还包括：

根据所述识别结果，控制所述车辆的驾驶行为。

3.根据权利要求1所述的方法，其特征在于，若所述第一过滤器位于所述卷积神经网络模型的全连接层，所述相似度确定层，具体用于采用公式计算所述第一过滤器和所述第一过滤器的同层过滤器之间的线性相似度；

其中，sim为相似度函数，corr为线性相关性函数，X_m1为第m1个输入节点，X_m2为第m2个输入节点，为X_m1对应的权重，为X_m2对应的权重，μ为均值，σ为标准差，E为期望值。

4.根据权利要求1所述的方法，其特征在于，若所述第一过滤器位于所述卷积神经网络模型的卷积层，所述相似度确定层，具体用于采用公式计算所述第一过滤器和所述第一过滤器同层的过滤器之间的相似度；

其中，sim为相似度函数，corr为线性相关性函数，X_m1为第m1个输入节点，X_m2为第m2个输入节点，为X_m1与每个节点连接的权重，为X_m2与每个节点连接的权重，K为卷积核大小。

5.根据权利要求1所述的方法，其特征在于，所述局部重要性确定层，具体用于采用公式

计算所述第一过滤器的局部重要性；

其中，Imp为局部重要性，sim为相似度函数，k为可调参数，TopK为取最大k个数值的函数。

6.根据权利要求1所述的方法，其特征在于，所述正则项确定层，具体用于采用公式

计算所述第一过滤器所在层对应的正则项；

其中，Reg^l为第l层的过滤器的正则项，β和γ均为可调参数，C^l为第l层计算量，C^u为第u层计算量，S^l为第l层参数量，Su为第u层参数量，L为神经网络的层数。

7.根据权利要求1所述的方法，其特征在于，所述整体重要性确定层，具体用于采用公式计算所述第一过滤器的整体重要性；

其中，ReImp为整体重要性，为第l层的第m个节点，Imp为局部重要性，Reg^l为第l层的过滤器的正则项。