[发明专利]障碍物检测方法、装置、电子设备以及存储介质

说明书

本发明提供一种障碍物检测方法、装置、电子设备以及存储介质，方法包括：获取车辆的待测方向的图像；将图像输入卷积神经网络模型，并获取卷积神经网络模型输出的识别结果，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，冗余过滤器为整体重要性低于阈值的过滤器；识别结果用于指示车辆的待测方向是否存在障碍物。本发明提供的障碍物检测方法，降低了检测障碍物时电子设备所需的存储量和计算量。

技术领域

本发明涉及无人驾驶领域，尤其涉及一种障碍物检测方法、装置、电子设备以及存储介质。

背景技术

在无人驾驶领域，基于计算机视觉的道路场景下的障碍物(包括行人、非机动车、机动车等)检测是一项最基本的任务，它为车辆的驾驶策略提供了必要的信息。其核心是通过将图像发送给电子设备中的障碍物检测程序，使得该障碍物检测程序就能够识别出图像中是否存在障碍物。

在现有技术中，准确率最高的障碍物检测方法都采用了深度卷积神经网络模型。深度卷积神经网络模型由多个卷积层和全连接层组成，是用于图像识别的最重要深度学习框架之一。

然而，现有的采用深度卷积神经网络的障碍物检测方法，由于卷积神经网络中存在大量冗余参数和不必要的计算，导致在障碍物检测过程中，检测障碍物时电子设备所需的存储量和计算量较大。

发明内容

本发明提供一种障碍物检测方法、装置、电子设备以及存储介质，以解决现有技术中检测障碍物时电子设备所需的存储量和计算量较大的问题。

本发明的第一个方面提供一种障碍物检测方法，包括：

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。

可选的，在所述获取车辆的待测方向的图像之前，还包括：

通过剪枝算法模型，删除所述卷积神经网络模型中冗余的过滤器。

可选的，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。

可选的，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。

可选的，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；