障碍物识别方法、装置、计算机存储介质和电子设备制造方法及图纸

本公开实施例涉及一种障碍物识别方法、装置、计算机存储介质和电子设备。本公开至少一个实施例中，获取待识别图像；通过机器学习模型识别所述待识别图像中的障碍物；其中，所述机器学习模型为根据道路场景特征对道路场景的障碍物进行重新定义，并根据重新定义后的障碍物进行训练所得到的机器学习模型；所述障碍物包括所有影响车辆行驶的因素。相比于现有技术中利用目标检测的方法分别标定各种类型的物体，然后分别判断各种物体是不是障碍物的方式，能够大幅降低障碍物识别的难度，且针对不同的场景具备更强的适应性。

【技术实现步骤摘要】
障碍物识别方法、装置、计算机存储介质和电子设备
本公开的实施例涉及人工智能
，尤其涉及一种障碍物识别方法、装置、计算机存储介质和电子设备。
技术介绍
在自动驾驶技术中，障碍物检测是一个非常重要的课题。当前主流的障碍物检测方案采用的都是类FasterRCNN(Region-basedConvolutionalNeuralNetwork，基于区域的卷积神经网络)的框架，该类方案的基本步骤包括：1.建议窗生成:采用建议窗生成算法生成建议窗作为障碍物目标的待检区域，包括采用选择性搜索selectivesearch,堆bing，滑窗法或其它类似算法生成建议窗，在类FasterRCNN框架中，均通过在特征图上进行滑窗的方法来实现建议窗的生成，并通过后续接入的卷积神经网络结构来判定生成的候选建议窗是否为含有目标的建议窗，对于包含目标的建议窗再进行坐标偏移量回归，由此实现障碍物疑似区域的筛选。2.疑似区域特征提取：采用卷积神经网络结构对建议窗生成算法生成得到的疑似区域进行特征提取，将疑似区域从特征图中裁剪出来，并规范化为一组固定尺寸的特征图，后续采用全连接层或者池化模块对该特征图进行向量化，得到一个可表征该疑似区域的特征向量。3.障碍物目标识别：采用softmax层以及坐标回归层对疑似区域进行类别判别以及坐标回归，该步骤将根据算法训练过程中定义的目标种类对疑似区域进行识别并对疑似区域的坐标进行回归，得到最终的识别以及回归结果。4.非极大值抑制：由于建议窗生成算法生成候选区域的过程是盲目的，因此生成的候选区域中存在大量大面积重合的区域，因此需要采用非极大值抑制算法对最终结果进行过滤优化最终结果。在对现有技术研究的过程中，专利技术人发现现有技术存在如下缺点：检测目标种类有限且受限于算法离线训练的结果，通用性差，当碰到算法训练过程中没有预测的目标类别时就会发生漏检，因此，不能保证当前技术方案可在各种场景下正常工作，无法适用于复杂的交通环境。
技术实现思路
本公开至少一个实施例的主要目的在于至少部分的解决上述问题。第一方面，本公开的实施例提供了一种障碍物识别方法，包括：获取待识别图像；通过机器学习模型识别所述待识别图像中的障碍物；其中，所述机器学习模型为根据道路场景特征对道路场景的障碍物进行重新定义，并根据重新定义后的障碍物进行训练所得到的机器学习模型；所述障碍物包括所有影响车辆行驶的因素。在一些实施例中，所述获取待识别图像，包括：获取交通场景图；对获取到的交通场景图进行预处理，以生成适合输入到所述机器学习模型的待识别图像。在一些实施例中，所述机器学习模型为基于全卷积网络的深度学习模型。在一些实施例中，所述基于全卷积网络的深度学习模型包括1个输入层、4个卷积模块、3个池化模块、7个Inception模块、3个上采样模块和1个输出层。在一些实施例中，所述通过机器学习模型识别所述待识别图像中的障碍物，包括：通过图形处理器GPU加速方式识别所述待识别图像中的障碍物。在一些实施例中，所述通过机器学习模型识别所述待识别图像中的障碍物之后，所述方法包括；根据相机标定参数以及识别结果，并通过IPM的方式变换生成障碍物的俯视定位图。在一些实施例中，所述方法还包括：将所述俯视定位图进行栅格化，得到障碍物的栅格定位图。第二方面，本公开的实施例提供了一种障碍物识别装置，包括：获取模块，用于获取待识别图像；识别模块，用于通过机器学习模型识别所述待识别图像中的障碍物；其中，所述机器学习模型为根据道路场景特征对道路场景的障碍物进行重新定义，并根据重新定义后的障碍物进行训练所得到的机器学习模型；所述障碍物包括所有影响车辆行驶的因素。在一些实施例中，所述获取模块，用于获取待识别图像，包括：获取交通场景图；对获取到的交通场景图进行预处理，以生成适合输入到所述机器学习模型的待识别图像。在一些实施例中，所述机器学习模型为基于全卷积网络的深度学习模型。在一些实施例中，所述基于全卷积网络的深度学习模型包括1个输入层、4个卷积模块、3个池化模块、7个Inception模块、3个上采样模块和1个输出层。在一些实施例中，所述识别模块，用于通过机器学习模型识别所述待识别图像中的障碍物，包括：通过图形处理器GPU加速方式识别所述待识别图像中的障碍物。在一些实施例中，还包括；变换模块，用于在所述识别模块通过机器学习模型识别所述待识别图像中的障碍物之后，根据相机标定参数以及识别结果，通过IPM的方式变换生成障碍物的俯视定位图。在一些实施例中，还包括：栅格化模块，用于将所述俯视定位图进行栅格化，得到障碍物的栅格定位图。第三方面，本公开的实施例提供了一种计算机存储介质，所述计算机存储介质中存储有可被计算机设备执行的指令代码；所述指令代码在被计算机设备执行时，执行如第一方面任一项所述的方法。第四方面，公开的实施例提供了一种电子设备，所述电子设备包括至少一个处理器和一个存储器，所述存储器耦接至所述处理器；所述处理器被配置为执行所述存储器中存储的计算机指令；所述存储器在执行所述计算机指令时，执行如第一方面任一项所述的方法。在一些实施例中，所述电子设备为车载设备。本公开至少一个实施例中，获取待识别图像；通过机器学习模型识别所述待识别图像中的障碍物；其中，所述机器学习模型为根据道路场景特征对道路场景的障碍物进行重新定义，并根据重新定义后的障碍物进行训练所得到的机器学习模型；所述障碍物包括所有影响车辆行驶的因素。相比于现有技术中利用目标检测的方法分别标定各种类型的物体，然后分别判断各种物体是不是障碍物的方式，能够大幅降低障碍物识别的难度，且针对不同的场景具备更强的适应性。附图说明图1示出了本公开一实施例提供的电子设备的主要结构；图2示出了本公开一实施例提供的障碍物识别方法的主要流程；图3示出了利用本公开一实施例提供的障碍物识别方法的识别结果；图4a示出了一个交通场景图；图4b示出了利用本公开一实施例提供的障碍物识别方法对图4a中的图片进行识别的结果；图5示出了本公开一实施例中所使用的基于深度学习的卷积神经网络的模型的架构；图6示出了图5中所示的卷积神经网络的模型中部分模块的结构的示意图；图7示出了利用本公开一实施例提供的障碍物识别方法得到的一个鸟瞰图；图8示出了利用本公开一实施例提供的障碍物识别方法得到的一个栅格图经过三维变换之后得到的图像；图9示出了本公开一实施例提供的障碍物识别装置的主要结构。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本公开，并不用于限定本公开。以下将描述一个或多个特定实施例。为了提供对这些实施例的简洁说明，在说明书中并未描述实际实施方式的所有特征。应当意识到的是，在开发任一个这种实际实现方式时，如同在任意工程或设计项目中，多种特定于实现方式的决定必须被做出以实现开发者的特定目标，诸如遵从系统相关和商业相关的约束条件，这可能随着实施方式的不同而不同。而且，应当意识到，这种开发工作可能是复杂且耗时的，但是对于从本公开中得益的本领域普通技术人员来说将仍然只是设计、构造和生产的常规任务。如在以下将要讨论的，本公开的实施例主要是涉及对交通场景中的图像进行识别，确定图像中的障碍物的技术；特别的，本公开一些实施例的特定方面可能涉及在识别障碍物后图像的处理的过程。本文档来自技高网...

【技术保护点】
1.一种障碍物识别方法，其特征在于，包括：获取待识别图像；通过机器学习模型识别所述待识别图像中的障碍物；其中，所述机器学习模型为根据道路场景特征对道路场景的障碍物进行重新定义，并根据重新定义后的障碍物进行训练所得到的机器学习模型；所述障碍物包括所有影响车辆行驶的因素。

【技术特征摘要】
1.一种障碍物识别方法，其特征在于，包括：获取待识别图像；通过机器学习模型识别所述待识别图像中的障碍物；其中，所述机器学习模型为根据道路场景特征对道路场景的障碍物进行重新定义，并根据重新定义后的障碍物进行训练所得到的机器学习模型；所述障碍物包括所有影响车辆行驶的因素。2.根据权利要求1所述的方法，其特征在于，所述获取待识别图像，包括：获取交通场景图；对获取到的交通场景图进行预处理，以生成适合输入到所述机器学习模型的待识别图像。3.根据权利要求1所述的方法，其特征在于，所述机器学习模型为基于全卷积网络的深度学习模型。4.根据权利要求3所述的方法，其特征在于，所述基于全卷积网络的深度学习模型包括1个输入层、4个卷积模块、3个池化模块、7个Inception模块、3个上采样模块和1个输出层。5.一种障碍物识别装置，其特征在于，包括：获取模块，用于获取待识别图像；识别模块，用于通过机器学习模型识别所述待识别图像中的障碍物；其中，所述机器学习模型为根据道路场景特征对道路场景的障碍物进行重新定义，并根据重新定...

【专利技术属性】
技术研发人员：李斌，韦涛，
申请(专利权)人：驭势科技北京有限公司，
类型：发明
国别省市：北京,11