本申请实施例提供一种障碍物识别方法、装置、电子设备及存储介质，涉及图像处理技术领域。该方法包括接收摄像头获取的待识别图像；对所述待识别图像添加雨雪噪声，直至变为纯噪声图像；对所述纯噪声图像去噪，获得去雨雪噪声图像；对所述去雨雪噪声图像进行障碍物检测，获得检测结果。该方法能够在雨雪天气下准确检测障碍物，且对成像设备要求较低，解决了在低成本高效益前提下雨雪天气中的障碍物检测问题。测问题。测问题。
【技术实现步骤摘要】
一种障碍物识别方法、装置、电子设备及存储介质
[0001]本申请涉及图像处理
，具体而言，涉及一种障碍物识别方法、装置、电子设备及存储介质。
技术介绍
[0002]目前，钢铁企业力推打造一套全天候、全流程、高效安全的智能铁水运输系统，实现铁水运行区域的铁水调度智能化和机车驾驶无人化，提高铁水运输调度计划的精确性和及时性，提高铁水调度和机车调度的作业效率。
[0003]为实现这套系统，需要实现作业全流程自动化。但是钢厂环境下的自动驾驶机车，在雨雪等恶劣天气条件下难以准确检测障碍物，这可能导致钢铁厂存在不安全生产作业情况。在自动驾驶领域，现有的障碍物检测检测方法如基于相机的障碍物检测技术、基于毫米波雷达的障碍物检测技术以及基于激光雷达的障碍物检测技术，受雨雪天气的影响较大导致容易误判障碍物且成本较高。
技术实现思路
[0004]本申请实施例的目的在于提供一种障碍物识别方法、装置、电子设备及存储介质，能够在雨雪天气下准确检测障碍物，且对成像设备要求较低，解决了在低成本高效益前提下雨雪天气中的障碍物检测问题。
[0005]本申请实施例提供了一种障碍物识别方法，所述方法包括：
[0006]接收摄像头获取的待识别图像；
[0007]对所述待识别图像添加雨雪噪声，直至变为纯噪声图像；
[0008]对所述纯噪声图像去噪，获得去雨雪噪声图像；
[0009]对所述去雨雪噪声图像进行障碍物检测，获得检测结果。
[0010]在上述实现过程中，采用扩散模型原理，将摄像头获取的待识别图像增加雨雪噪声，再进行雨雪去噪，得到无雨雪噪声的图像，从而去除了雨雪等天气因素对障碍物检测的影响，从而提高了检测准确率，且对成像设备要求较低，成本低，解决了现有方法受雨雪天气的影响较大导致容易误判障碍物且成本较高的问题。
[0011]进一步地，所述对所述待识别图像添加雨雪噪声，直至变为纯噪声图像，包括：
[0012]对当前状态下的待识别图像添加雨雪噪声，并进行采样，作为当前状态的采样图像；
[0013]对当前状态的采样图像添加雨雪噪声，并进行采样，将采样结果作为下一状态的采样图像，重复添加雨雪噪声和采样动作，直至获得纯噪声图像。
[0014]在上述实现过程中，不断向待识别图像中添加雨雪噪声，从而将待识别图像变为纯噪声图像，以便根据纯噪声图像获得无噪声图像。
[0015]进一步地，所述对所述纯噪声图像去噪，获得去雨雪噪声图像，包括：
[0016]构建新高斯分布，且所述新高斯分布的方差与采样图像高斯分布的方差一致，并
初始化所述新高斯分布的均值：
[0017]将缩小所述采样图像高斯分布和所述新高斯分布的差距转化为优化目标函数；
[0018]通过转换采样图像高斯分布和所述新高斯分布的均值，转换目标函数；
[0019]通过迭代训练和梯度下降进行更新，直至模型收敛，获得去雨雪噪声图像。
[0020]在上述实现过程中，对纯噪声图像进行过滤，从而获得无噪声图像，以便提高障碍物检测准确度。
[0021]进一步地，所述对所述去雨雪噪声图像进行障碍物检测，获得检测结果，包括：
[0022]将所述去雨雪噪声图像在不同图像细粒度上聚合，生成图像特征的卷积神经网络；
[0023]基于所述卷积神经网络对图像特征进行组合，并将图像特征传递至预测层，以在预测层获得预测结果。
[0024]在上述实现过程中，对去除雨雪噪声的图像进行障碍物识别，可准确得到识别结果。
[0025]本申请实施例还提供一种障碍物识别装置，所述装置包括：
[0026]图像接收模块，用于接收摄像头获取的待识别图像；
[0027]加雨雪噪声模块，用于对所述待识别图像添加雨雪噪声，直至变为纯噪声图像；
[0028]去噪模块，用于对所述纯噪声图像去噪，获得去雨雪噪声图像；
[0029]障碍物检测模块，用于对所述去雨雪噪声图像进行障碍物检测，获得检测结果。
[0030]在上述实现过程中，采用扩散模型原理，将摄像头获取的待识别图像增加雨雪噪声，再进行雨雪去噪，得到无雨雪噪声的图像，从而去除了雨雪等天气因素对障碍物检测的影响，从而提高了检测准确率，且对成像设备要求较低，成本低，解决了现有方法受雨雪天气的影响较大导致容易误判障碍物且成本较高的问题。
[0031]进一步地，所述加雨雪噪声模块包括：
[0032]加噪模块，用于对当前状态下的待识别图像添加雨雪噪声，并进行采样，作为当前状态的采样图像；
[0033]采样模块，用于对当前状态的采样图像添加雨雪噪声，并进行采样，将采样结果作为下一状态的采样图像，重复添加雨雪噪声和采样动作，直至获得纯噪声图像。
[0034]在上述实现过程中，不断向待识别图像中添加雨雪噪声，从而将待识别图像变为纯噪声图像，以便根据纯噪声图像获得无噪声图像。
[0035]进一步地，所述去噪模块包括：
[0036]新高斯分布构建模块，用于构建新高斯分布，且所述新高斯分布的方差与采样图像高斯分布的方差一致，并初始化所述新高斯分布的均值：
[0037]目标函数确定模块，用于将缩小所述采样图像高斯分布和所述新高斯分布的差距转化为优化目标函数；
[0038]目标函数转换模块，用于通过转换采样图像高斯分布和所述新高斯分布的均值，转换目标函数；
[0039]去雨雪噪声图像获取模块，用于通过迭代训练和梯度下降进行更新，直至模型收敛，获得去雨雪噪声图像。
[0040]在上述实现过程中，对纯噪声图像进行过滤，从而获得无噪声图像，以便提高障碍
物检测准确度。
[0041]进一步地，所述障碍物检测模块包括：
[0042]主干网络模块，用于将所述去雨雪噪声图像在不同图像细粒度上聚合，生成图像特征的卷积神经网络；
[0043]网络层模块，用于基于所述卷积神经网络对图像特征进行组合，并将图像特征传递至预测层，以在预测层获得预测结果。
[0044]在上述实现过程中，对去除雨雪噪声的图像进行障碍物识别，可准确得到识别结果。
[0045]本申请实施例还提供一种电子设备，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行计算机程序以使所述电子设备执行上述中任一项所述的障碍物识别方法。
[0046]本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述中任一项所述的障碍物识别方法。
附图说明
[0047]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0048]图1为本申请实施例提供本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种障碍物识别方法，其特征在于，所述方法包括：接收摄像头获取的待识别图像；对所述待识别图像添加雨雪噪声，直至变为纯噪声图像；对所述纯噪声图像去噪，获得去雨雪噪声图像；对所述去雨雪噪声图像进行障碍物检测，获得检测结果。2.根据权利要求1所述的障碍物识别方法，其特征在于，所述对所述待识别图像添加雨雪噪声，直至变为纯噪声图像，包括：对当前状态下的待识别图像添加雨雪噪声，并进行采样，作为当前状态的采样图像；对当前状态的采样图像添加雨雪噪声，并进行采样，将采样结果作为下一状态的采样图像，重复添加雨雪噪声和采样动作，直至获得纯噪声图像。3.根据权利要求1所述的障碍物识别方法，其特征在于，所述对所述纯噪声图像去噪，获得去雨雪噪声图像，包括：构建新高斯分布，且所述新高斯分布的方差与采样图像高斯分布的方差一致，并初始化所述新高斯分布的均值：将缩小所述采样图像高斯分布和所述新高斯分布的差距转化为优化目标函数；通过转换采样图像高斯分布和所述新高斯分布的均值，转换目标函数；通过迭代训练和梯度下降进行更新，直至模型收敛，获得去雨雪噪声图像。4.根据权利要求3所述的障碍物识别方法，其特征在于，所述对所述去雨雪噪声图像进行障碍物检测，获得检测结果，包括：将所述去雨雪噪声图像在不同图像细粒度上聚合，生成图像特征的卷积神经网络；基于所述卷积神经网络对图像特征进行组合，并将图像特征传递至预测层，以在预测层获得预测结果。5.一种障碍物识别装置，其特征在于，所述装置包括：图像接收模块，用于接收摄像头获取的待识别图像；加雨雪噪声模块，用于对所述待识别图像添加雨雪噪声，直至变为纯噪声图像；去噪模块，用于对所述纯噪声图像去噪，获得去雨雪噪声图像；障碍物检测模块，用于对所述去...
【专利技术属性】
技术研发人员：张志勇，黄秋艳，钟伟，
申请(专利权)人：重庆赛迪奇智人工智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。