[发明专利]网状障碍物识别方法、装置、电子设备及计算机存储介质

说明书

本发明涉及一种网状障碍物识别方法、装置、电子设备及计算机存储介质，其方法包括获取待识别图像，其中，所述待识别图像中包括网状障碍物；将所述待识别图像输入训练完备的语义分割预测模型中，输出待识别图像的语义分割图；获取所述待识别图像的深度图；将所述语义分割图与所述深度图进行图像融合，并对融合图像进行像素分析，以确定网状障碍物的深度信息。本发明通过将语义分割图和深度图进行图像融合，利用语义分割图的精准分类特点得到网状障碍物的精准深度信息，提高了无人驾驶设备对网状障碍物的识别精度，保障了驾驶安全。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种网状障碍物识别方法、装置、电子设备及计算机存储介质。

背景技术

无人驾驶技术可以分为三大模块，感知、认知和控制，首先需要对环境进行准确的感知，然后对信息进行处理，最后向汽车的控制系统发出指令，实现具体的功能。

在感知部分，存在着大量的传感器，它们互相协调工作，尽可能多的获取有效信息以使车辆沿着正确的路径移动，比如激光雷达、毫米波雷达、超声波雷达、相机、惯性导航(IMU)、轮式里程计等，其中最具有可操作性、扩展性的传感器当属相机，因为它最接近于人眼识别环境的原理，所以相机在无人驾驶上的应用非常广泛，并且吸引了大量的学者、工程师来研究。

通常情况下，无人驾驶车辆都会被要求在白天或是光线充足条件下运行，而且随着硬件技术的发展，计算机的算力越来越充足，所携带的相机能够满足大多数条件下的环境感知任务。但是针对网状障碍识别，因为网状目标过于细小，而且网状物常常水平分布，导致双目摄像头的左右相机看到的网状物没有明显的视差，因此难以识别网状物障碍，存在安全隐患。

发明内容

有鉴于此，有必要提供一种网状障碍识别方法、装置、电子设备及计算机存储介质，用以解决现有技术中对网状障碍物识别精度低，导致无人驾驶设备碰撞的问题。

为了解决上述问题，第一方面本发明提供一种网状障碍物识别方法，包括：

获取待识别图像，其中，所述待识别图像中包括网状障碍物；

将所述待识别图像输入训练完备的语义分割预测模型中，输出待识别图像的语义分割图；

获取所述待识别图像的深度图；

将所述语义分割图与所述深度图进行图像融合，并对融合图像进行像素分析，以确定网状障碍物的深度信息。

进一步的，所述训练完备的语义分割预测模型是基于PSPNet神经网络进行训练的；

所述PSPNet神经网络的结构包括特征提取子网络、池化子网络与卷积子网络。

进一步的，所述语义分割预测模型的训练过程，包括：

获取包括网状障碍物的图片集，并对所述图片集标注分类标签，得到分类结果集；

将所述图片集与每一图片对应的分类结果组成数据集，其中，所述数据集中包括训练集、测试集及预测集；

将所述训练集输入PSPNet神经网络中进行训练，在达到预设的损失条件后，获取训练好的模型参数，并基于PSPNet神经网络加载所述训练好的模型参数，完成所述语义分割预测模型的训练；

其中，所述将所述训练集输入PSPNet神经网络中进行训练，具体包括：

利用所述特征提取子网络提取所述训练集中的第一图片特征层；

利用所述池化子网络将所述第一图片特征层进行不同尺度的池化操作，得到第二图片特征层

利用所述卷积子网络调整所述第二图片特征层的特征层数与通道数，以使输出图片与输入图片尺寸相同。

进一步的，所述获取所述待识别图像的深度图，包括：