[发明专利]一种复杂天气下障碍物检测方法及装置

权利要求书

1.一种复杂天气下障碍物检测方法，其特征在于，包括：

获取复杂天气环境下图像；

利用带色彩恢复的多尺度视网膜增强算法MSRCR对所述图像进行增强预处理，得到预处理后的图像；

将预处理后的图像输入训练好的基于改进YOLOv3网络的障碍物检测模型；

根据所述基于改进YOLOv3网络的障碍物检测模型的输出，确定复杂天气下障碍物检测结果；

其中所述基于改进YOLOv3网络的障碍物检测模型的构建方法包括：

在YOLOv3的卷积块Convolutional Set中插入了SPP模块，实现不同尺度特征的融合，提取更多细节信息进而提高检测精度；使用ELU激活函数替换原YOLOv3网络中卷积层的Leaky-ReLU激活函数，增加对噪声的鲁棒性；

获取不同天气条件下障碍物检测的数据集，提升训练模型的鲁棒性；

使用K-Means++算法对数据集中真实框重新聚类，得到合适的锚框，加快样本训练收敛速度并提高定位精度；

通过处理后的数据集对障碍物检测模型进行训练，得到训练好的基于改进YOLOv3网络的障碍物检测模型。

2.根据权利要求1所述的复杂天气下障碍物检测方法，其特征在于，利用带色彩恢复的多尺度视网膜增强算法MSRCR对所述图像进行增强预处理，包括：

利用几个不同的高斯尺度参数的加权和，将高斯滤波结果作为估计的光照图像，并加入颜色恢复因子来恢复反射图像的颜色，避免产生颜色退化，计算公式如下：

其中F_MSRCR(x，y)为MSRCR算法处理后的增强结果，x、y分别表示图像像素的横坐标、纵坐标，i表示颜色分量的序号，j表示尺度参数的序号，C_i为第i个颜色分量的颜色恢复因子，N是尺度参数的数量，ω_j为不同尺度对应的权重，I_i(x,y)表示输入图像的第i个颜色分量，G_j(x，y)表示尺度为σ_j时的高斯滤波器，σ_j表示第j个高斯环绕的尺度参数，为卷积符号，α是非线性强度调节参数，β是增益因子。

3.根据权利要求2所述的复杂天气下障碍物检测方法，其特征在于，N＝3，代表小、中、大三种尺度。

4.根据权利要求1所述的复杂天气下障碍物检测方法，其特征在于，所述SPP模块中一共有四个分支：第一个分支是输入直接接到输出分支，第二个分支是池化核5×5的最大池化，第三个分支是池化核9×9的最大池化，第四个分支是池化核13×13的最大池化，每次池化步距都是1，在池化前进行padding填充，使最后得到的特征图尺寸大小和深度不变；最终SPP模块实现不同尺度特征的融合。

5.根据权利要求1所述的复杂天气下障碍物检测方法，其特征在于，使用ELU激活函数替换原YOLOv3网络中卷积层的Leaky-ReLU激活函数，包括：

ELU激活函数，计算公式为：

u和m分别表示函数的横纵坐标，ELU激活函数的梯度对于所有负值都是非零的，没有神经元死亡的问题，即使用ELU激活函数在出现异常输入时，反向传播中不会产生大的梯度，也就不会导致神经元死亡和梯度消失，能够在训练网络中缩短训练时间并提高准确度；ELU中m为0或负值时使用指数函数，随着参数变小，函数逐渐收敛到负值；收敛意味着有一个小的导数值，减少了传播到下一层的变化和信息；因此，ELU激活函数对噪声更加鲁棒，能够降低图像噪声对检测结果的影响。

6.根据权利要求1所述的复杂天气下障碍物检测方法，其特征在于，获取不同天气条件下障碍物检测的数据集，提升训练模型的鲁棒性，包括：选用具有代表性的KITTI数据集和CODA数据集，用修改CODA数据集对应标签后对KITTI数据集进行补充，得到不同天气条件下障碍物检测的数据集；把得到的数据集预留出测试集，其余数据集作为训练集，增加训练模型的鲁棒性。