[发明专利]一种复杂天气下障碍物检测方法及装置

说明书

本发明公开了一种复杂天气下障碍物检测方法及装置，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对图像进行增强预处理；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；使用ELU激活函数替换原YOLOv3网络中卷积层的Leaky‑ReLU激活函数；获取不同天气条件下障碍物检测的数据集；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；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。

技术领域

本发明涉及图像处理技术领域，具体涉及一种复杂天气下障碍物检测方法及装置。

背景技术：

近年来随着社会经济快速发展，国内汽车保有量迅速增加，车辆在对生活带来极大便利的同时，交通事故频发等问题也对公共交通安全带来了挑战，车辆对障碍物的精确检测的需求日益迫切。目前实现的自动驾驶系统和大部分自动辅助驾驶系统都是能够感知车辆周围的环境，并根据环境做出相应的判断和行动。对于环境信息的获取，车辆主要依靠传感器设备(如深度摄像头、激光雷达、超声波等)。与其他传感器设备获取的环境信息相比，相机不仅可以获得更丰富的场景信息，而且还具有成本低、易于集成等优势。

随着深度学习技术的发展，基于深度学习的目标检测算法被广泛应用于目标检测。其中，以Faster-RCNN为代表的两阶段目标检测算法大大提高了目标检测的准确性，但是其检测速度较慢，不能满足实时性要求。以YOLO算法为代表的单阶段目标检测算法虽然检测速度较快，但对小目标的检测精度相对较低。2018年，Redmon J团队提出了YOLOv3算法，利用深度残差网络提取图像特征，实现多尺度预测。

由于可能出现的降雨、降雪、沙尘、雾霾、强光、夜间等天气环境因素干扰，道路图像会出现失真、模糊、对比度低等问题，对针对图像的障碍物检测造成影响。加上YOLOv3网络本身对复杂天气下道路障碍物检测的一些缺陷，如果直接使用YOLOv3算法，对障碍物的检测和分类准确率会明显降低。

发明内容

为了解决现有技术中存在的不足，本发明提供了一种复杂天气下障碍物检测方法，提出了一种融合了带色彩恢复的多尺度视网膜增强算法(MSRCR)和改进的YOLOv3目标检测算法的障碍物检测方法。首先将原始图像通过MSRCR算法进行图像增强预处理，提高图像的对比度和细节质量；再对YOLOv3网络进行优化，引入SPP模块，使用ELU激活函数，增加对噪声的鲁棒性，选取合适的数据集，对原YOLOv3网络中锚框在数据集上使用K-Means++算法重新聚类，使用训练数据集对改进过的YOLOv3网络进行训练；最后，将增强预处理过的图像输入训练好的检测网络进行检测与分类。本发明将图像增强后的图像利用改进的YOLOv3网络进行障碍物检测，提高检测的准确性。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

第一方面，提供一种复杂天气下障碍物检测方法，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：