一种障碍物识别方法、装置、电子设备及存储介质与流程

1.本技术涉及图像处理技术领域，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。


背景技术：

2.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。
3.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。


技术实现要素：

4.本技术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。
5.本技术实施例提供了一种障碍物识别方法，所述方法包括：
6.接收摄像头获取的待识别图像；
7.对所述待识别图像添加雨雪噪声，直至变为纯噪声图像；
8.对所述纯噪声图像去噪，获得去雨雪噪声图像；
9.对所述去雨雪噪声图像进行障碍物检测，获得检测结果。
10.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。
11.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：
12.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；
13.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。
14.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。
15.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：
16.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：
17.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；
18.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；
19.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。
20.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。
21.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：
22.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；
23.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。
24.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。
25.本技术实施例还提供一种障碍物识别装置，所述装置包括：
26.图像接收模块，用于接收摄像头获取的待识别图像；
27.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；
28.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；
29.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。
30.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。
31.进一步地，所述加雨雪噪声模块包括：
32.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；
33.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。
34.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。
35.进一步地，所述去噪模块包括：
36.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：
37.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；
38.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；
39.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。
40.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。
41.进一步地，所述障碍物检测模块包括：
42.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；
43.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。
44.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。
45.本技术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。
46.本技术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
47.为了更清楚地说明本技术实施例的技术方案，下面将对本技术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技术的某些实施例，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。
48.图1为本技术实施例提供的一种障碍物识别方法的流程图；
49.图2为本技术实施例提供的基于diffusion model的多联级雨雪天气下障碍物识别流程图；
50.图3为本技术实施例提供的添加雨雪噪声的流程图；
51.图4为本技术实施例提供的添加噪声的流程图；
52.图5为本技术实施例提供的噪声添加示意图；
53.图6为本技术实施例提供的去雨雪噪声的流程图；
54.图7为本技术实施例提供的去雨雪噪声示意图；
55.图8为本技术实施例提供的障碍物检测流程图；
56.图9为本技术实施例提供的一种障碍物识别装置的结构框图；
57.图10为本技术实施例提供的另一种障碍物识别装置的结构框图。
58.图标：
59.100-图像接收模块；200-加雨雪噪声模块；201-加噪模块；202-采样模块；300-去噪模块；301-新高斯分布构建模块；302-目标函数确定模块；303-目标函数转换模块；304-去雨雪噪声图像获取模块；400-障碍物检测模块；401-主干网络模块；402-网络层模块。
具体实施方式
60.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
61.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一
个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
62.实施例1
63.请参看图1，图1为本技术实施例提供的一种障碍物识别方法的流程图。
64.本技术使用diffusion model(扩散模型)原理，由熵增定律驱动，先给摄像头获取的图像增加雨雪噪声，让其变得极其混乱。利用基于diffusionmodel的多联级障碍物检测模型可以让有雨雪噪声的照片变回有序，经过不断迭代的训练就能得到一个可以消除图像中雨雪的障碍物检测模型，并提高障碍物识别的准确性。如图2所示，为基于diffusionmodel(扩散模型)的多联级雨雪天气下障碍物识别流程图。整体包括去除雨雪和障碍物检测两部分。
65.该方法具体包括以下步骤：
66.步骤s100：接收摄像头获取的待识别图像；
67.步骤s200：对所述待识别图像添加雨雪噪声，直至变为纯噪声图像；
68.步骤s300：对所述纯噪声图像去噪，获得去雨雪噪声图像；
69.步骤s400：对所述去雨雪噪声图像进行障碍物检测，获得检测结果。
70.具体地，如图3所示，为添加雨雪噪声的流程图，步骤s200具体包括以下步骤：
71.步骤s201：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；
72.步骤s202：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。
73.添加雨雪噪声即前向过程，不断往输入数据即待检测图像中增加雨雪噪声，最后变为纯噪声(噪声，noise：是真实标记与数据集中的实际标记间的偏差)。其中，根据先验可知雨雪噪声符合高斯分布，通过加入高斯噪声模拟雨雪，模型收敛速度会更快。
74.如图4所示，为添加噪声的流程图，在每个时刻添加高斯噪声，后一时刻的图像由前一时刻添加高斯噪声后的图像得到。
75.如图5所示，为噪声添加示意图，图中的最左边x0表示待检测图像，例如图中的狗子图像；x
t
则表示纯高斯噪声图像，例如对应图中最右边的噪声图像；x
t
则表示t时刻加了噪声的x0，例如中间加了噪声的狗子图像；q(x
t
|x
t-1
)则表示以前一状态x
t-1
为均值的高斯分布，x
t
从前一状态的高斯分布中采样得到。
76.噪声添加公式为：
[0077][0078]
其中，表示均值，β
t
i表示从β
t
为方差的高斯分布中采样得到的。
[0079]
所谓前向扩散过程可以理解为一个马尔可夫链，即通过逐步对一张真实图像添加高斯噪声直到最终变成纯高斯噪声图像。
[0080]
如图6所示，为去雨雪噪声的流程图，步骤s300具体包括以下步骤：
[0081]
步骤s301：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：
[0082]
步骤s302：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；
[0083]
步骤s303：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；
[0084]
步骤s304：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。
[0085]
步骤s300为反向过程(去雨雪噪声)，从一个随机雨雪噪声开始，逐步还原成不带雨雪噪音的原始图像——去噪过程。
[0086]
如图7所示，为去雨雪噪声示意图。反向扩散过程q(x
t-1
|x
t
,x0)是前向扩散过程q(x
t
|x
t-1
)的后验概率分布。和前向过程相反，是从最右边的纯高斯噪声图，逐步采样得到真实图像x0(图中的最上面一行)。在真正通过反向过程生成图像的时候，x0是不知道的，因为这是待生成的目标图像。通过构造一个新高斯分布p，然后目标就转为缩小分布p和q之间差距。
[0087]
通过不断修改p的参数去缩小差距，当p和q足够相似的时候就可以替代q了。由于后验概率分布q(x
t-1
|x
t
,x0)没法直接求解，就构造一个高斯分布p(x
t-1
|x
t
)(图中的第二行)，让其方差和后验概率分布q(x
t-1
|x
t
,x0)一致：
[0088]
而其均值则设为：
[0089]
其中，α
t
为1-β
t
，为为表示前向过程中得到噪声图像随着时间t变为x
t
。
[0090]
和q(x
t-1
|x
t
,x0)的区别在于，x0改为x
θ
(x
t
,t)，由一个diffusion model后向过程预测得到，diffusion model后向模型输入是噪声图像x
t
和时间步t。然后缩小概率分布p(x
t-1
|x
t
)和q(x
t-1
|x
t
,x0)之间差距，变成优化以下目标函数：
[0091][0092]
但是如果让模型直接从x
t
去预测x0，这个拟合难度太高了，根据前面的前向过程知道x
t
可以从x0得到：得到：将上面的公式变换一下形式：
[0093][0094]
其中，ε表示雨雪噪声。
[0095]
代入q(x
t-1
|x
t
,x0)的均值中可得：
[0096][0097]
由该公式可知，后验概率q(x
t-1
|x
t
,x0)的均值只和x
t
以及前向扩散时候的时间步t所加的噪声有关。所以可同样对构造的概率分布p(x
t-1
|x
t
)的均值做如下修改：
[0098][0099]
其中，表示为x
t
在t时刻所添加的高斯噪声。
[0100]
将模型改为去预测在前向时间步t所添加的高斯噪声ε，模型输入是x
t
和时间步t：接着优化的目标函数就变为：
[0101][0102]
然后通过迭代训练，即首先每个迭代就是从数据集中取真实图像x0(原始输入图像数据)，并从均匀分布中采样一个时间步t；
[0103]
然后从标准高斯分布中采样得到噪声ε，并根据公式计算得到x
t
。
[0104]
其中，标准高斯分布x～n(μ，σ^2)，是以0为均数，以1为标准差的正态分布，记为n(0，1)。
[0105]
接着将x
t
和t输入到diffusion后向模型让其输出去拟合预测噪声ε，并通过梯度下降更新模型，一直循环直到模型收敛。
[0106]
如图8所示，为障碍物检测流程图，步骤s400具体包括以下步骤：
[0107]
步骤s401：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；
[0108]
步骤s402：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。
[0109]
通过前向和反向过程，可得到一张去雨雪噪声的图像，再将图像传入二级检测模型，可得到更高精度的障碍物检测结果。
[0110]
示例地，可以采用yolov5模型，具体由输入端、backone、neck以及prediction四部分组成。
[0111]
输入端即去雨雪噪声后得到的图像(去雨雪噪声图像)；backbone：在不同图像细粒度上聚合并形成图像特征的卷积神经网络；neck：一系列混合和组合图像特征的网络层，并将图像特征传递到预测层；head：对图像特征进行预测，生成边界框和预测类别。
[0112]
该方法构建了多联级障碍物检测系统，通过diffusion模型对图像中的雨雪等噪声过滤得到无雨雪噪声图像；在diffusion模型前向过程中，通过加入高斯噪声来模拟雨雪，加快了模型的收敛速度，该方法去除了雨雪天气对障碍物检测的影响，从而提高了检测结果的精确度且成本较低。
[0113]
实施例2
[0114]
本技术实施例提供一种障碍物识别装置，应用于实施例1所述的障碍物识别方法，如图9所示，为一种障碍物识别装置的结构框图，所述装置包括但不限于：
[0115]
图像接收模块100，用于接收摄像头获取的待识别图像；
[0116]
加雨雪噪声模块200，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；
[0117]
去噪模块300，用于对所述纯噪声图像去噪，获得去雨雪噪声图像；
[0118]
障碍物检测模块400，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。
[0119]
如图10所示，为另一种障碍物识别装置的结构框图，其中，加雨雪噪声模块200包括：
[0120]
加噪模块201，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；
[0121]
采样模块202，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。
[0122]
所述去噪模块300包括：
[0123]
新高斯分布构建模块301，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：
[0124]
目标函数确定模块302，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；
[0125]
目标函数转换模块303，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；
[0126]
去雨雪噪声图像获取模块304，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。
[0127]
障碍物检测模块400包括：
[0128]
主干网络模块401，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；
[0129]
网络层模块402，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。
[0130]
该装置采用扩散模型原理，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。
[0131]
本技术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实施例1所述的障碍物识别方法。
[0132]
本技术实施例还提供一种可读存储介质，其特征在于，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，执行实施例1所述的障碍物识别方法。
[0133]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每
个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0134]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0135]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0136]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0137]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。
[0138]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

技术特征：
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，用于对所述去雨雪噪声图像进行障碍物检测，获得检测结果。6.根据权利要求5所述的障碍物识别装置，其特征在于，所述加雨雪噪声模块包括：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；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。7.根据权利要求5所述的障碍物识别装置，其特征在于，所述去噪模块包括：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：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；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；
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。8.根据权利要求5所述的障碍物识别装置，其特征在于，所述障碍物检测模块包括：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；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。9.一种电子设备，其特征在于，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根据权利要求1至4中任一项所述的障碍物识别方法。10.一种可读存储介质，其特征在于，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，执行权利要求1至4任一项所述的障碍物识别方法。

技术总结
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。


技术研发人员：张志勇 黄秋艳 钟伟
受保护的技术使用者：重庆赛迪奇智人工智能科技有限公司
技术研发日：2023.05.31
技术公布日：2023/8/24