CN115376108B 一种复杂天气下障碍物检测方法及装置 （南京邮电大学）

AU2020100705A4,2020.06.18本发明公开了一种复杂天气下障碍物检测用带色彩恢复的多尺度视网膜增强算法MSRCR对根据所述基于改进YOLOv3网络的障碍物检测模中所述障碍物检测模型的构建方法包括：在YOLOv3的卷积块ConvolutionalSet中插入了件下障碍物检测的数据集；使用K_Means++算法通过处理后的数据集对障碍物检测模型进行训2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，得到预将预处理后的图像输入训练好的基于改进YOLOv3网络的障碍根据所述基于改进YOLOv3网络的障碍物检测模型的输出，确定复杂其中所述基于改进YOLOv3网络的障碍物检测在YOLOv3的卷积块ConvolutionalSet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3.根据权利要求1所述的复杂天气下障碍物检测方共有四个分支：第一个分支是输入直接接到34.根据权利要求1所述的复杂天气下障碍物检测方法，其特将数据集的图片统一调整好大小为416x416像素，便于后面基于改进YOLOv3网络的障将改进的YOLOv3网络在数据集的训练集部分下进行训练，根据实际情况相应调整参所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述方法的45[0001]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[0003]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[0005]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[0009]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6[0017]在一些实施例中，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[0018]利用几个不同的高斯尺度参数的加权和，将高斯滤波结[0025]在一些实施例中，使用ELU激活函数替换原YOLOv3网络中卷积层的Leaky_ReLU激7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。将待检测图像通8技术特征的数量或者隐含指明所指示的技术特征的先后关可以在任何的一个或多个实施例或示例中以合适的[0056]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9YOLOv3作为复杂天气下障碍物检测的检测网络。YOLOv3的网络结构，如图2所示，使用检测模糊和对比度低的图像；选取天气场景丰富的符合障碍物检测场景的CODA和KITTI数[0076]S21：通过引入SPP模块提高了识别的准确率。在YOLOv3的卷积块Convolutional中，严格要求输入分辨率与全连接层的特征维度相匹配。SPP模块可以将任意分辨率的图片统一调整好大小为416×416像素方便后面YO据点作为初始聚类质心，结果容易受到初值选择的影响，只能找到局部最优解。选取K_则选择离当前n个质心最远的数据点作为N+1个初始质心。直到选择了K个初始质心。第四框是对COCO数据集的真实框使用K_Means聚类获得的九个不同尺寸的框，避免模型在训练[0096]S31：复杂天气下的各种情景的图像经过MSRCR增强后输入前面训练好的改进YOLOv3目标检测网络中，具体对car，van，truck，pedestrian，pedestrian(sitting)，现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0105]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方