本技术涉及智能驾驶，具体而言，涉及一种障碍物识别方法及装置。
背景技术：
1、目前，现有的障碍物识别方法，通常使用毫米波雷达发射电磁波并分析回波信号，得到障碍物位置与速度。使用相机获得视野范围内的图像，并在雷达得到的障碍物附近进行模式匹配，识别障碍物类型，并得到其轮廓、大小。然而，在实践中发现，现有方法障碍物识别标签单一，且不能精准识别障碍物的类型，从而降低了车辆驾驶体验度。
技术实现思路
1、本技术实施例的目的在于提供一种障碍物识别方法及装置，能够基于标签幂集实时识别障碍物的具体类别，识别更精准，从而能够为车辆提供更全面的环境感知，提升驾驶体验。
2、本技术第一方面提供了一种障碍物识别方法，包括：
3、预先构建障碍物识别模型和标签幂集；
4、通过车载摄像头获取当前图像数据；
5、根据所述障碍物识别模型对所述当前图像数据进行处理，得到当前障碍物检测结果和当前障碍物分类结果；
6、基于所述标签幂集、预设的置信度阈值、所述当前障碍物检测结果和所述当前障碍物分类结果，确定最终障碍物识别结果；其中，所述最终障碍物识别结果包括障碍物存在信息和障碍物类别信息。
7、进一步地，所述预先构建障碍物识别模型和标签幂集，包括：
8、获取车载摄像头的图像样本数据；
9、基于卷积神经网络构建深层网络结构；
10、通过所述深层网络结构对所述图像样本数据进行处理，得到障碍物位置识别信息和障碍物类别识别信息；
11、构建障碍物类别集合；
12、根据所述障碍物位置识别信息、所述障碍物类别识别信息和所述障碍物类别集合构建标签幂集；
13、通过预设的随机梯度下降优化算法、所述标签幂集以及所述图像样本数据对所述深层网络结构进行训练，得到训练好的目标识别模型；
14、对所述目标识别模型进行优化处理，得到障碍物识别模型。
15、进一步地，所述深层网络结构包括卷积层、池化层和全连接层，所述深层网络结构的激活函数为非线性relu激活函数，所述深层网络结构的损失函数为二进制交叉熵损失函数；
16、所述障碍物类别集合至少包括机动车类别、非机动车类别、行人类别、交通标志类别、交通信号灯类别、路障类别、动物群体类别、道路设施类别、建筑物类别、施工区域类别以及雨雪积块类别。
17、进一步地，所述通过所述深层网络结构对所述图像样本数据进行处理，得到障碍物位置识别信息和障碍物类别识别信息，包括：
18、对所述图像样本数据进行障碍物标注处理，得到第一标注样本数据；
19、对所述第一标注样本数据进行预处理，得到待处理样本数据；
20、通过所述卷积层对所述待处理样本数据进行特征捕捉处理，得到特征图；
21、通过所述池化层对所述特征图进行维度减小处理，得到障碍物位置识别信息和障碍物类别识别信息。
22、进一步地，所述根据所述障碍物位置识别信息、所述障碍物类别识别信息和所述障碍物类别集合构建标签幂集，包括：
23、将所述障碍物类别集合中的标签进行组合，得到多个组合标签；其中，每个所述组合标签为所述障碍物类别集合的真子集；
24、根据所述障碍物位置识别信息和所述障碍物类别识别信息进行标签统计分析处理，得到标签之间的相关性；
25、根据所述标签之间的相关性对所述组合标签中的标签进行标签剔除处理，得到目标组合标签；
26、根据所述目标组合标签构建标签幂集。
27、进一步地，所述通过预设的随机梯度下降优化算法、所述标签幂集以及所述图像样本数据对所述深层网络结构进行训练，得到训练好的目标识别模型，包括：
28、通过所述标签幂集对所述图像样本数据进行标注处理，得到第二标注样本数据；
29、通过预设的随机梯度下降优化算法、所述损失函数以及所述第二标注样本数据对所述深层网络结构进行训练，得到训练好的目标识别模型。
30、本技术第二方面提供了一种障碍物识别装置，所述障碍物识别装置包括：
31、构建单元，用于预先构建障碍物识别模型和标签幂集；
32、获取单元，用于通过车载摄像头获取当前图像数据；
33、处理单元，用于根据所述障碍物识别模型对所述当前图像数据进行处理，得到当前障碍物检测结果和当前障碍物分类结果；
34、确定单元，用于基于所述标签幂集、预设的置信度阈值、所述当前障碍物检测结果和所述当前障碍物分类结果，确定最终障碍物识别结果；其中，所述最终障碍物识别结果包括障碍物存在信息和障碍物类别信息。
35、进一步地，所述构建单元包括：
36、获取子单元，用于获取车载摄像头的图像样本数据；
37、第一构建子单元，用于基于卷积神经网络构建深层网络结构；
38、处理子单元，用于通过所述深层网络结构对所述图像样本数据进行处理，得到障碍物位置识别信息和障碍物类别识别信息；
39、第二构建子单元，用于构建障碍物类别集合；
40、第三构建子单元，用于根据所述障碍物位置识别信息、所述障碍物类别识别信息和所述障碍物类别集合构建标签幂集；
41、训练子单元，用于通过预设的随机梯度下降优化算法、所述标签幂集以及所述图像样本数据对所述深层网络结构进行训练，得到训练好的目标识别模型；
42、优化子单元，用于对所述目标识别模型进行优化处理，得到障碍物识别模型。
43、进一步地，所述深层网络结构包括卷积层、池化层和全连接层，所述深层网络结构的激活函数为非线性relu激活函数，所述深层网络结构的损失函数为二进制交叉熵损失函数；
44、所述障碍物类别集合至少包括机动车类别、非机动车类别、行人类别、交通标志类别、交通信号灯类别、路障类别、动物群体类别、道路设施类别、建筑物类别、施工区域类别以及雨雪积块类别。
45、进一步地，所述处理子单元包括：
46、第一标注处理模块，用于对所述图像样本数据进行障碍物标注处理，得到第一标注样本数据；
47、预处理模块，用于对所述第一标注样本数据进行预处理，得到待处理样本数据；
48、特征捕捉模块，用于通过所述卷积层对所述待处理样本数据进行特征捕捉处理，得到特征图；
49、维度减小模块，用于通过所述池化层对所述特征图进行维度减小处理，得到障碍物位置识别信息和障碍物类别识别信息。
50、进一步地，所述第三构建子单元包括：
51、组合模块，用于将所述障碍物类别集合中的标签进行组合，得到多个组合标签；其中，每个所述组合标签为所述障碍物类别集合的真子集；
52、统计分析模块，用于根据所述障碍物位置识别信息和所述障碍物类别识别信息进行标签统计分析处理，得到标签之间的相关性；
53、标签剃除模块，用于根据所述标签之间的相关性对所述组合标签中的标签进行标签剔除处理，得到目标组合标签；
54、构建模块，用于根据所述目标组合标签构建标签幂集。
55、进一步地，所述训练子单元包括：
56、第二标注处理模块，用于通过所述标签幂集对所述图像样本数据进行标注处理，得到第二标注样本数据；
57、训练模块，用于通过预设的随机梯度下降优化算法、所述损失函数以及所述第二标注样本数据对所述深层网络结构进行训练，得到训练好的目标识别模型。
58、本技术第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本技术第一方面中任一项所述的障碍物识别方法。
59、本技术第四方面提供了一种计算机可读存储介质，其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，执行本技术第一方面中任一项所述的障碍物识别方法。
60、本技术的有益效果为：该方法及装置能够基于标签幂集实时识别障碍物的具体类别，识别更精准，从而能够为车辆提供更全面的环境感知，提升驾驶体验。
1.一种障碍物识别方法，其特征在于，包括：
2.根据权利要求1所述的障碍物识别方法，其特征在于，所述预先构建障碍物识别模型和标签幂集，包括：
3.根据权利要求2所述的障碍物识别方法，其特征在于，所述深层网络结构包括卷积层、池化层和全连接层，所述深层网络结构的激活函数为非线性relu激活函数，所述深层网络结构的损失函数为二进制交叉熵损失函数；
4.根据权利要求3所述的障碍物识别方法，其特征在于，所述通过所述深层网络结构对所述图像样本数据进行处理，得到障碍物位置识别信息和障碍物类别识别信息，包括：
5.根据权利要求3所述的障碍物识别方法，其特征在于，所述根据所述障碍物位置识别信息、所述障碍物类别识别信息和所述障碍物类别集合构建标签幂集，包括：
6.根据权利要求3所述的障碍物识别方法，其特征在于，所述通过预设的随机梯度下降优化算法、所述标签幂集以及所述图像样本数据对所述深层网络结构进行训练，得到训练好的目标识别模型，包括：
7.一种障碍物识别装置，其特征在于，所述障碍物识别装置包括：
8.根据权利要求7所述的障碍物识别装置，其特征在于，所述构建单元包括：
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，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至6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6任一项所述的障碍物识别方法。
