基于改进YOLOv3算法的公路车道线检测方法

针对YOLOv3算法在检测公路车道线时存在准确率低和漏检概率高的问题,提出一种改进YOLOv3网络结构的公路车道线检测方法.该方法首先将图像划分为多个网格,利用K-means++聚类算法,根据公路车道线宽高固有特点,确定目标先验框数量和对应宽高值;其次根据聚类结果优化网络Anchor参数,使训练网络在车道线检测方面具有一定的针对性;最后将经过Darknet-53网络提取的特征进行拼接,改进YOLOv3算法卷积层结构,使用GPU进行多尺度训练得到最优的权重模型,从而对图像中的车道线目标进行检测,并选取置信度最高的边界框进行标记.使用Caltech Lanes数据库中的图像信息进行对比试验,实验结...

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 48; no. 6; pp. 1560 - 1568
Main Authors 崔文靓, 王玉静, 康守强, 谢金宝, 王庆岩, MIKULOVICH Vladimir Ivanovich
Format Journal Article
LanguageChinese
Published 哈尔滨理工大学电气与电子工程学院 哈尔滨150080中国%白俄罗斯国立大学 明斯克220030白俄罗斯 01.06.2022
Subjects
K-means
YOLOv3
计算机视觉
深度学习
车道线检测
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.c190178

Cover

More Information
Summary:针对YOLOv3算法在检测公路车道线时存在准确率低和漏检概率高的问题,提出一种改进YOLOv3网络结构的公路车道线检测方法.该方法首先将图像划分为多个网格,利用K-means++聚类算法,根据公路车道线宽高固有特点,确定目标先验框数量和对应宽高值;其次根据聚类结果优化网络Anchor参数,使训练网络在车道线检测方面具有一定的针对性;最后将经过Darknet-53网络提取的特征进行拼接,改进YOLOv3算法卷积层结构,使用GPU进行多尺度训练得到最优的权重模型,从而对图像中的车道线目标进行检测,并选取置信度最高的边界框进行标记.使用Caltech Lanes数据库中的图像信息进行对比试验,实验结果表明,改进的YOLOv3算法在公路车道线检测中平均准确率(Mean average preci-sion,mAP)为95％,检测速度可达50帧/s,较YOLOv3原始算法mAP值提升了 11％,且明显高于其他车道线检测方法.
ISSN:0254-4156
DOI:10.16383/j.aas.c190178