基于改进YOLOv3算法的公路车道线检测方法

摘要：

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.

关键词：车道线检测、深度学习、YOLOv3、K-means++、计算机视觉

所属期刊栏目：48

分类号：TP391.41;TP183;U495

资助基金：黑龙江省自然科学基金项目;黑龙江省本科高校青年创新人才培养计划;黑龙江省普通高校基本科研业务专项基金资助项目

在线出版日期：2022-07-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1560-1568