文献类型：期刊文章

作　　者：崔文靓[1] 王玉静[1] 康守强[1] 谢金宝[1] 王庆岩[1] MIKULOVICH Vladimir Ivanovich[2]

CUI Wen-Liang;WANG Yu-Jing;KANG Shou-Qiang;XIE Jin-Bao;WANG Qing-Yan;MIKULOVICH Vladimir Ivanovich(School of Electrical and Electronic Engineering,Harbin University of Science and Technology,Harbin 150080,China;School of Belarusian State University,Minsk 220030,Belarus)

机构地区：[1]哈尔滨理工大学电气与电子工程学院,中国哈尔滨150080 [2]白俄罗斯国立大学,白俄罗斯明斯克220030

出　　处：《自动化学报》

基　　金：黑龙江省自然科学基金(LH2019E058);黑龙江省本科高校青年创新人才培养计划(UNPYSCT-2017091);黑龙江省普通高校基本科研业务专项基金资助项目(LGYC2018JC022)资助。

年　　份：2022

卷　　号：48

期　　号：6

起止页码：1560-1568

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、PUBMED、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

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 precision, 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

分 类 号：U463.6] TP391.41]