典型文献
基于改进YOLOv3算法的公路车道线检测方法
文献摘要：
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.
文献关键词：
车道线检测;深度学习;YOLOv3;K-means++;计算机视觉
中图分类号：
作者姓名：
崔文靓;王玉静;康守强;谢金宝;王庆岩;MIKULOVICH Vladimir Ivanovich
作者机构：
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
文献出处：
引用格式：
[1]崔文靓;王玉静;康守强;谢金宝;王庆岩;MIKULOVICH Vladimir Ivanovich-.基于改进YOLOv3算法的公路车道线检测方法)[J].自动化学报,2022(06):1560-1568
A类：
Lanes
B类：
YOLOv3,车道线检测,漏检概率,图像划分,means++,聚类算法,线宽,先验框,Anchor,Darknet,拼接,卷积层,GPU,多尺度训练,练得,线目标,置信度,边界框,Caltech,图像信息,中平,平均准确率,Mean,average,preci,sion,mAP,检测速度,计算机视觉
AB值：
0.367297
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
