[发明专利]一种基于空间特征编码改进的YOLOv3车道线检测方法

说明书

本发明公开了一种基于空间特征编码改进的YOLOv3车道线检测方法，包括：首先对输入图像进行尺寸重塑，将其统一归一化为416×416尺寸的图像；然后将图像输入改进后的Darknet‑53网络进行特征提取；在不同的Residual层获取三种不同尺度的特征；在获取第一个尺度特征后，采取16倍上采样将特征与前层融合，输入后续网络模型提取第二尺度特征，将其进行8倍上采样与前层特征融合，输入后续网络得到第三尺度特征；将是三种不同尺度特征分别输入空间特征编码模型进行空间语义信息提取，得到编码后的特征；将特征输入YOLO层进行车道线检测，最后输出检测标注后的图像。借鉴ResNet跳跃连接特征，并采取空间特征编码对网络进行改进，使得网络可以高效准确的预测边缘车道线。

技术领域

本发明涉及深度学习无人驾驶领域，一种基于空间特征编码改进的YOLOv3车道线检测方法。

背景技术

随着科技的飞速发展与时代的变迁，人工智能已经越来越接近我们的生活，且人工智能可以为人们的生活带来诸多便捷，计算机视觉一直作为人工智能之中比较火热的一个领域，而智能驾驶主要依靠的核心技术即为基于计算机视觉的多种技术，其中车道线检测就是一个较为核心的领域。只有在准确快速地检测车道线的前提下，智能车才可以决定具体要走哪一条路线，因此设计一个快速准确检测车道线的算法系统十分必要。

传统的卷积神经网络速度较慢，且在车道线数量较多或者模糊、遮挡等情况下无法检测，YOLO算法实现了将检测问题转化为回归问题，可以较好的将检测目标与背景进行区分，而后改进的YOLOV2算法精简了算法结构，并显著提高了准确率，并具有一定的普适性；再一次改进后的YOLOV3算法既具有精确的检测率，又具有较高的速度，在目标检测领域具有较高的地位，然而YOLOV3算法也存在一些问题，如过多的卷积层会使得小目标特征难以检测，并且在这些检测算法之中，都没有充分利用车道线的空间位置信息，这导致在子任务增加的情况下，网络训练十分复杂，特别是在车道线数量较多时，位于侧面的车道线往往会因为光线、摄像头角度等问题变的模糊，使得检测任务变得困难；考虑到以上的难题，为了充分利用车道线图片中的高级语义信息从而掌握车道线的空间信息，本系统利用了一种空间特征编码技术进行对YOLOV3算法的改进，将特征图进行横向切割为多个片，将每一片进行一个卷积操作，并将上下的多个片之间进行纵向连接，通过这种方式实现对车道线空间连续特征的获取与分析，对图片的空间信息进行充分利用，从而做到对于边缘模糊的车道线也能够分析其高级语义信息，实现了在保持检测速度的同时进一步提升精度并能够充分利用空间信息检测边缘车道线。

发明内容

为解决上述问题，本发明实例提供了一种基于空间特征编码改进的YOLOv3车道线检测方法，目的是在保证当前检测速度的前提下增加检测准确率并实现检测图像边缘车道线的能力，包括以下形成步骤：

步骤一，将图像进行预处理，重塑大小变为416×416宽高的统一尺寸图像；

步骤二，将预处理后的图像输入特征提取网络提取特征，首先得到第一个尺度特征图；

步骤三，将特征图进行16倍上采样，与前层特征进行融合，之后将融合特征继续进行卷积，得到第二尺度特征；

步骤四，将第二尺度特征进行8倍上采样，与前层特征融合，将融合特征继续输入后续特征提取网络，得到第三尺度特征；

步骤五，将三种不同尺度特征分别进行空间特征编码，得到编码处理后的特征图；

步骤六，将新的特征图输入YOLO层进行车道线检测；

步骤七，将检测图像进行标注以及非极大抑制处理，计算损失函数；

步骤八，将得到的结果图像保存并输出；

优选的，在步骤一中，将图片尺寸放缩为416×416尺度，这一尺度在实验当中具有较高的检测准确率与速度，是同时兼顾速度与精度的一个较为高效的尺度规模；