[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

权利要求书

1.一种基于空间特征编码改进的YOLOv3车道线检测方法，其特征在于，包括特征提取模块以及空间特征编码模块，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。

2.根据权利要求1所述的一种基于空间特征编码改进的YOLOv3车道线检测方法，其特征在于，在步骤一中，将图片尺寸放缩为416×416尺度兼顾速度与精度。

3.根据权利要求1所述的一种基于空间特征编码改进的YOLOv3车道线检测方法，其特征在于，在步骤二中，网络采用改进的Darknet-53网络，为了避免卷积深度过大的退化问题，将五次上采样更改为两次，减少网络深度，交替使用1×1以及3×3卷积核进行卷积，并引用类似ResNet的残差结构模块实现特征的映射与融合，使得计算量减少而特征提取更高效，并且具备较强的深度训练低误差能力，网络中卷积实现包括卷积、BatchNormalization以及Leaky ReLU三部分，以上模块共同构成基础特征提取的部分。

4.根据权利要求1所述的一种基于空间特征编码改进的YOLOv3车道线检测方法，其特征在于，步骤三、四中的上采样均使用双线性插值的方法，使得算法精确且运算量小。

5.根据权利要求1所述的一种基于空间特征编码改进的YOLOv3车道线检测方法，其特征在于，空间特征编码结构包括自顶向下和自底向上两个方向的特征传递，包括以下形成步骤：

步骤11，将三维张量进行横向按行分割，一个高度为H的张量分割为H片，自顶向下标记为1，2，H片；

步骤12，按照自顶向下的方式，从第1片开始运算，将第1片进行卷积操作，后接ReLU非线性激活函数，得到处理过后的第1片空间特征；

步骤13，将步骤12中得到的特征按对应元素相加到第2片中，实现对第2片的更新，此时第2片得到第1片的空间特征信息；

步骤14，重复步骤12、13，直到第H片更新完毕，此时完成自顶向下的特征传递；

步骤15，将顺序翻转，按照自底向上的顺序，对第H片进行卷积以及ReLU操作，得到第H片的空间特征，并将特征传递给第H-1片；

步骤16，重复步骤15，直到第1片更新完毕，此时完成自底向上的特征传递；

步骤17，将以上步骤结果获得的H片特征进行拼接，得到一个高度为H的三维张量，此即为经过空间特征编码后的特征图。

6.根据权利要求1所述的一种基于空间特征编码改进的YOLOv3车道线检测方法，其特征在于，使用logistic regression的方式进行车道线检测而非传统的softmax，实现对多标签对象的检测，检测公式如下：

b_x＝σ(t_x)+c_x

b_y＝σ(t_y)+c_y

Pr(object)*IOU(b,object)＝σ(t₀)

其中，cx，cy表示grid cell的偏移量，其数值为grid cell左上角坐标，ph，pw为预设的anchor锚框大小，而tx，ty，th，tw为YOLO卷积模型中的4个预测值，其中σ(z)的计算公式为：