改进YOLOv5s的道路目标检测算法

针对目前主流的目标检测算法存在模型参数过大、不能很好地移植到移动设备端之中应用于辅助驾驶这一问题，本文提出了一种改进YOLOv5s的目标检测算法。首先，将YOLOv5s算法的主干网络CSPDarknet替换为轻量化网络模型MobileNet-V3，解决了网络模型较大、参数较多的问题，减少了网络的深度并提升了数据推断速度；其次，对特征提取网络采用加权双向特征金字塔结构Bi-FPN加强特征提取，融合多尺度特征进而扩大感受野；最后，对损失函数进行优化，使用CIoU为边界框回归损失函数，改善模型原始GIoU收敛速度较慢问题，使预测框更加符合于真实框，同时降低网络训练难度。实验结果表明，改进后算法在KITTI数据集上的mAP相较于YOLOv5s、SSD、YOLOv3、YOLOv4＿tiny分别提升了4.4、15.7、12.4、19.6，模型大小相较于YOLOv5s与轻量级网络YOLOv4＿tiny分别减少了32.4 MB和21 MB，同时检测速度分别提升了17.6%与43%。本文改进后的算法满足模型小、精确度高的要求，为辅助驾驶中道路目标检测提升检测速度与精度提供了一种解决方案。     

基于改进行方向的车道线检测

近年来车道线检测逐步向深度学习领域发展，然而基于分割的形状描述对车道线效率低下，同时如YOLO系列检测算法不适用于车道线这种细长、弯曲的物体。针对上述问题，提出一种基于改进行方向的车道线检测方法。选取ResNet作为主干网络，加入了特征金字塔网络(Feature Pyramid Network, FPN)用于提取多尺度特征，并使用特征传递架(Feature Transfer Architecture, FTA)模块进行上下文信息的融合。对于车道线实例区分，将实例检测应用于车道线，通过预测热图来检测车道线实例起始点，并回归相对应的一组卷积参数。对于车道线形状预测，采用行分类方法并进行改进。使用逐行位置选择公式来确定车道线的点集，使用车道线在特征图上与真实位置的偏移量来细化每条车道线的形状，降低了FP值，实现了对车道线的预测。在实验平台上使用Tusimple、CuLane两大基准数据集进行验证，取得了良好的指标与检测效果。