一種基于改進(jìn)YOLOv5s的車道線檢測方法

韓 逸，舒小華，楊明俊

（湖南工業(yè)大學(xué) 軌道交通學(xué)院，湖南 株洲 412007）

0 引言

隨著城市交通的迅速發(fā)展以及圖像處理技術(shù)的逐漸成熟，應(yīng)用在車輛上的輔助視覺功能被越來越廣泛地應(yīng)用。智能駕駛逐漸成為當(dāng)下的熱門技術(shù)與話題，其中圖像與視頻處理是其主要的研究對象。而在車輛對道路信息的收集中，車道線的信息收集尤為重要。它不僅可以為車輛導(dǎo)航提供參考，而且可以被應(yīng)用于目標(biāo)檢測和汽車預(yù)警等方面。在傳統(tǒng)算法方面，車道線檢測主要是提取圖像的邊緣信息，一般先用Canny算子或者Sobel算子對圖像進(jìn)行邊緣檢測，然后用高斯算法或者最小二乘法進(jìn)行擬合。而隨著機器學(xué)習(xí)的不斷發(fā)展，深度學(xué)習(xí)的方法也被應(yīng)用到車道線檢測中。

目前，基于目標(biāo)識別的深度學(xué)習(xí)方法主要分為兩種：一是two stage的R-CNN（region convolutional neural networks）系列，其框架精度較高，網(wǎng)絡(luò)結(jié)構(gòu)較深，訓(xùn)練時間較長；二是one stage的YOLO（you only look once）、SDD（system definition directive）系列[1]，這種框架訓(xùn)練速度快、結(jié)構(gòu)簡單、檢測速度快，具有可實時檢測性[2]。YOLO系列至今已發(fā)展到Y(jié)OLOv5系列。相較于之前的YOLOv3和YOLOv4系列，YOLOv5系列具有體積小、檢測速度快、檢測精度高等特點[3]。王灃[4]對YOLOv5框架進(jìn)行了改進(jìn)，增加了k-means++算法，對anchor先進(jìn)行聚類，以提升檢測框的檢測率，并將GIoU（generalized intersection-over-union）損失函數(shù)改成CIoU（complete intersection-over-union）函數(shù)，改進(jìn)后的框架對于安全帽的檢測率有所提高。林清平等[5]對于YOLOv5框架的改進(jìn)方法體現(xiàn)在特征金字塔網(wǎng)絡(luò)（feature pyramid networkimage，F(xiàn)PN）結(jié)構(gòu)上，其在FPN中增加了一個平衡系數(shù)，以增大小目標(biāo)在相鄰特征層融合過程中保留的比例。崔文靚等[6]在YOLOv3框架上增加了k-means++算法進(jìn)行先驗框計算，并用GPU（graphics processing unit）進(jìn)行訓(xùn)練和檢測，實驗結(jié)果表明該處理的檢測率提升了11%。楊曉玲等[7]在數(shù)據(jù)集方面進(jìn)行了Mosaic增強，隨機選取訓(xùn)練數(shù)據(jù)中的4張圖片，采用隨機縮放、隨機排布、隨機裁剪的方式進(jìn)行拼接以豐富圖像數(shù)據(jù)，這種方法增加了數(shù)據(jù)的魯棒性，對于圖像中小物件對象的檢測率有所增加。Qu Z.等[8]將車道線的整體問題轉(zhuǎn)化成局部特征點與這個點關(guān)聯(lián)的特征點問題，并通過由粗到細(xì)的方法調(diào)整曲線，該方法可以嵌套到任意的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)中。對車道線中心點進(jìn)行高斯編碼，再用偏移量進(jìn)行區(qū)域搜索，可擬合到其他特征點，連接這些特征點即可得到擬合曲線。周衛(wèi)林等[9]基于GoogLeNet建立了一種端到端的車道線檢測網(wǎng)絡(luò)模型，先用YOLOv3框架對車道前方的障礙物進(jìn)行識別檢測，再用長短期記憶網(wǎng)絡(luò)做決策，最后根據(jù)歷史編碼信息描繪車輛運動模式，結(jié)合當(dāng)前狀態(tài)得到駕駛參數(shù)。

基于以上研究，為了提高車道線檢測的實時性與準(zhǔn)確性，本研究在機器學(xué)習(xí)的框架下，提出了一種基于改進(jìn)的YOLOv5s模型檢測算法。改進(jìn)算法中，對于車道線的檢測，因為YOLO系列在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)方面具有檢測速率較快、網(wǎng)絡(luò)架構(gòu)較簡單、檢測精度較高等優(yōu)點，故采用該系列的神經(jīng)網(wǎng)絡(luò)進(jìn)行實驗。又因YOLOv5是該系列中的新產(chǎn)品，在網(wǎng)絡(luò)結(jié)構(gòu)上相較于前幾代具有創(chuàng)新性，檢測速率和準(zhǔn)確率又有所提升，所以采用one stage的YOLOv5模型進(jìn)行檢測。在回歸框損失函數(shù)方面，將其改進(jìn)為EIOU（efficient input/output unit）損失函數(shù)；在數(shù)據(jù)處理方面，增加圖像預(yù)處理之后的二值化圖像參數(shù)進(jìn)行參考，并且采用anchor-free，以提高先驗框的準(zhǔn)確度。為了驗證改進(jìn)算法的有效性，通過實驗，將得到的檢測結(jié)果與YOLOv5的檢測結(jié)果進(jìn)行對比，發(fā)現(xiàn)改進(jìn)算法的平均精度均值（mean average precision，mAP）增加了約11%，能夠?qū)崿F(xiàn)較為準(zhǔn)確的車道線檢測，并具有良好的魯棒性。

1 YOLOv5目標(biāo)檢測算法

1.1 YOLOv5框架

YOLOv5分為S、M、L、X 4種模型，其中S模型網(wǎng)絡(luò)結(jié)構(gòu)最為簡單，訓(xùn)練和檢測速率最快；X模型網(wǎng)絡(luò)結(jié)構(gòu)最為復(fù)雜，深度最深，但是檢測效果最佳。本研究采用L模型網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練和檢測，在訓(xùn)練速度和檢測效果兩者中折中取舍。相比于YOLOv3，YOLOv5的改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOv5改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)框圖Fig.1 YOLOv5 improved network architecture block diagram

圖1中，每個結(jié)構(gòu)框?qū)雍竺娑歼B接著一個CBL（conv + BN + LeakyReLU）層，其作用是添加一個BN（batch normalization）層和一個激活函數(shù)，具有神經(jīng)網(wǎng)絡(luò)的功能。 Backbone是YOLOv5的主體部分，其中Focus層是YOLOv3和YOLOv4兩者所不具備的，它的功能是進(jìn)行切片操作，即將圖像切片后進(jìn)行下采樣操作。雖然其步驟比其他下采樣算法復(fù)雜，但能保持信息較為完整。CSPNet（cross stage partial network）層進(jìn)行局部跨層融合，通過每層的特征信息來獲得更加豐富的特征圖[10]；Neck部分采用FPN+PAN（perceptual adversarial network）結(jié)構(gòu)，F(xiàn)PN是自頂向下的，將高層的特征信息通過上采樣的方式進(jìn)行傳遞融合，得到進(jìn)行預(yù)測的特征圖。FPN主要應(yīng)用了分治法（divide-and-conquer）解決目標(biāo)檢測問題[11]。PAN是自底向上，將底層的特征信息通過下采樣方式進(jìn)行傳遞融合。兩者相輔相成，從不同的主干層對不同的檢測層進(jìn)行特征聚合；在錨框擬合方面，YOLOv5采用GIoU損失函數(shù)，現(xiàn)將其改為EIOU函數(shù)，相較而言，EIOU將目標(biāo)框的寬和高分別進(jìn)行處理，回歸速度更快、效果更好。

1.2 YOLOv5數(shù)據(jù)增強

YOLOv5在數(shù)據(jù)增強方面采用的是Mosaic（馬賽克）增強，即將數(shù)據(jù)集中的3張或4張圖片通過旋轉(zhuǎn)、翻轉(zhuǎn)、平移等一系列圖像變換操作后，融合成一張新的圖像，新圖像中的目標(biāo)作為一副新的圖像數(shù)據(jù)與原數(shù)據(jù)集一起進(jìn)行訓(xùn)練，達(dá)到擴大數(shù)據(jù)集的效果，增強對目標(biāo)物體的識別能力。

這種方法是由YOLOv4首先提出來的，現(xiàn)已被很好地運用于YOLOv5中。Mosaic算法將原數(shù)據(jù)集的圖片進(jìn)行融合，相當(dāng)于變相地增加了batch_size，這樣在訓(xùn)練過程中能減少顯存的消耗，讓顯存不是很大的GPU也能進(jìn)行訓(xùn)練。

2 算法改進(jìn)

2.1 圖像數(shù)據(jù)

一般的車道線檢測數(shù)據(jù)集大多是對彩色圖像信息的采集，而在數(shù)據(jù)信息復(fù)雜度較高且對應(yīng)圖像數(shù)量較少的情況下，訓(xùn)練效果不明顯，會導(dǎo)致檢測時產(chǎn)生漏檢或者誤檢的現(xiàn)象。針對這一問題，本研究提出加入黑白圖像信息通道，將彩色圖像對應(yīng)的預(yù)處理后的二值化圖像一起加入數(shù)據(jù)集中進(jìn)行訓(xùn)練，以提高檢測準(zhǔn)確率。

2.2 損失函數(shù)

YOLOv5采用的損失函數(shù)為GIoU函數(shù)，GIoU函數(shù)是交并比（intersection-over-union，IoU）函數(shù)[12]的改進(jìn)版。IoU函數(shù)用于計算預(yù)測檢測框和真實檢測框的相交占比，可以反映兩個框的檢測效果，其表達(dá)式為

式中：A為預(yù)測檢測框；

B為真實檢測框。

IoU函數(shù)存在的問題是，當(dāng)A和B兩個框并沒有相交時，即A∩B=0時，則IoU不能體現(xiàn)兩者之間的距離，且loss=0無法回歸，無法進(jìn)行訓(xùn)練。為了解決這一問題，提出了GIoU函數(shù)，其先計算兩個框的最小閉包區(qū)域面積Ac，再計算出IoU；然后計算閉包區(qū)域中不屬于兩個框的區(qū)域占閉包區(qū)域的比例；最后，用IoU減去計算所得比例值得到GIoU，具體的計算公式如下：

式中U為兩個框的重疊區(qū)域。

當(dāng)兩個框完全相交時，GIoU=1；而兩個框不相交時，距離越遠(yuǎn)，GIoU越接近-1。它的缺點是在兩者出現(xiàn)圖2情況時，GIoU會退化成IoU，無法體現(xiàn)出兩者的相對位置。

圖2 預(yù)測框與真實框位置關(guān)系示意圖Fig.2 Position relationship between prediction frame and real frame

為了解決這個問題，提出了DIoU損失函數(shù)，其表達(dá)式如下：

式中：b、bgt分別為預(yù)測框和真實框的中心點位置；

p為兩點之間的歐氏距離；

c為能包含兩個框的最小閉包區(qū)域的對角線距離。

引入損失函數(shù)后，不僅能反映兩者完全包含情況下的位置距離，并且DIoU可以直接最小化兩個框的距離，比GIoU的收斂速度更快。

CIoU則是在DIoU的基礎(chǔ)上，考慮了Bounding box的縱橫比，因而進(jìn)一步提升了其回歸精度，CIoU的表達(dá)式如下：

式中：α為trade-off參數(shù)，其計算式為

v是用來衡量長寬比一致的參數(shù)，其計算式為

其中，w和h分別為錨框的寬和高。

CIoU loss的梯度在寬高比屬于[0, 1]區(qū)間內(nèi)時會爆炸，因為w2+h2的值會很小，所以令這個值等于1即可[13]。CIoU考慮的東西最全面，相較而言是目前比較好的一種損失函數(shù)[14]。

而EIOU[15]則是在CIoU的基礎(chǔ)上，將縱橫比因子拆開分別計算目標(biāo)框的長和寬，其計算式如下：

式中：Cw、Ch分別為覆蓋兩個BOX的最小外界框的寬度和高度。

圖3是GIoU和EIOU在同一數(shù)據(jù)集訓(xùn)練下的收斂效果圖。

圖3 GIoU與EIOU的收斂效果圖Fig.3 Convergence effect diagrams of GIoU and EIOU

圖3中橫坐標(biāo)為訓(xùn)練輪數(shù)，縱坐標(biāo)為損失（loss）。由圖可以得知，EIOU的收斂效果比GIoU的收斂效果更好。

2.3 錨框機制

在YOLOv5s中，對于anchor先驗框的計算，是通過k-means聚類方法進(jìn)行的。人工標(biāo)注之后的檢測框通過k-means聚類得到先驗框，將其與真實框進(jìn)行對比、更新等一系列操作后，得到新的數(shù)據(jù)框。這一操作太過復(fù)雜，計算量較大，在車道線的標(biāo)注上體現(xiàn)得不是很好。根據(jù)這一問題，提出anchor-free的錨框算法。

現(xiàn)有錨框機制主要有anchor-based和anchor-free兩種。YOLOv3、YOLOv5系列都是用anchor-based直接在特征圖上對錨框進(jìn)行回歸和預(yù)測，這樣能避免重復(fù)的卷積運算，加快檢測速率。但是會降低檢測精確度，對于小物體目標(biāo)的檢測效果不顯著。

anchor-free檢測器以兩種不同的方式檢測物體，一種是首先定位到多個預(yù)定義或自學(xué)習(xí)的關(guān)鍵點，然后約束物體的空間范圍，稱為Keypoint-based方法；另一種是利用中心點或中心目標(biāo)區(qū)域來定義正樣本，然后預(yù)測其到目標(biāo)4個邊的距離，稱為Center-based方法。這種方法能讓檢測流程進(jìn)一步精簡，減少許多超參數(shù)的存在，提高系統(tǒng)的泛化能力。

根據(jù)車道線在目標(biāo)檢測中的錨框標(biāo)定，采用Center-based方法進(jìn)行檢測。將圖像分為S×S個網(wǎng)格，只要車道線的中心點落在網(wǎng)格內(nèi)，則用這個網(wǎng)格負(fù)責(zé)本車道線的檢測。通過計算中心點到網(wǎng)格4個端點的距離來進(jìn)行檢測和錨定[16]。

2.4 數(shù)據(jù)增強算法

在1.2中介紹過Mosaic的數(shù)據(jù)增強算法，其優(yōu)點是能夠增強神經(jīng)網(wǎng)絡(luò)對目標(biāo)的學(xué)習(xí)能力，而且能讓機器不太依賴batch_size的大小，讓顯存小的GPU也能很好地進(jìn)行訓(xùn)練。該方法仍然是在數(shù)據(jù)集上進(jìn)行工作。

而mixup數(shù)據(jù)增強，則是一種與數(shù)據(jù)無關(guān)，更為簡單的數(shù)據(jù)增強算法[17]，相較Mosaic算法而言，其計算量更小、操作更簡單。其操作如下：在樣本中隨機抽取兩個樣本，讀取它們的樣本標(biāo)簽數(shù)據(jù)，進(jìn)行融合計算后得到一個新的樣本標(biāo)簽數(shù)據(jù)，再將該數(shù)據(jù)加入樣本中進(jìn)行訓(xùn)練。mixup數(shù)據(jù)增強的計算公式如下：

式中：λ為權(quán)重，根據(jù)α與β兩個超參數(shù)的貝塔分布計算獲得；

x1、x2分別為兩個圖像樣本；

y1、y2分別為對應(yīng)的兩個樣本標(biāo)簽。

這樣，就獲得了一個新的圖像樣本和一個新的標(biāo)簽數(shù)據(jù)。根據(jù)文獻(xiàn)[17]中的實驗數(shù)據(jù)，α和β的超參數(shù)無論怎么設(shè)置，其期望都不會超過0.5，這可能是因為權(quán)重在訓(xùn)練過程中期望近似0.5，所以將α和β都設(shè)置為0.5時，效果會比較好。

為了能保證GPU訓(xùn)練最大化，并豐富數(shù)據(jù)特征，本研究采用Mosaic和mixup算法相結(jié)合的方式，一起進(jìn)行數(shù)據(jù)增強。

3 實驗及結(jié)果分析

3.1 實驗流程

1）從Tusimple數(shù)據(jù)集中挑選3 000張公路圖像，這些圖像具有一定的標(biāo)志性（如不同的天氣狀況、不同的道路信息狀況等），然后用labelimg軟件進(jìn)行標(biāo)注，生成xml文件。

2）將這3 000張公路圖像轉(zhuǎn)換為二值化圖像，并進(jìn)行標(biāo)注，生成label文件，然后與原圖像和原標(biāo)簽文件匯總成新的數(shù)據(jù)集。

3）將YOLOv5s中的autoanchor改為center_based算法，將GIoU算法改為CIoU算法，并加入mixup算法，與Mosaic一起進(jìn)行數(shù)據(jù)增強。

4）設(shè)置對應(yīng)的超參數(shù)，以及訓(xùn)練代碼中的batch_ size大小，然后輸入圖像大小，進(jìn)行訓(xùn)練。

5）保存訓(xùn)練后的結(jié)果權(quán)重文件，并進(jìn)行檢測實驗，得出結(jié)果。

3.2 實驗數(shù)據(jù)準(zhǔn)備

實驗的數(shù)據(jù)集采用Tusimple數(shù)據(jù)集中的3 000張隨機圖像，將其壓縮為320*180的圖像，這樣的圖像訓(xùn)練完成后，能在實際應(yīng)用中增加識別小目標(biāo)的準(zhǔn)確度。在labelimg軟件中對每一張圖像的車道線信息進(jìn)行標(biāo)注，然后將每張圖像進(jìn)行圖像預(yù)處理后的二值化圖像加入數(shù)據(jù)集中，增加參考量。

Tusimple數(shù)據(jù)集如圖4所示，a圖為天氣良好的情況，b圖為光照條件不好的情況。由圖可知，不同場景結(jié)合下的訓(xùn)練效果魯棒性較好。

圖4 Tusimple數(shù)據(jù)集Fig.4 Tusimple data set

3.3 實驗平臺及參數(shù)設(shè)置

實驗在CPU為Intel(R) Core(TM) i5-9300H CPU@ 2.40 GHz，GPU為NVIDIA GeForce GTX 1650,CUDA為11.0版，Cudnn為8.0版的配置上完成，并使用pytorch軟件，調(diào)用opencv庫，搭建TensorFlow框架，完成實驗。

設(shè)置的訓(xùn)練參數(shù)如表1所示。

表1 訓(xùn)練參數(shù)設(shè)置Table 1 Training parameter setting

3.4 實驗結(jié)果分析

下面主要對于上文論述的相關(guān)內(nèi)容進(jìn)行消融實驗，表2是加入二值化圖像前后的對比實驗結(jié)果。

表2 不同圖像數(shù)據(jù)處理方式的實驗結(jié)果對比Table 2 Image data processing comparison %

由表2中的數(shù)據(jù)可知，加入二值化圖像數(shù)據(jù)后，mAP數(shù)值上升了2.8%，但準(zhǔn)確率基本保持不變，說明加入二值化圖像對于車道線信息的識別準(zhǔn)確率具有一定的提升效果。

表3是選用YOLOv5s時，采用不同損失函數(shù)的檢測結(jié)果。

表3 不同損失函數(shù)下的檢測結(jié)果對比Table 3 Comparison of detection results under different loss functions

由表3中的數(shù)據(jù)可以得知，EIOU的檢測效果更好，且收斂效果也比GIoU的效果更加顯著。

表4為對YOLOv5s修改錨框機制前后的mAP與準(zhǔn)確率檢測結(jié)果對比。

表4 不同神經(jīng)網(wǎng)絡(luò)下的檢測效果對比Table 4 Comparison of detection effects under different neural networks %

由表4可知，將anchor-based改為anchor-free后，對車道線的檢測mAP與準(zhǔn)確率均約提高了1%，且不用進(jìn)行k-means聚類預(yù)選錨框，節(jié)省了實驗步驟。

表5給出在YOLOv5s增加了mixup增強算法前后的mAP檢測結(jié)果。

表5 增加混合增強算法前后的檢測結(jié)果對比表Table 5 Comparison table of hybrid enhancement algorithms %

由表5 可知，當(dāng)在YOLOv5s中加入了mixup后，進(jìn)一步對數(shù)據(jù)集進(jìn)行了數(shù)據(jù)增強，因此數(shù)據(jù)集的mAP和準(zhǔn)確率都得到了提升。

最終的實驗結(jié)果測試標(biāo)準(zhǔn)采用mAP因子，并參考召回率和準(zhǔn)確率，三者結(jié)合進(jìn)行分析。本實驗分別用YOLOv3[17]、YOLOv5s以及改進(jìn)方法進(jìn)行對比實驗。在實驗之前，由于YOLOv5s的深度和寬度是YOLOv3的1/3，所以，為了確保實驗的準(zhǔn)確性，將YOLOv3的深度和寬度修改為與YOLOv5s一樣。得到的訓(xùn)練效果圖見圖5，其中a圖為YOLOv3的訓(xùn)練結(jié)果，b圖為YOLOv5s的訓(xùn)練結(jié)果，c圖為改進(jìn)算法的訓(xùn)練結(jié)果。從圖5中可以看出，YOLOv3的整體檢測率較低，且存在較多的誤檢情況，改進(jìn)之后的方法相較于YOLOv5整體上的檢測率有所提高，錨框機制也有所改進(jìn)。

圖5 不同算法的實驗效果對比圖Fig.5 Comparison of experimental results of different algorithms

SSD（single shot detection）因其網(wǎng)絡(luò)結(jié)構(gòu)簡單，檢測速率快，也經(jīng)常被用來識別目標(biāo)，故加入一組SSD+VGG（Visual Geometry Group）16的對照實驗，不同算法的實驗結(jié)果數(shù)據(jù)見表6。

表6 不同算法的實驗結(jié)果數(shù)據(jù)對比表Table 6 Comparison table of experimental results %

由表6中的數(shù)據(jù)可以得知，對比YOLOv3，YOLOv5s在速度和準(zhǔn)確率上均有大幅度提升；在改進(jìn)了損失函數(shù)以及加入了二值化通道后，相較而言，約增加了6%的準(zhǔn)確率。

由表6還可以得出，相較其他方法，改進(jìn)方法在準(zhǔn)確率和mAP上都有明顯提升，召回率也有所提升，改進(jìn)之后的模型檢測效果明顯提升。且相較于SSD+VGG16的網(wǎng)絡(luò)結(jié)構(gòu)，YOLO系列在檢測精度上都大大提升。

表7給出了YOLOv3、YOLOv5s與改進(jìn)后的YOLOv5s訓(xùn)練后的模型大小，以及檢測速率的結(jié)果對比。

表7 YOLOv系列網(wǎng)絡(luò)的模型性能對比Table 7 Model performance comparison of series YOLOv networks

結(jié)合表6和表7可以得出，對YOLOv5s進(jìn)行改進(jìn)之后，訓(xùn)練后得到的模型大小與原來相比是一樣的，雖然檢測速率下降了一些，但仍在可接受范圍內(nèi)。在僅犧牲約0.05%的檢測速率后，得到了比較明顯的準(zhǔn)確率提升，并且mAP提高了近11%，準(zhǔn)確率提高了13%，可見改進(jìn)方法模型更加適用于車道線的檢測。

4 結(jié)語

在目前的深度學(xué)習(xí)算法中，YOLO系列由于其結(jié)構(gòu)簡單、訓(xùn)練速度快等特點，能夠?qū)崟r完成一些視頻流的檢測，具有較好的魯棒性與實時性。其最新的YOLOv5大大增加了檢測速率和準(zhǔn)確率，使用起來十分方便。通過對YOLOv5s和YOLOv3的比較，在車道線檢測方面，YOLOv5s的提升效果十分明顯，不僅訓(xùn)練速度約是YOLOv3的3倍，準(zhǔn)確度也得到了明顯的提升。目前傳統(tǒng)的模型縮放方法是改變模型深度，即增加更多的卷積層[19]，所以在增加準(zhǔn)確度的同時，訓(xùn)練速度也會有所減緩。因此結(jié)合二者的特性進(jìn)行改進(jìn)，并選擇了YOLOv5s模型進(jìn)行訓(xùn)練。同時采用了EIOU損失函數(shù)，以加快其收斂速度，提高檢測準(zhǔn)確性。在數(shù)據(jù)準(zhǔn)備階段，采用了anchor-free，使錨框更加符合車道線的錨定框。增加了二值化通道，以提高道路信息不太明確時的檢測準(zhǔn)確度。改進(jìn)方法相比YOLOv5s原模型而言，其準(zhǔn)確率約提升了13%，mAP值提升了11%左右，且達(dá)到了80%以上的準(zhǔn)確率。

由于本研究使用的是Tusimple數(shù)據(jù)集，道路信息大多十分明顯，所以在車道線信息冗雜、缺失的情況下，還需要進(jìn)一步研究改進(jìn)后的檢測效率。