一种基于YOLOv5的行车目标检测方法技术

一种基于YOLOv5的行车目标检测方法，对数据图片目标标签标注，改进YOLOv5代码训练数据集完成对应类别概率、目标置信度、预测框坐标的测算，用以目标实时检测并以检测框标出；进行HSV三通道拆分，结合不同通道特征进行区域提取，完成对车道线的特征掩模后再将HSV三通道合并为BGR色彩空间，再迭代筛选确定车道线目标，再以此为更精确的掩模通过低要求的Canny边缘检测和Hough变换，做到对曲率车道线的应检尽检；在物体立于地面上的强假设上，用相机标定纠正透镜畸变，再用其参数建立相机成像几何模型，通过单目视觉来测量距离；利用YOLOv5得到运动目标检测框，结合距离检测算法和车道线检测完成路面目标检测软件。本方法提高了检测的准确性与实时性。高了检测的准确性与实时性。高了检测的准确性与实时性。

【技术实现步骤摘要】
一种基于YOLOv5的行车目标检测方法


[0001]本专利技术涉及信息
，尤其涉及一种基于YOLOv5的行车目标检测方法。

技术介绍

[0002]随着计算机设备的不断升级以及大规模数据集的建立，计算机视觉与深度学习技术得到快速发展，对图片视频数据的处理速度得到大幅提升。计算机设备通过接收图像数据，并利用深度学习算法，从而拥有了感知图像内容的能力。目前，通过将深度学习技术与计算机视觉技术相结合，产生了一系列变革与新应用，其中目标检测、识别技术成为了众多应用的关键技术之一。而目标检测最为突出也是最为重要的问题就是识别速度与准确度上的问题，如何更快更准确的识别出一个物体是人们一直研究的方向，但是这两个需要同时满足的条件又有着十分矛盾的关系，提升准确度就要加深算法的复杂度，但是这就导致计算时间大大增加，降低了算法速度，同时想要提升识别速度，那么降低准确度也是不可避免的，所以权衡两者之间的关系从而做出符合世纪要求的算法是很困难的
[0003]单目视觉测距所采取的方式为动态测距，与现如今市面上的测距仪器数据采集的类别相比，例如微波雷达、激光雷达、超声波雷达相比，其采集信息的方式相对是不可侵犯的，对外界环境信号传播相对保守，该测距方式采用类似人眼感知的视觉方式，便于视觉化、立体化，也更方便快捷，同时该测距方式应用范围广，特别是智能交通系统中。单目视觉进行测距的技术问题主要存在于算法的准确度，如何更好的映射出更为准确的三维坐标系下的物体关系会对距离的准确度有很大的影响，如果将这项技术运用于自动驾驶目标识别中，如何将车身在路面上抖动的影响最小化，使距离测算一直能够保持较高的准度，这将是一个很好的研究方向。
[0004]车道线检测是一种环境感知应用，其目的是通过车载相机或激光雷达来检测车道线。近年来，随着计算机视觉的应用发展和落地，车道线检测任务也获得了广泛关注，出现一系列的车道线检测方法。车道线检测算法存在的问题主要在于车道线一般为细长形的外观结构，需要强大的高低层次特征融合来同时获取全局的空间结构关系和细节处的定位精度；车道线的状态呈现具有不确定性，如被遮挡、磨损、道路变化时本身的不连续性、天气影响(雨、雪)等。需要网络针对不同情况具备较强的推理能力。

技术实现思路

[0005]本专利技术要解决的技术问题是目标检测需要大量的数据进行模型训练，对于开发者需要大量的人力物力的投入，而用户也需要高昂的硬件设备。针对该问题，提出一种基于YOLOv5的行车目标检测方法，可以综合各个目标实现高效路面检测。本方法利用开源代码对目标实时检测并以检测框标出；对全图进行分层特征提取并由无监督迭代筛选确定车道线目标；以物体立于地面上的强假设为基础的通过单目视觉来测量距离的算法；利用YOLOv5得到运动目标检测框，再以它为基础得到车道线静态目标检测的底图，并结合距离检测算法，整合得到路面多目标检测结果。
[0006]一种基于YOLOv5的行车目标检测方法，包括如下步骤：
[0007]步骤1，对目标实时检测并以检测框标出；
[0008]步骤2，对全图进行分层特征提取并由无监督迭代筛选确定车道线目标；
[0009]步骤3，以物体立于地面上的强假设为基础的通过单目视觉来测量距离的算法；
[0010]步骤4，利用YOLOv5得到运动目标检测框，再以它为基础得到车道线静态目标检测的底图，并结合距离检测算法，整合得到路面多目标检测结果。
[0011]进一步地，步骤1中，对样本进行标定并利用开源模型训练，包括：数据集大量样本的目标标定，针对不同情况对训练模型参数的设定，进一步简化模型提高训练检测速度；通过收集各种不同环境下的样本数据，对其进行目标标定并训练相应模型，参考Precision，Recall与mAP指标，不断补充与修改数据样本。
[0012]进一步地，步骤1将收集到的行车记录仪视频，通过python编程实现视频的切割；将视频切分成用于标注的图片；
[0013]确定数据集的标定的类别，包括行人person，自行车bicycle，限速标志speed
‑
limitsign；
[0014]将标定好的图片传入YOLOv5官方提供的训练文件中，通过选择模型的对应模型配置文件，对官方提供的识别模型文件再进行自主的个性化训练，得到新模型后再进行优化，最终得到车辆、行人的动态目标检测的结果。
[0015]进一步地，步骤2中对原图像素进行从BGR色彩空间到HSV色彩空间的转换，运用cv2相关代码对图像处理并进行通道拆分，得到H色调通道，S饱和度通道，V亮度通道；
[0016]车道线分为白色车道线和黄色车道线；其中白色车道线直接从BGR色彩空间由Canny函数进行特征提取；对于黄色车道线，分别对原图的BGR色彩图和HSV空间中S饱和度灰白图进行Canny函数特征提取，并将两次提取结果做异或图象处理，将由S通道得到的黄色车道线边缘和由原图得到的白色车道线在黑色像素的底图上相叠加，得到包含准确的不同颜色车道线边缘二值化图像。
[0017]进一步地，步骤2中利用霍夫函数，设定包括构成线段的最少像素点数量、线段的最小长度、线段中两点的最大跨度的三参数得到由较多线点，长度较长，两线点跨度适中的多线段数据；
[0018]对多线段数据由车道线特征进一步迭代筛选并进行最小二乘拟合得出一条较清晰但不全面的主线。
[0019]进一步地，步骤2中对多线段的进一步迭代筛选运用类霍夫函数的处理，即对已经提取过一次线段特征得若干线段进一步对它们所在直线的斜率、方位和它们本身的长度进行特征提取，将斜率差别小、所在直线位置相近的若干线段重新拟合成同一条线段，作为主线；并由斜率、长度、数量判断是否代表车道线，以此消除噪音。
[0020]进一步地，运用类霍夫函数的迭代筛选处理具体做法是，将两点的横纵坐标共四个参数(x1,y1,x2,y2)转化为三个特征参数，分别是其所在直线的斜率k即与X轴相交形成的角度α、所在直线到原点的距离d、线段本身的长度L；先从许多线段中找到斜率的绝对值最大的某条线段即最倾斜的线段，并以此作为本次迭代的标准线段对所有线段进行筛选；先将与之斜率差别较小、到原点距离较为接近的线段全部选出，并进行拟合，作为主线；在本次迭代中最为倾斜的线是最接近车道线的，但还需要进一步确定；将与其相接近的线段
的数量作为判断标准，数量大于等于某一阈值即确认是车道线；如果没有相接近的线段，则其长度是唯一判断标准，长度够长则认为是车道线，不到阈值则认为其不是车道线，将这条线排除，并选择下一条斜率最大的线作为下一次迭代标准，直到确定车道线或者所有线段被排除。
[0021]进一步地，步骤2中对主线所在直线进行膨胀处理，得到一段具有一较小宽度的车道线区域，以此作为掩膜在重新对原图像进行较低要求的Canny函数边缘检测，得到准确的车道线边缘图；再进行的Hough函数线特征提取，设置参数检测线点少，跨度断，成线也短的若干短线，做到对有一定曲率的车道线的应检尽检。
[0022本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5的行车目标检测方法，其特征在于：所述方法包括如下步骤：步骤1，对目标实时检测并以检测框标出；步骤2，对全图进行分层特征提取并由无监督迭代筛选确定车道线目标；步骤3，以物体立于地面上的强假设为基础的通过单目视觉来测量距离的算法；步骤4，利用YOLOv5得到运动目标检测框，再以它为基础得到车道线静态目标检测的底图，并结合距离检测算法，整合得到路面多目标检测结果。2.根据权利要求1所述的一种基于YOLOv5的行车目标检测方法，其特征在于：步骤1中，对样本进行标定并利用开源模型训练，包括：数据集大量样本的目标标定，针对不同情况对训练模型参数的设定，进一步简化模型提高训练检测速度；通过收集各种不同环境下的样本数据，对其进行目标标定并训练相应模型，参考Precision，Recall与mAP指标，不断补充与修改数据样本。3.根据权利要求2所述的一种基于YOLOv5的行车目标检测方法，其特征在于：步骤1将收集到的行车记录仪视频，通过python编程实现视频的切割；将视频切分成用于标注的图片；确定数据集的标定的类别，包括行人person，自行车bicycle，限速标志speed
‑
limitsign；将标定好的图片传入YOLOv5官方提供的训练文件中，通过选择模型的对应模型配置文件，对官方提供的识别模型文件再进行自主的个性化训练，得到新模型后再进行优化，最终得到车辆、行人的动态目标检测的结果。4.根据权利要求1所述的一种基于YOLOv5的行车目标检测方法，其特征在于：步骤2中对原图像素进行从BGR色彩空间到HSV色彩空间的转换，运用cv2相关代码对图像处理并进行通道拆分，得到H色调通道，S饱和度通道，V亮度通道；车道线分为白色车道线和黄色车道线；其中白色车道线直接从BGR色彩空间由Canny函数进行特征提取；对于黄色车道线，分别对原图的BGR色彩图和HSV空间中S饱和度灰白图进行Canny函数特征提取，并将两次提取结果做异或图象处理，将由S通道得到的黄色车道线边缘和由原图得到的白色车道线在黑色像素的底图上相叠加，得到包含准确的不同颜色车道线边缘二值化图像。5.根据权利要求4所述的一种基于YOLOv5的行车目标检测方法，其特征在于：步骤2中利用霍夫函数，设定包括构成线段的最少像素点数量、线段的最小长度、线段中两点的最大跨度的三参数得到由较多线点，长度较长，两线点跨度适中的多线段数据；对多线段数据由车道线特征进一步迭代筛选并进行最小二乘拟合得出一条较清晰但不全面的主线。6.根据权利要求5所述的一种基于YOLOv5的行车目标检测方法，其特征在于：步骤2中对多线段的进一步迭代筛选运用类霍夫函数的处理，...

【专利技术属性】
技术研发人员：徐鹤，刘致远，朱家骏，宁帅宇，李鹏，季一木，刘尚东，苏俞彪，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：