基于注意力机制的车道线检测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种基于注意力机制的车道线检测方法、装置、设备及存储介质，所述方法包括：获取路况图像并进行预处理，得到预处理后的路况图像；将所述预处理后的路况图像输入预训练的车道线检测模型，得到检测出来的车道线，其中，所述车道线检测模型包括初始特征提取模块、混合注意力模块、特征融合模块、全连接层以及行锚选择层；在原始的路况图像中标记检测出来的车道线。根据本公开实施例提供的车道线检测方法，可以基于全局上下文的融合特征进行车道线的检测，可以适应复杂多变的道路场景，从而提高车道线检测的鲁棒性、适应性以及准确度。准确度。准确度。

【技术实现步骤摘要】
基于注意力机制的车道线检测方法、装置、设备及介质


[0001]本专利技术涉及目标检测
，特别涉及一种基于注意力机制的车道线检测方法、装置、设备及介质。

技术介绍

[0002]车道线检测是智能驾驶领域的关键技术之一，被广泛应用于汽车辅助驾驶系统和车道偏离预警系统，它可以为车辆提供自身的位置信息，并为汽车规划线路。
[0003]现有技术中的车道线检测算法，主要是基于图像处理手段从图像中提取车道线的边缘特征，从而确定车道线的位置。例如，采用局部灰度阈值方法提取边缘特征，之后再将属于同一车道线的像素点进行聚类从而实现车道线的检测。该方法是针对车道线较为清晰完整、光照均匀、不存在遮挡等的简单场景，如高速公路。但是，在实际的应用场景中，通常会遇到车辆遮挡、车道线磨损、光线变化等复杂的道路场景，因此，现有技术中的车道线检测方法检测精度较低，难以适应复杂的道路场景。

技术实现思路

[0004]本公开实施例提供了一种基于注意力机制的车道线检测方法、装置、设备及介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
[0005]第一方面，本公开实施例提供一种基于注意力机制的车道线检测方法，包括：
[0006]获取路况图像并进行预处理，得到预处理后的路况图像；
[0007]将预处理后的路况图像输入预训练的车道线检测模型，得到检测出来的车道线，其中，车道线检测模型包括初始特征提取模块、混合注意力模块、特征融合模块、全连接层以及行锚选择层；
[0008]在原始的路况图像中标记检测出来的车道线。
[0009]在一个可选地实施例中，获取路况图像并进行预处理，得到预处理后的路况图像，包括：
[0010]获取车载摄像头拍摄的路况视频；
[0011]按照预设规则对路况视频进行抽帧，并调整抽取的路况图像的大小，得到预处理后的路况图像。
[0012]在一个可选地实施例中，将预处理后的路况图像输入预训练的车道线检测模型，得到检测出来的车道线，包括：
[0013]将预处理后的路况图像输入初始特征提取模块，得到提取出来的初始特征图；
[0014]将初始特征图输入混合注意力模块，得到提取出来的混合注意力特征图；
[0015]通过特征融合模块将初始特征图和混合注意力特征图按预设权重进行加权运算，得到融合特征图；
[0016]通过行锚选择层提取融合特征图的车道线锚点坐标，并根据锚点坐标进行车道线拟合，得到检测出来的车道线。
[0017]在一个可选地实施例中，初始特征提取模块为残差网络结构，通过多层的卷积运算得到提取出来的初始特征图。
[0018]在一个可选地实施例中，混合注意力模块包括通道注意力单元以及空间注意力单元；
[0019]通道注意力单元用于对初始特征图进行全局平均池化操作以及卷积操作，得到通道注意力特征图；
[0020]空间注意力单元用于对通道注意力特征图进行卷积操作，得到三个相同的卷积特征图，分别对三个卷积特征图进行自适应平均池化操作，将池化后的特征图进行特征融合，将融合后的特征图再次卷积并上采样，根据激活函数得到空间注意力权重，将空间注意力权重与通道注意力特征图相乘，得到提取出来的混合注意力特征图。
[0021]在一个可选地实施例中，将预处理后的路况图像输入预训练的车道线检测模型之前，还包括：
[0022]将车道线数据集分为训练集、测试集以及验证集；
[0023]根据训练集、测试集以及验证集训练车道线检测模型，其中，车道线检测模型还包括特征连接模块、空间注意力模块以及卷积池化模块的辅助分支，用于监督训练和更新模型参数。
[0024]在一个可选地实施例中，车道线检测模型的损失函数如下所示：
[0025]L
total
＝αL
c1s
+βL
seg
[0026]其中，l
total
表示车道线检测模型的总损失函数，α和β是加权系数，L
cls
是分类损失函数，L
seg
是分割损失函数。
[0027]第二方面，本公开实施例提供了一种基于注意力机制的车道线检测装置，包括：
[0028]获取模块，用于获取路况图像并进行预处理，得到预处理后的路况图像；
[0029]检测模块，用于将预处理后的路况图像输入预训练的车道线检测模型，得到检测出来的车道线，其中，车道线检测模型包括初始特征提取模块、混合注意力模块、特征融合模块、全连接层以及行锚选择层；
[0030]显示模块，用于在原始的路况图像中标记检测出来的车道线。
[0031]第三方面，本公开实施例提供了一种基于注意力机制的车道线检测设备，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的基于注意力机制的车道线检测方法。
[0032]第四方面，本公开实施例提供一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令可被处理器执行以实现上述实施例提供的一种基于注意力机制的车道线检测方法。
[0033]本公开实施例提供的技术方案可以包括以下有益效果：
[0034]本公开实施例提供的基于注意力机制的车道线检测方法，针对复杂的道路场景，对传统的空间注意力模块进行了改进，同时引入了高效的通道注意力模块，通过连接形成混合注意力模块，得到混合注意力特征，在网络中添加该模块之后，可以提取到图像深层的特征信息，可以适应复杂多变的道路场景，从而提高车道线检测的鲁棒性、适应性以及准确
度。
[0035]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
附图说明
[0036]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0037]图1是根据一示例性实施例示出的一种基于注意力机制的车道线检测方法的流程示意图；
[0038]图2是根据一示例性实施例示出的一种根据车道线检测模型检测车道线的方法流程示意图；
[0039]图3是根据一示例性实施例示出的一种训练车道线检测模型的方法流程示意图；
[0040]图4是根据一示例性实施例示出的一种车道线检测模型的结构示意图；
[0041]图5是根据一示例性实施例示出的一种空间注意力单元的示意图；
[0042]图6是根据一示例性实施例示出的一种通道注意力单元的示例图；
[0043]图7是根据一示例性实施例示出的一种车道线检测结果的示意图；
[0044]图8是根据一示例性实施例示出的一种基于注意力机制的车道线检测装置的结构示意图；
[0045]图9是根据一示例性实施例示出的一种基于注意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的车道线检测方法，其特征在于，包括：获取路况图像并进行预处理，得到预处理后的路况图像；将所述预处理后的路况图像输入预训练的车道线检测模型，得到检测出来的车道线，其中，所述车道线检测模型包括初始特征提取模块、混合注意力模块、特征融合模块、全连接层以及行锚选择层；在原始的路况图像中标记检测出来的车道线。2.根据权利要求1所述的方法，其特征在于，获取路况图像并进行预处理，得到预处理后的路况图像，包括：获取车载摄像头拍摄的路况视频；按照预设规则对所述路况视频进行抽帧，并调整抽取的路况图像的大小，得到预处理后的路况图像。3.根据权利要求1所述的方法，其特征在于，将所述预处理后的路况图像输入预训练的车道线检测模型，得到检测出来的车道线，包括：将所述预处理后的路况图像输入所述初始特征提取模块，得到提取出来的初始特征图；将所述初始特征图输入所述混合注意力模块，得到提取出来的混合注意力特征图；通过所述特征融合模块将所述初始特征图和所述混合注意力特征图按预设权重进行加权运算，得到融合特征图；通过所述行锚选择层提取所述融合特征图的车道线锚点坐标，并根据所述锚点坐标进行车道线拟合，得到检测出来的车道线。4.根据权利要求3所述的方法，其特征在于，所述初始特征提取模块为残差网络结构，通过多层的卷积运算得到提取出来的初始特征图。5.根据权利要求3所述的方法，其特征在于，所述混合注意力模块包括通道注意力单元以及空间注意力单元；所述通道注意力单元用于对所述初始特征图进行全局平均池化操作以及卷积操作，得到通道注意力特征图；所述空间注意力单元用于对所述通道注意力特征图进行卷积操作，得到三个相同的卷积特征图，分别对三个卷积特征图进行自适应平均池化操作，将池化后的特征图进行特征融合，将融合后的特征图再次卷积并上采样，根据激活函数得到空间注...

【专利技术属性】
技术研发人员：傅慧源，马华东，牛少达，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：