基于方向自注意力的车道线检测系统、方法和存储介质技术方案

本发明专利技术公开了基于方向自注意力的车道线检测系统、方法和存储介质，所述网络模型包括主干部分网络和双分支下游网络，双分支下游网络包括与主干部分网络尺度对称的分割解码器网络分支以及方向自注意力网络分支，所述方向自注意力网络分支包括多尺度特征拼接模块、方向自注意力模块。本发明专利技术通过分割解码器网络分支逐层恢复特征信息的分辨率，捕获高分率信息提高模型检测的感知区域；通过方向自注意力模块将特征信息按水平和垂直方向进行投影映射，计算出特征点的预测置信度，提高重要区域的信息贡献度。本发明专利技术加强了网络模型的特征表达能力，提高了车道线模糊场景下的分割精度，在车辆拥挤、极端光线下感知能力更强，分割轮廓更细腻。细腻。细腻。

【技术实现步骤摘要】
基于方向自注意力的车道线检测系统、方法和存储介质


[0001]本专利技术属于自动驾驶的
，具体涉及一种基于方向自注意力的车道线检测系统、方法和存储介质。

技术介绍

[0002]随着智慧交通相关技术的不断兴起，自动驾驶技术成为感知道路的重要领域之一，交通行业正逐渐智慧化地发展着。自动驾驶技术主要通过激光雷达、毫米波雷达等外部设备技术，和视频、图像等人工智能检测技术达到盲区检测、自动紧急制动、车道保持等辅助功能，可以及时预防制止大量的交通事故，提高行车途中的安全性。
[0003]车道线检测是自动驾驶技术中较为重要的功能之一，车道线检测通过确定车道线的位置从而定位可行驶的区域，利于提高车辆行驶的安全性，严格遵守道路交通规则。近几年，车道线检测方法主要分为基于传统图像处理的车道线检测方法和基于深度学习的车道线检测方法，但是随着应用场景的不断增多，基于传统图像处理的车道线检测方法变得不够适用了，所以基于深度学习的车道线检测方法成为了主流算法。基于深度学习的车道线检测方法按任务处理方式可分为基于语义分割的检测方法和非基于语义分割的检测方法，前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于方向自注意力的车道线检测系统，其特征在于，包括数据处理模块、训练模块、检测模块，所述数据处理模块用于形成训练集；所述训练模块用于采用训练集训练网络模型，所述检测模块用于将待检测图片输入训练后的网络模型并输出车道线检测结果；所述网络模型包括主干部分网络和双分支下游网络，所述双分支下游网络包括分割解码器网络分支和方向自注意力网络分支；所述主干部分网络用于提取训练集中图像的深度特征信息，所述主干部分网络分别与分割解码器网络分支、方向自注意力网络分支连接，且与分割解码器网络分支的尺度对称设置；所述分割解码器网络分支用于逐层恢复特征信息的分辨率，捕获高分率信息；所述方向自注意力网络分支用于提取图像全局的上下文信息，全局搜索预测率高的区域；所述方向自注意力网络分支包括从前至后依次设置的多尺度特征拼接模块、方向自注意力模块，所述多尺度特征拼接模块用于自适应地融合多层特征信息，所述方向自注意力模块用于结合目标特性将特征信息按水平和垂直方向进行投影映射，计算出特征点的预测置信度，提高重要区域的信息贡献度。2.根据权利要求1所述的基于方向自注意力的车道线检测系统，其特征在于，所述方向自注意力模块包括若干个分支单元以及特征拼接融合层，所述分支单元包括从前至后依次设置的特征映射模块、自注意力机制模块、特征重构层；若干个分支单元分别用于将特征信息沿垂直方向和水平方向进行投影，并通过特征拼接融合层与输入的特征信息拼接融合。3.根据权利要求2所述的基于方向自注意力的车道线检测系统，其特征在于，所述方向自注意力模块的前端设置有第一分支、第二分支、第三分支，且第一分支、第二分支、第三分支的输出端分别与特征拼接融合层连接；所述第一分支和第三分支的结构相同，且分别为分支单元；所述第二分支包括1
×
1卷积核的卷积层压缩维度的卷积层，用于保留输入的特征信息；所述第一分支用于利用特征映射模块将特征信息映射成H
×1×
C维度的特征信息，所述第三分支用于利用特征映射模块将特征信息映射成1
×
W
×
C维度的特征信息。4.根据权利要求1所述的基于方向自注意力的车道线检测系统，其特征在于，所述多尺度特征拼接模块用于将尺度一致的特征信息通过特征相加层进行融合...

【专利技术属性】
技术研发人员：张晓磊，赵燕，
申请(专利权)人：四川博创汇前沿科技有限公司，
类型：发明
国别省市：