【技术实现步骤摘要】
本申请涉及车辆驾驶，尤其涉及一种低光照场景下车道线检测方法、系统、设备及介质。
技术介绍
1、在车辆行驶过程中，由车载摄像系统获得周围驾驶环境图像，在每一帧图像中，车道线因形状细长狭窄，所占面积比例极小，导致其特征难以捕捉，一直以来都是车辆行驶环境检测任务的一大难点。由于道路车道线存在多种颜色和类型，并且不同场景下车道线的数量是不固定的。现有技术中，采用固定车道数或最大化车道数，检测可变数量的车道，该算法的实现比较复杂，所需算力大。或者采用检测模型，现有的车道线检测模型如：laneaf、lanenet等，上述模型对于白天的车道线检测表现不错，但由于车道线形状细长狭窄、所占面积小，在弱光环境下其特征较难捕捉，使弱光环境下的车道线检测效果有待提高。另外，在路灯和车前灯照明下，车道线的特征因暗光增强时的曝光过度变得更为模糊或者丢失，进一步破坏车道线原有的特征信息。
技术实现思路
1、本申请提供了一低光照场景下车道线检测方法、系统、设备及介质，以解决现有技术中存在的算法复杂和检测准确率低的技术问题，提升车道线检测的准确性。
2、为解决上述技术问题，第一方面，本申请提供了一种低光照场景下车道线检测方法，所述方法包括：对采集的车道线图像进行增强处理，得到第一图像；
3、将所述第一图像进行卷积处理后输入注意力特征提取模型进行特征提取，得到第一特征数据；
4、将所述第一图像跳跃连接至所述第一特征数据，得到第二特征数据；
5、将所述第二特征数据进行卷积
6、将所述六通道数据输入车道线检测模型，以获得车道线检测结果。
7、优选的，所述对采集的车道线图像进行增强处理，包括：
8、基于zero-dce算法构建低光照图像增强模型，所述低光照图像增强模型包括6个隐藏层和1个输出层；
9、将采集的车道线图像输入构建完成的低光照图像增强模型，获取所述车道线图像的最佳亮度增强曲线参数；
10、将所述最佳亮度增强曲线参数应用于所述车道线图像的所有像素点，以得到第一图像。
11、优选的，所述隐藏层为深度可分离卷积层，每一个所述深度可分离卷积层由一个深度卷积层和一个点卷积层组成，所述深度卷积层由32个大小为3×3、步长为1卷积核组成，所述点卷积层32个大小为1×1、步长为1卷积核组成；
12、6个所述深度可分离卷积层采用对称跳连的方式连接，其中，第三层深度可分离卷积层和第四层深度可分离卷积层的输出拼接在一起后输入第五深度可分离卷积层，第二层深度可分离卷积层和第五层深度可分离卷积层的输出拼接在一起后输入第六层深度可分离卷积层，第一层深度可分离卷积层和第六层深度可分离卷积层的输出拼接在一起后输入所述输出层。
13、优选的，所述注意力特征提取模型包括全局平均池化层和全连接层；
14、所述全局平均池化层用于对所述第一图像进行压缩，以获得特征向量；
15、所述全连接层用于基于所述特征向量学习得到第一图像每一个通道的权重，以组成第一图像的权重向量；
16、将所述权重向量应用于所述第一图像对应的每一个通道，以获得第一特征数据。
17、优选的，所述全局平均池化层的计算公式为：
18、
19、其中，h表示第一图像高度，w表示第一图像宽度，c表示通道数，uc表示输入对应通道的特征二维矩阵，zc表示全局平均池化后的输出，即特征向量，(i,j)表示第一图像中像素点坐标。
20、优选的，所述全连接层包括第一全连接层和第二全连接层；
21、所述全连接层的计算公式为：
22、s＝fex(z,w)＝σ(g(z,w))＝σ(w2δ(w1zc))，
23、其中，δ表示relu激活函数，σ表示sigmoid激活函数，r表示缩放比例参数。
24、优选的，所述将所述将所述第一图像跳跃连接至所述第一特征数据，得到第二特征数据，包括：
25、获取第一图像每一个通道的特征数据，并将其作为第三特征数据；
26、将所述第三特征数据与所述第一特征数据沿通道数的维度进行组合，得到第二特征数据。
27、第二方面，本申请还提供了一种低光照场景下车道线检测系统，所述系统包括：图像增强处理单元、图像注意力协同融合单元和车道线检测单元；
28、所述图像增强处理单元，用于通对采集的车道线图像进行增强处理，得到第一图像；
29、所述图像注意力协同融合单元，用于将所述第一图像输入注意力特征提取模型进行特征提取，得到第一特征数据；将所述第一图像跳跃连接至所述第一特征数据，得到第二特征数据；将所述第二特征数据进行卷积处理得到六通道数据；
30、所述车道线检测单元，用于将所述六通道数据输入车道线检测模型，以获得车道线检测结果。
31、第三方面，本申请还提供一种计算机设备，所述计算机设备包括存储器、处理器和收发器，它们之间通过总线连接；存储器用于存储一组计算机程序指令和数据，并将存储的数据传输给处理器，处理器执行存储器存储的程序指令，以执行上述所述的方法。
32、第四方面，本申请还提供一种计算机可读存储介质，述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现上述所述的方法。
33、本申请提供了一种低光照场景下车道线检测方法、系统、设备及介质，所述方法通过对采集的车道线图像进行增强处理，得到第一图像；将第一图像进行卷积处理后输入注意力特征提取模型进行特征提取，得到第一特征数据；将第一图像跳跃连接至第一特征数据，得到第二特征数据；将第二特征数据进行卷积处理得到六通道数据；将六通道数据输入车道线检测模型，以获得车道线检测结果。对于图像增强处理，基于zero-dce算法构建低光照图像增强模型，并以深度可分离卷积层替代普通卷积层，减少网络参数，提升模型处理效率，引入注意力机制在通道维度上实现第一图像和第一图像特征数据的平衡融合，为车道线检测模型提供最优的图像数据。本申请提供的低光照场景下车道线检测方法，数据处理效率高，在暗光环境下车道线检测准确度高，且适用于各种类型的车道线检测模型，更具有灵活性。
本文档来自技高网...【技术保护点】
1.一种低光照场景下车道线检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的低光照场景下车道线检测方法，其特征在于，所述对采集的车道线图像进行增强处理，包括：
3.如权利要求2所述的低光照场景下车道线检测方法，其特征在于，所述隐藏层为深度可分离卷积层，每一个所述深度可分离卷积层由一个深度卷积层和一个点卷积层组成，所述深度卷积层由32个大小为3×3、步长为1卷积核组成，所述点卷积层32个大小为1×1、步长为1卷积核组成；
4.如权利要求1所述的低光照场景下车道线检测方法，其特征在于，所述注意力特征提取模型包括全局平均池化层和全连接层；
5.如权利要求4所述的低光照场景下车道线检测方法，其特征在于，所述全局平均池化层的计算公式为：
6.如权利要求4所述的低光照场景下车道线检测方法，其特征在于，所述全连接层包括第一全连接层和第二全连接层；
7.如权利要求4所述的低光照场景下车道线检测方法，其特征在于，所述将所述将所述第一图像跳跃连接至所述第一特征数据，得到第二特征数据，包括：
8.一种低光照场
9.一种计算机设备，其特征在于：所述计算机设备包括存储器、处理器和收发器，它们之间通过总线连接；存储器用于存储一组计算机程序指令和数据，并将存储的数据传输给处理器，处理器执行存储器存储的程序指令，以执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种低光照场景下车道线检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的低光照场景下车道线检测方法，其特征在于，所述对采集的车道线图像进行增强处理，包括：
3.如权利要求2所述的低光照场景下车道线检测方法，其特征在于，所述隐藏层为深度可分离卷积层，每一个所述深度可分离卷积层由一个深度卷积层和一个点卷积层组成，所述深度卷积层由32个大小为3×3、步长为1卷积核组成，所述点卷积层32个大小为1×1、步长为1卷积核组成；
4.如权利要求1所述的低光照场景下车道线检测方法，其特征在于，所述注意力特征提取模型包括全局平均池化层和全连接层；
5.如权利要求4所述的低光照场景下车道线检测方法，其特征在于，所述全局平均池化层的计算公式为：
6.如权利要求4所述的低光照场景下车道线检测方法，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。