【技术实现步骤摘要】
本专利技术涉及车道线检测，具体为一种基于多维协同注意力和特征聚合的车道线检测方法。
技术介绍
1、随着人工智能的兴起，自动驾驶逐渐成为了研究的热点领域之一。车道线检测是自动驾驶中至关重要的一环，不仅能够帮助车辆按照车道线的轨迹行驶，缓解驾驶员的疲劳，而且还极大提高了行车安全。尽管目前的车道线检测技术已经取得了显著的成就，但在复杂的环境下仍然存在不足。例如，车道线部分缺失、前方车辆遮挡、路面积水和反光都可能影响视野，导致检测精度和速度下降。面对这些问题，现有的车道线检测算法在复杂环境下还未能完全满足高性能的需求。
2、车道线检测方法目前主要分为两大类：传统车道线检测方法和基于深度学习的车道线检测方法。传统车道线检测方法又可以进一步细分为基于特征的车道线检测和基于模型的车道线检测。基于特征的车道线检测方法通常利用车道线在图像中表现出的特定形状、颜色、纹理或几何特征进行检测。这些特征信息通过与环境特征进行对比，实现车道线与背景的区分。这类方法对车道线的完整性要求较高，难以应对遮挡或车道线磨损严重的情况。基于模型的车道线检测方法主要...
【技术保护点】
1.一种基于多维协同注意力和特征聚合的车道线检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于多维协同注意力和特征聚合的车道线检测方法，其特征在于：ResNet网络由1个卷积层和4个残差块组成，将1个卷积层和4个残差块依次编码为L1层、L2层、L3层、L4层和L5层，其中，每个残差块都包含两个残差单元BasicBlock，每个残差单元包含两个3×3卷积层，每个3×3卷积层后都连接一个批量归一化层和ReLU激活函数，将MCA多维协同注意力模块添加至L3层、L4层和L5层后面；辅助层由多层卷积层、批量归一化层和激活函数ReLU组成；定位分支...
【技术特征摘要】
1.一种基于多维协同注意力和特征聚合的车道线检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于多维协同注意力和特征聚合的车道线检测方法，其特征在于：resnet网络由1个卷积层和4个残差块组成，将1个卷积层和4个残差块依次编码为l1层、l2层、l3层、l4层和l5层，其中，每个残差块都包含两个残差单元basicblock，每个残差单元包含两个3×3卷积层，每个3×3卷积层后都连接一个批量归一化层和relu激活函数，将mca多维协同注意力模块添加至l3层、l4层和l5层后面；辅助层由多层卷积层、批量归一化层和激活函数relu组成；定位分支模块和存在分支模块均由多层卷积、relu函数和全连接层组成。
3.根据权利要求2所述的一种基于多维协同注意力和特征聚合的车道线检测方法，其特征在于：步骤s3的具体过程为：将车道图像输入至resnet网络的l1层，首先，车道图像经过一个步长为2的7×7卷积进行卷积得到图像信息，将图像信息进行批量归一化操作，得到特征图，特征图经过relu激活函数得到激活后的特征图，最后将激活后的特征图进行卷积池化，得到池化后的特征图，即l1层输出的特征信息，表示为：
4.根据权利要求3所述的一种基于多维协同注意力和特征聚合的车道线检测方法，其特征在于：注意力的空间维度操作为：mca多维协同注意力模块包含顶部分支、中部分支和底部分支三个分支；
5.根据权利要求4所述的一种基于多维协同注意力和特征聚合的车道线检测方法，其特征在于：mca多维协同注意力模块中部分支的操作为：首先，将输入的沿着宽w逆时针旋转90°，得到特征图,将进行挤压变换，得到特征映射图，将进行激励变换，得到沿宽度方向的特征图；将使用sigmoid函数生成注意力权重，然后通过元素乘法将注意力权重与进行相乘，得到增强特征图，最后将沿宽w顺时针90°旋转，得到中部分支最终输出特征图，计算公式如下：
6.根据权利要求5所述的一种基于多维协同注意力和特征聚合的车道线检测方法，其...
【专利技术属性】
技术研发人员：曾纪国，刘单群，方嘉成，吴水秀，杨波，
申请(专利权)人：江西师范大学，
类型：发明
国别省市：
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。