[发明专利]一种注意力机制的车道线检测方法、系统、设备及介质

权利要求书

1.一种注意力机制的车道线检测方法，其特征在于，包括：

获取车道线数据集，并对车道线数据集进行预处理；

将预处理后的车道线数据集进行划分，得到训练集和验证集；

构建检测网络模型，并融合改进的注意力机制模块，得到融合后的特征图；

将训练集输入改进后的网络模型中利用Focal loss损失函数进行训练；

将融合后的特征图通过对训练集图像中目标的位置和类别进行预测，得到预测结果，并通过验证集对改进后的网络模型进行验证。

2.根据权利要求1所述的一种注意力机制的车道线检测方法，其特征在于，所述对车道线数据集进行预处理方法，包括：裁剪、翻转变换、颜色变换、混合图像或尺度缩放中的一种或多种。

3.根据权利要求1所述的一种注意力机制的车道线检测方法，其特征在于，所述将预处理后的车道线数据集进行划分，具体为将车道线数据集按照6:2:2划分为训练集、验证集和测试集。

4.根据权利要求1所述的一种注意力机制的车道线检测方法，其特征在于，所述构建检测网络模型，并融合改进的注意力机制模块，得到融合后的特征图，具体包括：

将检测网络模型的主干特征网络融合改进的注意力机制模块，得到融合后的网络模型，将训练集输入融合后的网络模型进行特征提取，得到提取的特征，在融合后的网络模型的基础上加入自适应特征融合机制模块，得到最终的改进后的网络模型，将提取特征的权重参数输入改进后的网络模型中，改进后的网络模型对提取的特征进行学习，得到融合后的特征图。

5.根据权利要求1所述的一种注意力机制的车道线检测方法，其特征在于，所述将训练集输入改进后的网络模型中利用Focal loss损失函数进行训练，具体包括：

将融合后的特征图通过检测模块来对训练集图像中目标的位置和类别进行预测，在类别不平衡时，负样本的存在增加了模型的损失值，由此引入Focal loss损失函数，其公式如(1)所示：

在公式(1)中加了γ因子，其中γ0，y是真实样本，其取值范围在0-1之间。

6.根据权利要求5所述的一种注意力机制的车道线检测方法，其特征在于，当训练得到的loss值不在下降趋于稳定时，不在进行训练。

7.根据权利要求1所述的一种注意力机制的车道线检测方法，其特征在于，所述通过验证集对改进后的网络模型进行验证，具体包括：

将验证集输入改进后的网络模型中，通过实验训练得到最优权重，对测试集中的图片进行测试，获得最终的检测结果。

8.一种注意力机制的车道线检测系统，其特征在于，包括：

数据获取模块，用于获取车道线数据集，并对车道线数据集进行预处理；

数据划分模块，用于将预处理后的车道线数据集进行划分，得到训练集和验证集；

融合模块，用于构建检测网络模型，并融合改进的注意力机制模块，得到融合后的特征图；

训练模块，用于将训练集输入改进后的网络模型中利用Focal loss损失函数进行训练；

预测模块，用于将融合后的特征图通过对训练集图像中目标的位置和类别进行预测，得到预测结果，并通过验证集对改进后的网络模型进行验证。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述一种注意力机制的车道线检测方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种注意力机制的车道线检测方法的步骤。