[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

说明书

一种注意力机制的车道线检测方法、系统、设备及介质，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。

技术领域

本发明涉及到计算机视觉的目标检测领域，特别涉及一种注意力机制的车道线检测方法、系统、设备及介质。

背景技术

近十年来，随着车载智能设备的普及和车路协同系统的完善，自动驾驶越来越受到关注。车道检测是许多智能高级驾驶辅助系统(ADAS)的基本步骤，例如车道偏离警告系统，当车辆偏离车道时向驾驶员发出警告。ADAS与其他交通信息检测技术逐渐成熟，并被广泛集成到汽车尤其是电动汽车中，人们逐渐习惯了自动驾驶。然而，当在真实道路上测试时，复杂的道路条件，如遮挡、照明等因素而使车道线结构不完整，容易产生漏检，从而让车道线检测具有挑战性。

发明内容

本发明的目的在于一种注意力机制的车道线检测方法、系统、设备及介质，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

第一方面，本发明提供一种注意力机制的车道线检测方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，当训练得到的loss值不在下降趋于稳定时，不在进行训练。

可选的，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。