本发明涉及智能驾驶，尤其涉及一种应用于夜间场景的车道线检测方法及系统。
背景技术：
1、在智能驾驶领域，准确且快速地识别出车道线对于智能驾驶系统和智能车辆至关重要。随着深度学习技术的进步，基于深度学习的车道线检测方法在车道线检测领域取得了许多成果。然而，基于深度学习的车道线检测方法依然面临着来自夜间环境的检测困难的挑战，夜间环境使得车道线特征变得模糊提取难度变大。同时主流的车道线检测算法也多基于正常光照环境开发，且由于现有的车道线检测任务数据集大多在能见度良好的白天采集，缺乏足够的夜间车道线训练样本，基于深度学习的车道线检测方法无法充分地学习夜间车道线的特征信息。于是在白天表现良好的车道线检测方法往往在夜间场景下表现不佳。
2、对夜间图像进行图像增强是应对夜间车道线检测的主流思路，其中生成对抗网络非常适合夜间图像的增强任务，然而现有的基于生成对抗网络的车道线检测方法需要白天和夜晚成对的图像进行训练，而大量的成对图像是非常难以获取的。同时现下主流的车道线检测算法也多基于正常光照环境开发，难以适应夜间道路图像的低光照环境，往往在夜间场景下鲁棒性低准确性下降。
技术实现思路
1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
2、鉴于上述现有存在的问题，提出了本发明。
3、因此，本发明提供了一种应用于夜间场景的车道线检测方法及系统解决现有车道线检测方法对夜间场景下的检测准确率较低的问题。
4、为解决上述技术问题，本发明提供如下技术方案：
5、第一方面，本发明提供了一种应用于夜间场景的车道线检测方法，包括：
6、获取车道线数据集，所述数据集包含白天车道线图像和夜间车道线图像；
7、通过引入改进的自注意力机制的循环生成对抗网络，对夜间车道线图像进行图像增强；
8、基于自注意力机制增强的夜间车道线图像，构建车道线检测网络；
9、将自注意力机制增强的夜间车道线图像与未经增强的白天车道线图像，输入车道线检测网络进行训练；
10、将待检测的夜间图像输入训练好的车道线检测网络中，拟合得到网络检测出的车道线。
11、作为本发明所述的应用于夜间场景的车道线检测方法的一种优选方案，其中：
12、所述数据集包含白天车道线图像和夜间车道线图像，包括分别对白天车道线图像和夜间车道线图像进行数据划分，其中白天车道线图像按照训练集、验证集和测试集＝6:2:2的比例划分，夜间车道线图像按照训练集：测试集＝8:2的比例划分。
13、作为本发明所述的应用于夜间场景的车道线检测方法的一种优选方案，其中：
14、所述改进的自注意力机制，包括以下步骤：
15、在循环生成对抗网络的生成器残差模块中嵌入自注意力机制，通过计算查询q、键k、值v矩阵，执行注意力权重分配；
16、通过引入条件向量c调整注意力机制；
17、根据输入图像特征复杂度和噪声水平动态调整注意力权重，通过学习到的加权因子，优化在复杂区域的注意力分配；
18、提出环境条件加权函数来调整自注意力权重，及车道线清晰度评估函数，量化图像中车道线的清晰程度；
19、基于车道线清晰度，应用自适应补正函数，针对不清晰的车道线进行增强和补全；
20、得到改进的自注意力机制的循环生成对抗网络。
21、作为本发明所述的应用于夜间场景的车道线检测方法的一种优选方案，其中：
22、所述环境条件加权函数表示为：
23、wenv(c)＝σ(wcc+bc)
24、其中，σ是激活函数，wc和bc是可学习的权重矩阵和偏置项。
25、作为本发明所述的应用于夜间场景的车道线检测方法的一种优选方案，其中：
26、所述车道线清晰度评估函数表示为：
27、
28、其中，e(p)表示像素p的边缘响应，rlane是预估的车道线区域，|rlane|是该区域的像素数量。
29、作为本发明所述的应用于夜间场景的车道线检测方法的一种优选方案，其中：
30、所述自适应补正函数表示为：
31、
32、其中，α是学习得到的放大系数，mlane是车道线掩模；
33、所述改进的自注意力机制的循环生成对抗网络表示为：
34、
35、作为本发明所述的应用于夜间场景的车道线检测方法的一种优选方案，其中：
36、所述车道线检测网络，包括以下步骤：
37、通过一个7*7卷积层进行初步特征提取，设置初始通道数为64；利用一个3*3卷积的下采样层减少特征图尺寸同时保留关键特征信息；
38、在编码器内部设计四个扩张卷积模块，每个模块包含跳跃连接和四层扩张卷积层，扩张率依次为1、3、7、11，使用relu激活函数以保持特征的非线性表达能力；
39、特征图通过反卷积层后经过反卷积操作，再与特征提取过程中经过对应扩张卷积后大小相同的特征图进行融合；
40、通过四次反卷积操作将特征图像恢复为尺寸与输入图像相同，通道数与起始通道数相同；
41、经过一个卷积层，通过一次卷积改变通道数，输出车道线和背景的二值图像；
42、采用最小二乘法对预测的车道线关键点进行三次曲线拟合，完成车道线检测网络的构建。
43、第二方面，本发明提供了一种应用于夜间场景的车道线检测系统，包括：
44、获取模块，用于获取车道线数据集，所述数据集包含白天车道线图像和夜间车道线图像；
45、增强模块，用于通过引入改进的自注意力机制的循环生成对抗网络，对夜间车道线图像进行图像增强；
46、构建模块，用于基于自注意力机制增强的夜间车道线图像，构建车道线检测网络；
47、训练模块，用于将自注意力机制增强的夜间车道线图像与未经增强的白天车道线图像，输入车道线检测网络进行训练；
48、拟合模块，用于将待检测的夜间图像输入训练好的车道线检测网络中，拟合得到网络检测出的车道线。
49、第三方面，本发明提供了一种计算设备，包括：
50、存储器，用于存储程序；
51、处理器，用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述应用于夜间场景的车道线检测方法的步骤。
52、第四方面，本发明提供了一种计算机可读存储介质，包括：所述程序被处理器执行时，实现所述的应用于夜间场景的车道线检测方法的步骤。
53、本发明的有益效果：本发明通过改进循环对抗生成网络cyclegan对夜间图像进行图像增强，解决了需要获取白天和夜晚成对的车道线图像进行训练的难题。同时引入了自注意力机制的图像增强网络和引入了扩张卷积的车道线检测网络增强了整体网络对于捕捉上下文语义对全局特征信息进行提取的能力，从而进一步增强了网络在夜间的准确性和鲁棒性。
1.一种应用于夜间场景的车道线检测方法，其特征在于，包括：
2.如权利要求1所述的应用于夜间场景的车道线检测方法，其特征在于：所述数据集包含白天车道线图像和夜间车道线图像，包括分别对白天车道线图像和夜间车道线图像进行数据划分，其中白天车道线图像按照训练集、验证集和测试集＝6:2:2的比例划分，夜间车道线图像按照训练集：测试集＝8:2的比例划分。
3.如权利要求1或2所述的应用于夜间场景的车道线检测方法，其特征在于：所述改进的自注意力机制，包括以下步骤：
4.如权利要求3所述的应用于夜间场景的车道线检测方法，其特征在于：所述环境条件加权函数表示为：
5.如权利要求4所述的应用于夜间场景的车道线检测方法，其特征在于：所述车道线清晰度评估函数表示为：
6.如权利要求5所述的应用于夜间场景的车道线检测方法，其特征在于：所述自适应补正函数表示为：
7.如权利要求6所述的应用于夜间场景的车道线检测方法，其特征在于：所述车道线检测网络，包括以下步骤：
8.一种基于权利要求1所述的应用于夜间场景的车道线检测方法的系统，其特征在于：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其存储有程序，其特征在于，所述程序被处理器执行时，实现如权利要求1-7任一项所述的应用于夜间场景的车道线检测方法的步骤。
