一种基于混合专家的车道线分割方法及系统与流程

本发明属于自动驾驶与计算机视觉，具体涉及一种基于混合专家的车道线分割方法及系统。

背景技术：

1、车道线分割是自动驾驶环境感知系统中的核心任务之一，其目标是从道路场景图像中精确提取车道线区域，为车辆路径规划、车道保持及偏离预警提供关键信息。然而，实际道路场景中车道线分割面临诸多挑战：车道线通常为细长结构，跨度大且分布离散；受光照变化、雨雪遮挡、车道线磨损及车辆遮挡等因素影响，车道线边界常出现模糊或间断；此外，车道线形态异质性显著，存在实线、虚线、双线等多种类型，单一预测模型难以同时兼顾不同尺度与形态的车道线目标。

2、传统的基于卷积神经网络的车道线分割方法通过编码器—解码器结构及跳跃连接融合多尺度特征，在局部特征提取方面取得了一定进展。然而，卷积操作的感受野有限，难以充分建模车道线的长程依赖关系，在处理远距离延伸的车道线时容易出现断裂或漏检。为弥补这一不足，一些方法引入注意力机制或加深网络层数，但这会显著增加模型参数量和计算负担，难以满足自动驾驶系统的实时性要求。

3、视觉变换器通过自注意力机制实现全局上下文建模，能够直接建模像素间的长程关系，在复杂结构识别方面具有优势。然而，自注意力的计算复杂度随图像分辨率呈平方增长，在高分辨率道路图像处理时面临极高的计算压力，难以满足嵌入式部署与实时推理的需求。此外，纯变换器结构缺乏局部归纳偏置，对小样本车道线数据的训练稳定性也提出更高要求。

4、视觉状态空间模型通过线性递推机制实现长程依赖建模，在保持全局感受能力的同时显著降低计算复杂度，兼具卷积网络与变换器的优势。然而，现有方法在多尺度特征解码与异构车道线目标自适应建模方面仍存在不足，尤其缺乏对尺度变化显著、边界模糊及形态异构车道线区域的有效处理机制，单一预测头难以同时兼顾不同类型目标。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于混合专家的车道线分割方法及系统。本发明要解决的技术问题通过以下技术方案实现：

2、第一方面，本发明提供了一种基于混合专家的车道线分割方法，包括：

3、获取道路场景图像，对所述道路场景图像进行预处理，得到预处理后的图像；

4、利用预先训练好的基于混合专家网络的车道线分割模型对所述预处理后的图像进行车道线分割处理，得到车道线分割结果；

5、其中，所述基于混合专家网络的车道线分割模型对所述预处理后的图像依次进行逐层编码特征提取、空间交互增强、逐层上采样与跨层特征融合、基于多尺度专家分支与共享门控机制的自适应融合、反卷积与激活函数处理，以实现车道线分割。

6、第二方面，本发明提供了一种基于混合专家的车道线分割系统，用于执行如第一方面所述的基于混合专家的车道线分割方法，所述车道线分割系统，包括：

7、预处理模块，用于获取道路场景图像，对所述道路场景图像进行预处理，得到预处理后的图像；

8、预先训练好的基于混合专家网络的车道线分割模型，用于对预处理后的图像进行逐层编码特征提取，得到多个阶段的多尺度特征图；对每个阶段的多尺度特征图进行空间交互增强，得到各阶段增强后的特征；对各阶段增强后的特征进行逐层上采样与跨层特征融合，得到每个阶段的多尺度解码特征；基于多尺度专家分支与共享门控机制，对每个阶段的多尺度解码特征构建独立专家分支进行特征变换，通过特征拼接与自适应融合得到融合特征；根据融合特征得到车道线分割结果。

9、本发明的有益效果：

10、本发明所提供的方案中，设计基于混合专家网络的车道线分割模型，利用多头混合模块，通过多头子空间分解与全局上下文广播机制，以极低参数代价实现跨空间位置的全局交互，无需构建像素间两两关系矩阵，计算复杂度仅与空间尺寸线性相关，适合高分辨率道路图像的实时处理；利用多尺度像素解码器基于像素重排与通道投影策略实现特征图的高质量上采样，有效避免了传统双线性插值或转置卷积造成的边界模糊与参数冗余问题，显著提升了车道线边缘细节的恢复能力；利用混合专家预测器通过多尺度专家分支与共享门控机制，自适应融合不同层级特征响应，使模型能够针对不同尺度、形态和边界清晰度的车道线区域动态选择合适的特征表达，有效提升了模型对异构车道线目标的分割精度与鲁棒性。

1.一种基于混合专家的车道线分割方法，其特征在于，包括：

2.根据权利要求1所述的基于混合专家的车道线分割方法，其特征在于，对所述道路场景图像进行预处理，得到预处理后的图像，包括：

3.根据权利要求1所述的基于混合专家的车道线分割方法，其特征在于，所述基于混合专家网络的车道线分割模型包括依次设置的：

4.根据权利要求3所述的基于混合专家的车道线分割方法，其特征在于，所述视觉状态空间模型编码器包括自上而下依次设置的多个编码层；所述多尺度像素解码器包括多个多头混合模块和上采样模块，多头混合模块与编码层的数量相同，各多头混合模块分别设置于对应的编码层之后，各上采样模块分别设置于除最后一个阶段对应的多头混合模块以外的其余各多头混合模块之后。

5.根据权利要求4所述的基于混合专家的车道线分割方法，其特征在于，所述多头混合模块进行空间交互增强的过程，包括：

6.根据权利要求4所述的基于混合专家的车道线分割方法，其特征在于，所述上采样模块进行逐层上采样与跨层特征融合的过程，包括：

7.根据权利要求3所述的基于混合专家的车道线分割方法，其特征在于，所述混合专家预测器进行基于多尺度专家分支与共享门控机制的自适应融合的过程，包括：

8.根据权利要求7所述的基于混合专家的车道线分割方法，其特征在于，采用门控线性单元激活的形式进行特征变换，包括：

9.根据权利要求3所述的基于混合专家的车道线分割方法，其特征在于，根据融合特征通过反卷积与激活函数处理得到车道线分割结果的过程，包括：

10.一种基于混合专家的车道线分割系统，用于执行如权利要求1-9任一所述的基于混合专家的车道线分割方法，所述车道线分割系统，其特征在于，包括：