[0052] 在一種實(shí)施例中，所述車載攝像裝置為設(shè)置于巡檢車車頂上的攝像裝置，在巡檢車的道路巡檢過程中通過車載攝像裝置可實(shí)時(shí)采集道路信息圖像形成視頻，對(duì)視頻進(jìn)行抽幀以逐幀得到所有待識(shí)別幀。目的是，通過巡檢車的道路巡檢過程，使車載攝像裝置可以輕松實(shí)現(xiàn)對(duì)全區(qū)域的覆蓋，減少人力成本的浪費(fèi)，提高道路標(biāo)線檢測的效率。 [0053] 具體的，在道路巡檢過程中，考慮近大遠(yuǎn)小原則，選擇在間隔5米范圍實(shí)時(shí)采集路面圖像形成視頻文件，其中，每個(gè)視頻文件包含200幀圖像，從視頻中抽幀以得到待識(shí)別幀，其分辨率為1920*1200。 [0054] 在一種實(shí)施例中，所述標(biāo)線識(shí)別模型為卷積神經(jīng)網(wǎng)絡(luò)YOLOP模型，該卷積神經(jīng)網(wǎng)絡(luò)YOLOP模型是通過改進(jìn)并訓(xùn)練得到的模型，所述標(biāo)線識(shí)別模型主要用于輸出標(biāo)線幾何位置。 [0055] 由于，YOLOP是一種單階段網(wǎng)絡(luò)，包含一個(gè)共享的編碼器和三個(gè)用于特定任務(wù)的解碼器，其中，編碼器包含Backbone（圖像特征提取模塊）和Neck（網(wǎng)絡(luò)），Backbone用于提取輸入圖像的特征；解碼器包括Detect?head（目標(biāo)頭檢測模塊）、Drivable?area?segment?head（可行駛區(qū)域分割模塊）、Lane?line?segment?head（車道線分割模塊）。 [0056] 為了更好的在下采樣的過程中提取圖像特征，如圖2所示，首先在Backbone中引入SpatialAttention（注意力機(jī)制模塊），基本思想是通過將輸入特征圖分別進(jìn)行全局的平均池化和全局最大值池化后，將生成的特征向量拼接后通過1*1的小卷積生成一個(gè)注意力特征圖，將注意力特征圖與輸入特征圖相乘，從而，使得重要區(qū)域的特征得到增強(qiáng)，以便于提升光照、陰影和標(biāo)線磨損等條件下模型的性能和精度，具體包括以下步驟： [0057] （1）輸入特征圖為 ，其中，C是通道數(shù)，H?*?W是空間中的尺寸； [0058] （2）對(duì)輸入特征圖F進(jìn)行全局最大池化和全局平均池化，生成兩個(gè)特征圖[0059] 最大池化公式為： ； [0060] 其中， 表示特征圖(i,j)位置的k個(gè)通道的最大值； [0061] 平均池化公式為： ； [0062] 其中， 表示特征圖(i,j)位置的k個(gè)通道的平均值； [0063] 結(jié)果是兩個(gè)大小為H*W的特征圖 和 ；其中，H 為特征圖高度，W為特征圖寬度； [0064] （3）將兩個(gè)特征圖按照通道的維度拼接在一起，形成新的特征圖，其公式為： ； [0065] （4）對(duì)拼接后的特征圖施加一個(gè)?1x1卷積，生成空間注意力圖，其公式為： ，其中，σ是?Sigmoid?函數(shù)，用于將輸出映射到?[0,1]之間； [0066] （5）將空間注意力圖與原始的輸入圖按位相乘，生成注意力增強(qiáng)后的圖，突出重要的區(qū)域，其公式為： ，其中， 為增強(qiáng)后組合特征 圖， 為權(quán)重因子， 為原始組合特征。 [0067] 并且，去掉原有的Drivable?area?segment?head，只保留Lane?line?segment?head，以提升卷積神經(jīng)網(wǎng)絡(luò)YOLOP模型的性能，具體的更改步驟為： [0068] （1）調(diào)整模型的輸出層：只保留與標(biāo)線檢測相關(guān)的輸出層，即Lane?line?segment?head，目的是通過該卷積神經(jīng)網(wǎng)絡(luò)YOLOP模型得到待識(shí)別幀中標(biāo)線的標(biāo)線幾何位置； [0069] （2）調(diào)整損傷函數(shù)：基于YOLOP的損失函數(shù)，只保留了車道線分割模塊的損失函數(shù)，交叉熵?fù)p失函數(shù)并沒有區(qū)分簡單還是困難樣本，當(dāng)容易區(qū)分的負(fù)樣本占比較大時(shí)，訓(xùn)練過程容易被負(fù)樣本影響從而淹沒正樣本，造成較大的損失，車道線像素占整圖的比例較小，屬于困難樣本，所以，將交叉熵?fù)p失函數(shù)調(diào)整為FocalLoss損失函數(shù)，而加入FocalLoss可以有效的處理樣本不平衡，讓模型專注于困難樣本的學(xué)習(xí)，從而提高檢測精度； [0070] 具體的，F(xiàn)ocalLoss損失函數(shù)的公式如下： [0071] ；其中， 為權(quán)重因子； 的取值范圍為0 ~ 1，是模型預(yù)測屬于前景的概率； 為權(quán)重調(diào)節(jié)超參數(shù)， 為引入的調(diào)制因子，用來降低易分樣本的損失占比，從而增加難分樣本的損失占比，當(dāng) 趨向于1時(shí)，說明該樣本是易分樣本，此時(shí)， 的值趨向于0，降低了易分樣本的損失比例，當(dāng) 趨向于0，也就是出現(xiàn)誤檢的情況，此時(shí) 的值趨向于1，對(duì)總體損失的影響也不是很大。