1.一种增强曲线感知的车道线精准检测方法，其特征在于，包括如下步骤：

步骤S1：收集车道线检测数据集，将其划分为训练集、验证集和测试集；

步骤S2：搭建神经网络模型，构建损失函数，所述神经网络模型包括：

特征提取网络，所述特征提取网络以图像数据作为输入，该网络利用高层提取低分辨率图像特征中的全局空间信息，通过低层提取高分辨率图像特征中的局部细节信息；

四个CBAM模块，所述CBAM模块以不同层的特征信息作为输入，该模块序列化地在通道和空间两个维度产生注意力特征图信息，然后将信息与输入特征图相乘进行特征修正；

四个逐层上下文融合模块，所述逐层上下文融合模块以CBAM模块的输出作为输入，该模块将粗略的全局信息嵌入到详细的特征图中，并逐渐细化车道位置，使模型能够获得更强大的特征表示；

跨通道注意模块，所述跨通道注意模块以融合后的特征图作为输入，该模块用于自适应地校准模型对通道特征的注意，利用分支结构实现自我注意机制并抑制神经网络的过度拟合；

结构矫正检测模块，所述结构矫正检测模块将跨通道注意模块的输出作为输入，该模块根据角度阈值自适应选择模型对预定义锚框的检测方式，并对结果序列通过约束分类向量计算来确保车道线的连续性，实现灵活的检测效果；

步骤S3：训练神经网络模型，迭代多轮后得到收敛的最佳模型；

步骤S4：加载最佳模型参数，将待检测图像输入最佳模型中进行检测；

步骤S5：将检测结果映射为车道线在输入图像中的坐标，得到车道线的坐标点集；

步骤S6：拟合坐标点集并回归到原始图像上实现车道线检测的可视化。

2.根据权利要求1所述的增强曲线感知的车道线精准检测方法，其特征在于，所述步骤S1中的数据使用公开的TuSimple和CULane车道线检测数据集以及车道线数据标注，并将数据集划分为直线行驶场景中的车道线数据和弯道行驶场景中的车道线数据两种。

3.根据权利要求1所述的增强曲线感知的车道线精准检测方法，其特征在于，所述数据集中的车道线图像需要进行数据增强，特征增强包括：平移、旋转和垂直位移。

4.根据权利要求1所述的增强曲线感知的车道线精准检测方法，其特征在于，所述特征提取网络基于Resnet构建，它是由残差块堆叠成的残差网络，其中包括一个卷积核大小为7×7、步长为2、填充为3的卷积层，一个核大小为3×3、步长为2、填充为1的最大池化层和四个残差块，搭建好的神经网络逐层抽象提取目标图像中的特征。

5.根据权利要求4所述的增强曲线感知的车道线精准检测方法，其特征在于，所述残差块分别由3、4、6、3个残差结构组成，其中残差结构包含两个卷积核大小为3×3的卷积、一个BN归一化和一个ReLU激活函数，得到的输出加上残差结构的输入后得到最终输出结果。

6.根据权利要求1所述的增强曲线感知的车道线精准检测方法，其特征在于，所述CBAM模块包括两部分，第一部分包括一个通道注意力，第二部分包括一个空间注意力，输入特征图通过通道注意力产生输入的权重后乘以自身得到新特征图，再通过空间注意力产生新特征图的权重后乘以自身得到输出特征图。

7.根据权利要求1所述的增强曲线感知的车道线精准检测方法，其特征在于，所述逐层上下文融合模块包括一个3×3卷积、一个全局平均池化、一个内核大小为C/r×C×1×1的逐点卷积、一个内核大小为C×C×1×1的逐点卷积、两层BN归一化、两层ReLU激活函数、一个Sigmoid激活函数，将前一层的粗糙特征图信息嵌入到低级特征图中，以获得更加强大的特征表达。

8.根据权利要求1所述的增强曲线感知的车道线精准检测方法，其特征在于，所述跨通道注意模块包括两个分支，上分支包括一个自适应池化层和一个全连接层，下分支包括一个全连接层，分支合成结果经过两层串联全连接层，然后通过reshape函数将一维数组转换成原图大小。

9.根据权利要求1所述的增强曲线感知的车道线精准检测方法，其特征在于，所述结构矫正检测模块有行向锚框分类和纵向锚框分类两种检测方式，它的目的是解决基于锚框分类方法不够灵活的问题，增加检测结果的准确度和平滑性。