1.一种基于卷积神经网络和注意力机制的自动驾驶方法，其特征在于，包括：构建自动驾驶模型；将路面信息输入到训练好后的自动驾驶模型中，得到路面信息识别结果；根据路面信息识别结果进行汽车自动驾驶；其中自动驾驶模型包括基于注意力机制的语义分割网络和基于注意力机制的目标检测网络；

对自动驾驶模型进行训练的过程包括：

S1、采集道路图像数据，对道路图像数据进行标注；将标注后的数据划分为训练集、验证集以及测试集；

S2、将训练集中的数据输入到基于注意力机制的语义分割网络中，得到车道线识别预测图；

S3、将训练集中的数据输入到基于注意力机制的目标检测网络，得到目标检测图；将车道线识别预测图与目标检测图进行融合，得到识别结果；

S4：根据识别结果计算模型的损失函数；

S5：将验证集输入到自动驾驶模型中进行验证，采用测试对验证后的自动驾驶模型进行测试，不断调整参数，当损失函数收敛时完成模型训练。

2.根据权利要求1所述的一种基于卷积神经网络和注意力机制的自动驾驶方法，其特征在于，基于注意力机制的语义分割网络采用Encoder‑Decoder结构，包括Encoder模块和Decoder模块；其中Encoder模块由基于双重注意力机制的特征提取网络和基于通道注意力机制和ASPP的加强特征提取网络组成；Decoder模块由第一卷积层、双线性插值上采样层、拼接层、第二卷积层以及上采样层组成。

3.根据权利要求2所述的一种基于卷积神经网络和注意力机制的自动驾驶方法，其特征在于，采用基于注意力机制的语义分割网络对图像进行处理包括：基于双重注意力机制的特征提取网络由多个深度卷积模块组成；将道路图像输入到基于双重注意力机制的特征提取网络中进行特征提取，得到第一特征图和第二特征图；将第二特征图输入到基于通道注意力机制和ASPP的加强特征提取网络中，得到高级特征图；将第一特征图和高级特征图输入到Decoder模块中；采用第一卷积层对第一特征图进行通道降维，采用双线性插值上采样层对高级特征图进行双线性插值上采样；将降维后的特征图和采样后的特征图进行拼接，将拼接后的特征图输入到第二卷积层和上采样层中，得到车道线识别的预测图。

4.根据权利要求3所述的一种基于卷积神经网络和注意力机制的自动驾驶方法，其特征在于，基于双重注意力机制的特征提取网络包括初始化模块、四个残差模块组以及第一混合域注意力机制模块；其中初始化模块由卷积层、第二混合域注意力机制模块以及最大池化层组成，各个残差模块组由不同的残差模块组成，每个残差模块引入改进后的通道注意力机制模块。

5.根据权利要求4所述的一种基于卷积神经网络和注意力机制的自动驾驶方法，其特征在于，改进的通道注意力机制包括：

′

X＝Scale(X)＝X*HardSigmoid(W2*Relu(W1*MaxPool(X)))

′

其中，X表示加权后的特征图，Scale(X)表示特征向量与特征通道之间的乘法操作，X表示特征图，HardSigmoid表示激活函数，W2表示第二次全连接产生的权重参数，Relu表示激活函数，W1表示第一次全连接产生的权重参数，MaxPool表示最大池化操作。

6.根据权利要求4所述的一种基于卷积神经网络和注意力机制的自动驾驶方法，其特征在于，混合域注意力机制对特征图进行处理包括：将特征图输入到改进的通道注意力模块中，得到通道特征图；将通道特征图与输入特征图进行融合，得到融合特征图；采用空间注意力模块对融合特征图进行进空间特征提取；将空间特征图和融合特征图进行融合，得到输出特征图。

7.根据权利要求1所述的一种基于卷积神经网络和注意力机制的自动驾驶方法，其特征在于，基于注意力机制的目标检测网络包括优化特征提取网络、SPPCSPC结构、FPN+PAN的加强特征提取双塔模块以及三个RepConv层；基于注意力机制的目标检测网络对特征图进行处理包括：将图片输入到优化特征提取网络中进行特征提取，得到低级特征图、中级特征图以及高级特征图；将高级特征图输入到SPPCSPC结构中；将SPPCSPC结构的输出结果、低级特征图、中级特征图输入到FPN+PAN的加强特征提取双塔模块中进行采样融合，得到有效特征图；将有效特征图分别输入到三个RepConv层中，得到大目标识别结果、中目标识别结果以及小目标识别结果。

8.根据权利要求7所述的一种基于卷积神经网络和注意力机制的自动驾驶方法，其特征在于，优化特征提取网络对图片进行特征提取包括：卷积层、池化层、改进的ELAN特征提取单元以及改进的通道注意力模块；优化特征提取网络对图片进行处理包括：将输入图片经过一次3*3卷积和改进的ELAN特征提取单元进行特征提取，输入图像每经过一轮三次卷积、一次池化操作以及一个改进的ELAN特征提取单元后输出一次特征图；将输出的特征图分别经过一次改进的通道注意力模块，得到低级特征图、中级特征图以及高级特征图。

9.根据权利要求7所述的一种基于卷积神经网络和注意力机制的自动驾驶方法，其特征在于，FPN+PAN的加强特征提取双塔模块对SPPCSPC结构的输出结果、低级特征图、中级特征图进行采样融合包括：对高级特征图进行上采样，将上采样的特征逐步与中级特征和低级特征进行特征堆叠，生成逐层向下的特征金字塔，其中逐层向下特征金字塔的每一个层级为一个不同尺度的融合特征图；对低级融合特征图进行下采样，将下采样的特征逐步与中级融合特征和高级融合特征进行特征堆叠，生成逐层向上的特征金字塔，其中逐层向上的特征金字塔每一个层级为一个不同尺度的融合特征图。

10.根据权利要求1所述的一种基于卷积神经网络和注意力机制的自动驾驶方法，其特征在于，模型的损失函数由基于注意力机制的语义分割网络损失函数和基于注意力机制的目标检测网络损失函数组成。