1.一种基于全局特征优化和形状特征感知聚合的车道线检测方法，其特征在于，包括如下步骤：对输入的车道线图像进行预处理；

通过主干网络提取不同层级的特征；

在全局特征优化器GFO的操作下对提取到的特征进行处理；

通过自适应车道几何聚合器ALGA利用车道线的形状先验信息，增强图像中车道锚点的相关性；

通过颈部网络对提取到的特征进行从粗到细的逐层细化，以优化提取到的特征，并在整个过程中始终保持高级语义信息；

将优化得到的特征进行包括池化、卷积和全连接层的操作，最终送到回归分支和分类分支并进行特征的聚合及可视化以得到最终的车道线预测图像；

所述自适应车道几何聚合器ALGA具体实现如下：

对于一个车道锚点，首先使用卷积层来预测它与其周围同一车道上的K个锚点之间的偏移量及每个偏移量相应的调质因子，这个调质因子使得模型能够自适应地调节每个锚点的贡献度，具体如下列公式所示：其中，pi表示第i个锚点的坐标， 表示第i个锚点的特征表示，φ表示偏移量卷积层，用于从特征图学习并提取预测的偏移量，ψ表示调质因子卷积层，用于从特征图中学习并提取每个偏移量的调质因子， 表示预测的偏移量集合，表示第m个偏移的偏移量， 表示预测到的偏移量的调质

因子集合， 表示第m个偏移的调质因子；

接下来，通过使用可变形卷积来结合预测到的偏移量和每个偏移量对应的调质因子对锚点相邻的特征进行整合，以聚合第i个锚点的上下文信息，如下所示：其中，wm,m＝1,…,M是卷积的权重；

在经过可变形卷积的特征聚合后，继续对特征图施加空间注意力，进而有效地处理车道线缺失或遮挡的情况，得到最终的车道线预测图像。

2.根据权利要求1所述的一种基于全局特征优化和形状特征感知聚合的车道线检测方法，其特征在于，所述对输入的车道线图像进行预处理的方式为：将车道线图像裁剪为320×800的大小。

3.根据权利要求1所述的一种基于全局特征优化和形状特征感知聚合的车道线检测方法，其特征在于，所述主干网络为ResNet‑18。

4.根据权利要求1所述的一种基于全局特征优化和形状特征感知聚合的车道线检测方法，其特征在于，所述颈部网络为特征金字塔。

5.根据权利要求1或4所述的一种基于全局特征优化和形状特征感知聚合的车道线检测方法，其特征在于，所述全局特征优化器GFO具体实现方式如下：对于一个维度大小为H×W×C的输入特征图，其中H代表输入特征图的高度，W表输入特征图的宽度，C代表输入特征图的通道数，最先进入ECA的高效通道注意力处理，其首先对输入的特征图进行全局特征池化操作，得到1×1×C的输出，接下来对这个输出进行一维卷积操作，用于捕捉通道间的依赖信息，卷积核的大小根据输入特征图的通道数进行自适应调整，如下公式所示：其中|t|odd表示t最接近的奇数，将γ和b设置为常数；

将得到的输出通过Sigmoid激活函数得到最终的通道注意力特征，再与原特征图进行逐元素相乘操作，这个过程用下列公式表示：Feca＝F×σ(Conv1D(AvgPool(F)))

其中AvgPool是全局平均池化，将特征图F的空间维度压缩，只保留通道信息；Conv1D是一维卷积，用于捕获通道间的依赖关系；σ是Sigmoid激活函数，用于生成通道注意力权重；

接着，经ECA输出的维度大小为H×W×C的特征图继续作为CBAM的空间注意力的输入，其首先在通道维度对特征图进行最大池化和平均池化操作，得到两个H×W×1的特征图，然后在通道维度对这两个特征图进行Concat操作，接下来通过一个卷积核大小为7×7的卷积操作，降低通道维数，并学习不同空间位置的重要性，之后使用Sigmoid函数生成空间注意特征，再将这个特征与ECA输出的特征图进行逐元素相乘操作得到最终融合了通道和空间注意力的特征图，这个过程用下列公式表示：Fspatial＝σ(Conv2D(Concat(AvgPool(Feca),MaxPool(Feca))))×Feca其中，AvgPool(Feca)和MaxPool(Feca)分别表示对ECA调整后的特征图Feca进行平均池化和最大池化；Concat表示将两个池化结果沿通道维度拼接；Conv2D是二维卷积操作，用于学习不同空间位置的重要性；σ是Sigmoid激活函数，用于生成空间注意力权重。

6.根据权利要求5所述的一种基于全局特征优化和形状特征感知聚合的车道线检测方法，其特征在于，γ和b分别设置为2和1。

7.根据权利要求1所述的一种基于全局特征优化和形状特征感知聚合的车道线检测方法，其特征在于，所述自适应车道几何聚合器ALGA用以感知车道线的形状特征，通过预测锚点与其周围锚点之间的偏移量及每个偏移量的调质因子，并使用可变形卷积结合这些偏移量和调质因子进行特征整合，以聚合锚点的上下文信息。