1.一种基于边缘感知注意力和连续性增强的车道线检测方法，其特征在于包括如下步骤：

S1:获取车道线数据集，将异常数据进行清理，之后将数据输入到骨干网络中得到五层级的特征图，表示为Fi，其中i表示特征的层级，3≤i≤5；

S2:利用边缘感知注意力模块对i＝3层特征图进行特征增强，该模块专注于对局部特征的提取，利用小波变换将特征图进行低频分量和高频分量的提取，提取之后生成三种维度图，利用注意力机制生成权重图与维度图进行相乘，最终输出关键高频特征权重图；

S3:利用连续性增强模块对i＝4和i＝5层特征图进行特征增强，该模块针对于车道线长距离连续性的设计要求，将通道均分为两部分，一部分的特征图通过深度可分离卷积进行局部趋势信息的提取，另一部分特征图通过傅里叶变换提取全局趋势，最终通过与原始特征图进行残差连接输出带有全局语义信息的特征图；

S4:将处理好后的特征图自上而下先进行特征融合后，再对Fi进行通道拼接,其中i表示特征的层级，3≤i≤5；

S5:将通道拼接好之后的特征图通过检测头Ha，其中a表示特征的层级，1≤a≤3；

S6:通过迭代不断更新先验框Pb,其中b表示优化次数,1≤b≤3，通过角度损失函数进行迭代训练，最后通过置信度筛选和NMS去重，输出车道线预测图。

2.如权利要求1所述的基于边缘感知注意力和连续性增强的车道线检测方法，其特征在于，所述的边缘感知注意力模块首先是对特征图的水平方向使用小波核做卷积生成低频分量Xl和高频分量Xh，其次是对低频分量Xl和高频分量Xh在垂直方向上与小波变换卷积相乘生成LH、HL、HH三种维度图，其中，LH表示车道线的垂直边缘，HL表示车道线的水平边缘，HH表示车道线的角点与交叉点，同时将特征图输入到另一分支中，通过深度可分离卷积和注意力机制得到权重图，之后对权重图进行行下采样，通过通道变化将权重图调整到与三种维度图同样大小，最后将三种维度图与权重图相乘后再通过一个1×1的卷积进行通道压缩操作，在此过程中，通过卷积权重学习重要的高频特征输出特征图，最后通过双线性插值将特征图恢复到原尺寸。

3.如权利要求1所述的基于边缘感知注意力和连续性增强的车道线检测方法，其特征在于，所述的连续性增强模块是将特征图先对特征做通道对齐归一化处理，之后将通道均分为两部分，一部分特征图X1使用深度可分离卷积进行局部信息的提取，输出特征图为Xa；

另一部分特征图X2通过傅里叶变换rfft2将特征图的空间域特征转换到频域特征得到Xf，其中高频成分为车道线的局部细节，低频部分为车道线的全局细节，之后Xf会通过一个调制器与其生成的复数权重W进行相乘生成调制后的频域特征图Xfmod，频域特征图Xfmod经傅里叶逆变换为时域特征图Xb；若复数权重W的幅度接近于1，则该频率成分保留，如果接近于0，则该频率成分被抑制，最后将特征图Xa和Xb进行通道拼接concat融合，输出的特征图与原始输入特征进行残差连接得到最终的特征图Xcat。

4.如权利要求1所述的基于边缘感知注意力和连续性增强的车道检测方法，其特征在于，所述的特征图自上而下进行融合是将经过连续性增强过后的特征图通过调整特征图尺寸与经过边缘感知注意力模块增强过的特征图进行信息融合，使底层特征图获取到高层语义信息，增加了特征映射的分辨率。

5.如权利要求1所述的基于边缘感知注意力和连续性增强的车道线检测方法，其特征在于，所述的角度损失函数，核心是通过对比预测车道线与目标车道线的倾斜角度差异来优化模型，具体而言，先为预测值和目标值生成对应的y坐标，接着计算两者相邻采样点间的斜率grad,通过斜率差值与乘积的关系得到角度差的正切值，之后将正切值再将其转换为角度差，并利用1减去该角度差的余弦值作为单段角度损失line_angle，最后对所有段的角度损失取均值，得到每个车道线的角度损失，再在批量维度中取均值作为最终的角度损失angeloss。