1.自动驾驶场景下的轻量化车道线检测方法，其特征在于包括如下步骤：

S1：获取车道线检测数据集，分别输入到教师骨干网络和学生骨干网络中获取网络不同层级的特征图，表示为Ti和Si，其中i表示特征的层级，，所述学生骨干网络为级联特征细化网络，所述级联特征细化网络包含级联特征细化模块和双向聚合偏移头；

S2：利用非对称加权注意力蒸馏模块，通过计算下教师特征图Ti与学生特征图Si之间的注意力距离，其中i表示特征的层级，，有效将教师特征图信息传递给学生网络中，该模块包含通道激励正则化器和注意力蒸馏损失，所述注意力距离由通道激励正则化器与注意力损失计算得到，用于衡量师生网络关注区域的差距；

利用所述的非对称加权注意力蒸馏模块，通过计算师生网络之间的注意力差距，从而将教师网络的特征信息传递给学生网络；所述非对称加权注意力蒸馏模块，包含通道激励正则化器R和注意力蒸馏损失Latt；所述通道激励正则化器R通过重要性预测器P获取每个通道的重要性得分并加权到师生特征图之间每个通道的L2范数的平方值结果上，以赋予教师特征图中重要通道更高的关注；所述注意力蒸馏损失Latt通过映射函数Q分别将教师网络与学生网络的特征图进行压缩并直接计算两者之间L2范数的平方值结果；所述师生网络之间的注意力距离Z由通道激励正则化器R与注意力蒸馏损失Latt相加得到；

S3：利用级联特征细化模块，通过区域分解块提取车道线特征信息并通过级联信息细化模块进行特征增强，以增强学生网络对车道线特征的建模能力，提升网络对车道线的检测效果，该模块包含区域分解块RDB和级联信息细化模块CIR；

S4：利用双向聚合偏移头，通过双向特征聚合模块BFA扩张水平方向与垂直方向上的空间感受野范围，从而充分捕捉车道线的上下文信息，进一步细化车道线的拓扑结构表示，提高网络对车道线拟合效果，该模块包含双向特征聚合模块BFA；

S5：将学生特征图S4与预定义的先验车道锚A通过双向聚合偏移头进行调整，进而输出调整后的先验车道锚A，作为最终的车道线预测结果。

2.如权利要求1所述的自动驾驶场景下的轻量化车道线检测方法，其特征在于，所述的级联特征细化模块，通过区域分解块RDB组成的残差结构提取车道线特征信息并通过级联信息细化模块CIR增强特征信息，从而增强学生网络对车道线特征的建模能力；所述区域分解块RDB，包含适用于轻量化的RDB-A结构和用于深层网络的RDB-B结构；所述区域分解块RDB包含BSConv卷积层、BatchNorm归一化层、ReLU激活层以及SimAM注意力；所述RDB-A结构通过合并3×1滤波器的BSConv卷积层和1×3滤波器的BSConv卷积层来分解标准卷积，进而提取车道线特征；将输入特征图X通过具有3×1滤波器的BSConv卷积层、BatchNorm归一化层和ReLU激活层，生成捕获车道线水平方向信息的特征图F1；将特征图F1通过具有1×3滤波器的BSConv卷积层和BatchNorm归一化层，生成捕获车道线水平和垂直方向信息的特征图F2；将特征图F2经过SimAM注意力突出重要空间特征区域并与特征图X相加，并经过ReLU激活层获得输出特征OutA；所述RDB-B结构通过合并3×1滤波器的BSConv卷积层和1×3滤波器的BSConv卷积层来提取车道线特征；将输入特征图X通过具有1×1滤波器的CBR层降低通道数获得中间特征G1，并通过一个3×1滤波器和一个1×3滤波器的BB层捕获车道线特征G2；随后，通过具有1×1滤波器的标准卷积层恢复通道数，并通过SimAM关注重要的特征，最终与特征图X相加获得输出特征OutB；所述CBR层由Conv卷积层、BatchNorm归一化层和ReLU激活层构成；所述BB层由BSConv卷积层和BatchNorm归一化层构成；所述级联信息细化模块CIR通过DSR卷积层和分组注意力细化模块GAR分别捕获粗粒度特征和细粒度特征，并融合不同粒度特征以实现对特征的增强；所述DSR卷积层由DSConv卷积层和ReLU激活层组成，通过将特征图Y输入DSConv卷积层以捕获特征信息，随后将该信息与特征图Y相加，并传递至ReLU激活层，最终获得输出特征C1；所述分组注意力细化模块GAR包含全局平均池化GAP、1×1 Conv卷积层和Sigmoid激活层，将输入特征L按通道划分成k组获得分组特征Pk，其中k表示分组索引，分组特征Pk通过全局平均池化GAP捕获全局特征，并通过1x1 Conv卷积层和Sigmoid激活层捕获通道注意权重，该权重进一步与分组特征加权获得特征图PEk，其中k表示分组索引；随后，加权后的分组特征PEk通过通道拼接生成特征图L1并与特征图L进行相加，并通过SimAM后获得通道与空间维度关注的输出特征L2；所述级联信息细化模块CIR，将特征图Fin通过三层DSR卷积层分别生成特征图fs1、fs2和fs3，并将特征图Fin、fs1和fs2分别通过分组注意力细化模块GAR获取细粒度特征fd1、fd2和fd3；随后，将细粒度特征通过通道拼接并用1×1 Conv卷积层进行通道调整生成特征图fd4；将特征图Fin与fs3相加获得特征图fs4；随后，粗粒度特征fs4和细粒度特征fd4进行通道拼接，并用1×1 Conv卷积层进行通道调整后通过SimAM构建空间权重w，将空间权重w与细粒度特征fd4进行加权获得细粒度注意力图，将空间权重1-w与粗粒度特征图fs4进行加权获得粗粒度特征图，将粗粒度和细粒度特征图相加并通过1×1 Conv卷积层进行通道调整获得融合后的特征图Ffuse；最后，将融合后的特征图Ffuse通过DSConv卷积层构进一步建模通道间关系并与特征图Fin相加获得输出特征Fout。

3.如权利要求1所述的自动驾驶场景下的轻量化车道线检测方法，其特征在于，所述的双向聚合偏移头，通过双向特征聚合模块BFA扩张水平方向和垂直方向上的空间感受野范围，构建先验车道锚的偏移表示，进一步细化先验车道锚，提高车道线的拓扑结构表示；所述双向特征聚合模块BFA，分别将水平采样特征图H和垂直采样特征图V与先验车道特征ROI进行交互，并将交互后的特征JH和JV相加以获得输出特征Jout；交互过程将先验车道特征ROI通过1×1 Conv卷积层生成查询向量query，而采样特征图通过1×1 Conv卷积层生成键向量key和值向量value，查询向量query与键向量key相乘以获得关注矩阵，随后该矩阵与值向量value相乘获得输出特征，并通过1×1 Conv卷积层后与先验车道特征ROI相加获得交互输出特征I；所述双向聚合偏移头，通过在特征图W上采样先验车道锚的特征信息生成先验车道特征ROI，而特征图通过水平和垂直方向采样，获得水平采样特征图H和垂直采样特征图V；随后先验车道特征ROI、水平采样特征图H和垂直采样特征图V通过双向特征聚合模块BFA获得输出特征Jout，并通过全连接层FC获得先验车道锚的偏移表示offset；随后，先验车道特征ROI通过Conv卷积层和全连接层FC获得对输出车道的预测结果pred，偏移表示offset进一步与预测结果pred相加生成调整后的输出车道预测锚lane。

4.如权利要求1所述的自动驾驶场景下的轻量化车道线检测方法，其特征在于，训练好的车道线检测网络的训练步骤包括：

构建车道线教师检测网络和学生检测网络，并加载训练好的教师检测网络权重；

构建训练集，所述训练集为视频帧序列及其车道线真值坐标序列；

将训练集输入到车道线教师和学生检测网络中，并对学生检测网络进行训练；

教师检测网络输出中间特征图和先验车道锚参数；

学生检测网络输出车道坐标预测序列，中间特征图和先验车道锚参数；

计算教师网络和学生网络的中间特征图和先验车道锚参数的差异并反向传播；

计算学生检测网络的预测序列与真值坐标序列计算差异并反向传播；

当损失值达到最小时，网络收敛，停止训练，得到训练好的车道线检测网络。