测试数据构建方法及测试方法与流程

本发明涉及自动驾驶相关
技术领域：
。更具体地说，本发明涉及一种测试数据构建方法及测试方法。
背景技术：
：自动驾驶汽车的研发与推广发展迅速，自动驾驶技术正在兑现更多场景应用。在正式推向试场前，我们需要对自动驾驶车辆的感知、性能、安全、驾驶状态等进行全方位的测试，以满足在复杂交通环境中驾驶需求。目前国内自然驾驶轨迹数据集来源依靠道路摄像头或者依靠车辆自身传感器进行采集。然而，依靠道路摄像头采集的轨迹文件存在车辆轨迹分析误差大，如果同时前后有两辆机动车在行驶，且前面车辆高度大于后方车辆高度，导致后方车辆被遮挡将无法采集后方车辆的轨迹数据，从而不能完整地还原自然驾驶轨迹数据集。依靠车辆自身传感器数据信息可以保证自身的轨迹数据，但是需要车辆安装特定的设备，采集的数据只能对机动车进行轨迹分析，而不能进行完整的场景分析，且数据的精度受限于传感器。即，上述两种现有技术都会直接影响自然驾驶轨迹数据集的完整性和真实性。因此，亟需设计能够一定程度克服上述缺陷的技术方案。技术实现要素：本发明的一个目的是提供一种测试数据构建方法及测试方法，能够完整地还原自然驾驶场景，真实性、完整性、准确性较高，能够用于自动驾驶车辆测试。为了实现根据本发明的这些目的和其它优点，根据本发明的一个方面，本发明提供了测试数据构建方法，包括：利用无人机在预定区域上方采集视频信号；对所述视频信号执行抽帧，获得多个视频帧图像；依次识别多个所述视频帧图像内的预定跟踪对象，确定所述预定跟踪对象的交通数据；将所述交通数据转换为测试数据。进一步地，所述的测试数据构建方法，无人机停留在所述预定区域正上方100～300米处采集所述视频信号。进一步地，所述的测试数据构建方法，在执行抽帧之前，对视频信号执行稳像处理、畸变矫正处理。进一步地，所述的测试数据构建方法，所述预定区域包括各类交通路口。进一步地，所述的测试数据构建方法，所述预定跟踪对象包括各类交通工具、自然物、人造物。进一步地，所述的测试数据构建方法，所述交通数据包括所述预定跟踪对象的速度、加速度、移动方向、尺寸以及坐标。进一步地，所述的测试数据构建方法，所述视频信号的抽帧率为5～12.5帧/秒。进一步地，所述的测试数据构建方法，将所述交通数据转换为预定格式，作为测试数据。进一步地，所述的测试数据构建方法，还包括：获取无人机的位置信息；采集无人机停留位置的温度信息、湿度信息、风向信息和风速信息；以上一视频帧图像中的位置信息、温度信息、湿度信息、风向信息、风速信息以及预定跟踪对象的速度、加速度、移动方向、尺寸、坐标作为输入，输入神经网络预测模型，输出下一视频帧图像中预定跟踪对象的速度、加速度、移动方向、尺寸、坐标；将输出的下一视频帧图像中预定跟踪对象的速度、加速度、移动方向、尺寸、坐标与实际计算值进行比较，若误差大于设定阈值，则舍弃该下一视频帧图像得到的交通数据。根据本发明的另一个方面，本发明提供了自动驾驶车辆的测试方法，使用得到的测试数据测试自动驾驶车辆。本发明至少包括以下有益效果：本发明从预订区域上方利用无人机采集视频信号，对视频信号执行抽帧，以及识别视频帧图像内的预定跟踪对象，进而获取交通数据，相比于现有技术，能够进行完整地场景分析，得到交通工具、自然物和人造物的相关数据，真实性和准确性高。本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。附图说明图1为本发明的结构示意图；图2为本发明的预处理前后的视频信号；图3为本发明的流程图。具体实施方式下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。如图1～3所示，本申请实施例提供了测试数据轨迹构建方法，包括：s1、利用无人机在预定区域上方采集视频信号；s2、对所述视频信号执行抽帧，获得多个视频帧图像；s3、依次识别多个所述视频帧图像内的预定跟踪对象，确定所述预定跟踪对象的交通数据；s4、将所述交通数据转换为测试数据。在上述实施例中，无人机上配置有摄像头，优选能够采集分辨率为3840*2160和4096*2160的视频信号，摄像头在预定区域上方采集视频信号，预定区域优选为各类有代表性的交通路口。对得到的视频信号执行抽帧操作，获得多个视频帧图像。对视频帧图像内的预定跟踪对象进行识别，获取交通数据，预定跟踪对象可以是各类车辆，交通数据可以是车辆的位置和速度。将交通数据转换为能够表达预定跟踪对象属性、运动参数和轨迹的形式，即得到测试数据。本实施例从预订区域上方利用无人机采集视频信号，能够进行完整地场景分析，得到预定跟踪对象的相关数据，真实性和准确性高。在另一些实施例中，无人机停留在所述预定区域正上方100～300米处采集所述视频信号，如图1所示，在一路段上方可以采集长度约500米的区域，对预定跟踪对象相关数据的采集更加全面。在另一些实施例中，在执行抽帧之前，对视频信号执行稳像处理、畸变矫正处理，即对视频信号进行预处理，因无人机在捕获视频信号过程中有可能会受到风力影响，导致捕获后的视频帧有部分不对齐，需要进行视频稳像和畸变矫正处理，参考图2。在另一些实施例中，所述预定区域包括各类交通路口，如十字路口、t型路口。在另一些实施例中，所述预定跟踪对象包括各类交通工具、自然物、人造物，如汽车、电动车、货车、树木、行人、路灯，表1示出了若干跟踪对象的一些具体种类。表1跟踪对象类型定义在另一些实施例中，所述交通数据包括所述预定跟踪对象的速度、加速度、移动方向、尺寸以及坐标，优选地，采用跟踪识别算子，利用深度学习旋转目标检测和多目标跟踪算法实现对无人机悬停俯拍视频的智能分析，实现约定目标的检测、分类、跟踪和目标属性的计算(像素级的目标长度、宽度、车头车尾坐标和目标速度)。在另一些实施例中，所述视频信号的抽帧率为5～12.5帧/秒，使得得到的交通数据更精确。在另一些实施例中，将所述交通数据转换为预定格式，作为测试数据，表2示出了优选的格式。表2预定格式的交通数据字段说明trackid跟踪对象id，且唯一frameid跟踪对象所出现的帧数type跟踪对象类型，见表1reliability跟踪对象置信度width跟踪对象目标框宽度height跟踪对象目标框高度point1x目标框左上角坐标xpoint1y目标框左上角坐标ypoint2x目标框右上角坐标xpoint2y目标框右上角坐标ypoint3x目标框右下角坐标xpoint3y目标框右下角坐标ypoint4x目标框左下角坐标xpoint4y目标框左下角坐标yheadx车头中心点x坐标heady车头中心点y坐标tailx车尾中心点x坐标taily车尾中心点y坐标angle跟踪对象的前进方向，图像任取一点，垂直向上为参考0度，顺时针旋转角度增大speed跟踪对象运行速度，单位px/sspeedx跟踪对象在x轴方向运行速度，单位px/sspeedy跟踪对象在y轴方向运行速度，单位px/saccel跟踪对象加速度，单位px/s2在另一些实施例中，还包括：获取无人机的位置信息；采集无人机停留位置的温度信息、湿度信息、风向信息和风速信息；以上一视频帧图像中的位置信息、温度信息、湿度信息、风向信息、风速信息以及预定跟踪对象的速度、加速度、移动方向、尺寸、坐标作为输入，输入神经网络预测模型，输出下一视频帧图像中预定跟踪对象的速度、加速度、移动方向、尺寸、坐标；将输出的下一视频帧图像中预定跟踪对象的速度、加速度、移动方向、尺寸、坐标与实际计算值进行比较，若误差大于设定阈值，则舍弃该下一视频帧图像得到的交通数据。在这些实施例中，为了减少误差，对交通数据进行筛选。由于各视频帧图像的交通数据相互关联，故以上一视频帧图像的位置信息、温度信息、湿度信息、风向信息、风速信息以及预定跟踪对象的速度、加速度、移动方向、尺寸、坐标作为输入，以下一视频帧图像中预定跟踪对象的速度、加速度、移动方向、尺寸、坐标为输出，并计算输出值与实际计算值的误差，当误差超过设定阈值，比如30％，表明出现了异常情况，如剧烈抖动等，则舍弃该下一视频帧图像。无人机的位置信息包括无人机的高度和gps坐标，温度信息、湿度信息、风向信息和风速信息可使用无人机上的传感器获得。神经网络预测模型可在测试场景采集训练集和测试集，训练获得神经网络预测模型，并用测试集进行测试，误差满足条件，则神经网络预测模型可进行应用。本申请的实施例还提供了自动驾驶车辆的测试方法，使用得到的测试数据测试自动驾驶车辆，例如，可将测试数据输入自动驾驶车辆，观察自动驾驶车辆对测试数据的反应，完成测试。这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明测试数据轨迹构建方法的应用、修改和变化对本领域的技术人员来说是显而易见的。尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。当前第1页12