[发明专利]一种基于CARLA模拟器的目标检测方法

权利要求书

1.一种基于CARLA仿真的目标检测方法，其特征在于，包括通过CARLA模拟器生成虚拟样本数据训练的目标检测模型，其训练方法为：

步骤S10，启动CARLA模拟器，通过CARLA模拟器生成虚拟样本数据；所述虚拟样本数据为RGB相机采集的图像；调用CARLA模拟器提供的RGB相机在不同路况、不同天气状况下采取丰富的具有差异性的图像信息；

步骤S20，通过基于卷积神经网络的目标检测算法，将从CARLA虚拟环境中获取的图像信息，构建为具有训练集、验证集和测试集的数据集，训练基于卷积神经网络的目标检测模型；通过对基于卷积神经网络的目标检测模型进行迭代训练直至模型的损失函数值低于设定阈值或达到设定训练次数，获得训练好的模型并保持模型参数，使用验证集对得到的模型进行验证和纠正，得到最终的目标检测模型，最后利用测试集对模型进行测试得到指标信息；

步骤S30，将训练好的目标检测模型以代码的形式应用于CARLA模拟器中，并对CARLA模拟器RGB相机传回的图像信息实时处理，实现汽车驾驶场景下的目标检测。

2.根据权利要求1所述的一种基于CARLA仿真的目标检测方法，其特征在于，步骤S10包括：

步骤S11，调用Python API，按照需求预先设置好天气状况和路况信息，调用CARLA模拟器中的RGB相机并对RGB相机进行相应的配置，将获取的图像信息按照指定的格式保存在本地；

步骤S12，运行CARLA模拟器，将编写好的Python脚本作为客户端运行；

步骤S13，将获得的图片利用图片标注工具进行人工标注。

3.根据权利要求1所述的一种基于CARLA仿真的目标检测方法，其特征在于，步骤S20包括：

步骤S21，训练阶段：

1)将训练集作为输入，通过卷积神经网络的多个卷积层和池化层进行特征提取；

2)通过卷积神经网络的全连接层对高层特征进行针对性的映射；

3)利用卷积神经网络的输出层面向具体任务将神经网络作为分类器使用产生图形类别的预测，实现特征分类，产生一维向量，得到特征图像的类别，即目标检测训练结果，将该结果保存为权重数据；

4)重复2-4过程直到误差小于等于期望值；

步骤S22，验证阶段：

1)将验证集作为输入，使用多个目标检测模型对验证集数据进行预测，并记录模型准确率；

2)选出效果最佳的目标检测模型所对应的参数，用于调整模型参数；

步骤S23，测试阶段：

通过训练集和验证集得出最优模型后，使用测试集作为输入进行模型预测，用于衡量最优目标检测模型的性能和分类能力。

4.根据权利要求1所述的一种基于CARLA模拟器的目标检测方法，其特征在于，步骤S30包括：

步骤S31，修改目标检测算法代码，将训练好的目标检测模型嵌入算法，并修改相应的API；

步骤S32，编写Python脚本，配置所需驾驶环境，将修改后的目标检测算法应用于CARLA传感器的监听方法；

步骤S33，启动CARLA模拟器作为服务器，运行Python脚本。