模拟环境生成方法、装置、移动终端及计算机可读取存储介质制造方法及图纸

本申请公开了一种模拟环境生成方法、装置、移动终端及计算机可读取存储介质，该方法包括：在交通监控图像中，获取包含车辆的图像以及不含车辆的图像，并将所述包含车辆的图像作为目标图像，将所述不含车辆的图像作为训练集；通过所述目标图像和所述训练集对生成对抗网络进行训练；基于训练完成的所述生成对抗网络，生成具有不同车况的模拟环境图像。本方法可以降低标注驾驶样本数据的难度，提高生成驾驶环境的准确度，帮助训练自动驾驶。

Generation method, device, mobile terminal and computer readable storage medium of analog environment

This application discloses an analog environment generation method, device, mobile terminal and computer readable storage medium. The method includes: acquiring an image including a vehicle and an image without a vehicle in a traffic monitoring image, taking the image containing a vehicle as a target image, and using the image without a vehicle as a training set; and adopting the target image and the training set. The training set trains the generated antagonism network, and generates the simulated environment images with different vehicle conditions based on the generated antagonism network completed by the training. This method can reduce the difficulty of labeling driving sample data, improve the accuracy of generating driving environment, and help train automatic driving.

【技术实现步骤摘要】
模拟环境生成方法、装置、移动终端及计算机可读取存储介质
本申请涉及移动终端
，更具体地，涉及一种模拟环境生成方法、装置、移动终端及计算机可读取存储介质。
技术介绍
随着科技发展，自动驾驶技术可以将人类驾驶员从枯燥无味的驾驶中解脱出来，特别是可以有效降低由于疲劳驾驶导致的高事故率。但是，目前自动驾驶技术面临着收集驾驶样本数据和标注样本数据的困难。
技术实现思路
鉴于上述问题，本申请提出了一种模拟环境生成方法、装置、移动终端及计算机可读取存储介质，以解决上述问题。第一方面，本申请实施例提供了一种模拟环境生成方法，该方法包括：在交通监控图像中，获取包含车辆的图像以及不含车辆的图像，并将所述包含车辆的图像作为目标图像，将所述不含车辆的图像作为训练集；通过所述目标图像和所述训练集对生成对抗网络进行训练；基于训练完成的所述生成对抗网络，生成具有不同车况的模拟环境图像。第二方面，本申请实施例提供了一种模拟环境生成装置，所述装置包括：获取模块，用于在交通监控图像中，获取包含车辆的图像以及不含车辆的图像，并将所述包含车辆的图像作为目标图像，将所述不含车辆的图像作为训练集；训练模块，用于通过所述目标图像和所述训练集对生成对抗网络进行训练；生成模块，用于基于训练完成的所述生成对抗网络，生成具有不同车况的模拟环境图像。第三方面，本申请实施例提供了一种移动终端，其包括显示器、存储器以及处理器，所述显示器和所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时，所述处理器执行上述第一方面所述的方法。第四方面，本申请实施例提供了一种具有处理器可执行的程序代码的计算机可读取存储介质，所述程序代码使所述处理器执行上述第一方面所述的方法。本申请实施例提供的模拟环境生成方法、装置、移动终端及计算机可读取存储介质，通过在交通监控图像中，获取包含车辆的图像以及不含车辆的图像，并将所述包含车辆的图像作为目标图像，将所述不含车辆的图像作为训练集，再利用所述目标图像和所述训练集对生成对抗网络进行训练，最终基于训练完成的所述生成对抗网络，生成具有不同车况的模拟环境图像。相对于现有技术，本申请利用交通摄像头的分布广泛和固定性，可以容易的采集到同一环境下的未包含车辆和包含车辆的图片，并将其分别作为训练集和目标图片，去训练得到可以自动生成不同车况模拟环境的生成对抗网络模型，大大降低了标注驾驶样本数据的难度，提高了生成自动驾驶模拟环境的准确度，为训练自动驾驶提供帮助。本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1示出了本申请第一实施例提供的模拟环境生成方法的流程示意图；图2示出了本申请第二实施例提供的模拟环境生成方法的流程示意图；图3示出了本申请第三实施例提供的模拟环境生成装置的模块框图；图4示出了本申请第四实施例提供的模拟环境生成装置的模块框图；图5示出了本申请实施例提供的一种移动终端的结构框图；图6示出了用于执行根据本申请实施例的模拟环境生成方法的移动终端的框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。随着机器学习和深度学习的不断发展，采用机器学习模型对图像场景进行识别的方法已经广泛应用到各个领域中。基于机器学习的自动驾驶技术，可以将人类驾驶员从枯燥无味的驾驶中解脱出来，特别是可以有效降低由于疲劳驾驶导致的高事故率。现有的自动驾驶技术，通常需要先收集驾驶样本数据，再对驾驶样本数据进行标注，最后将标注后的驾驶样本数据输入自动驾驶模型进行训练，目的是让自动驾驶模型能够正确分辨车况不同的驾驶环境。然而，专利技术人在对现有的自动驾驶技术进行研究后发现，目前的自动驾驶技术面临着收集驾驶样本数据和标注样本数据的困难。现有的驾驶样本数据的收集，多是由工作人员驾驶车辆上路，并通过搭载在车辆上的摄像头采集到一段时间内的录像，最后从录像中筛选出具有不同车况的图像，作为不同的驾驶样本数据；在采集完成后，还需要工作人员手动对采集到的驾驶样本数据进行标注，最后将标注后的样本作为训练集去训练自动驾驶模型。在研究的过程中，专利技术人研究了目前自动驾驶中收集驾驶样本数据和标注样本数据困难的原因，以及研究了如何优化驾驶样本的获取途径来提高样本收集和标注的效率，并提出了本申请实施例中的模拟环境生成方法、装置、移动终端及计算机可读取存储介质。下面将通过具体实施例对本申请实施例提供的模拟环境生成方法、装置、移动终端以及存储介质进行详细说明。第一实施例请参阅图1，图1示出了本申请第一实施例提供的模拟环境生成方法的流程示意图。所述模拟环境生成方法通过在交通监控图像中，获取包含车辆的图像以及不含车辆的图像，并将包含车辆的图像作为目标图像，将不含车辆的图像作为训练集，对生成对抗网络进行训练，最终基于训练完成的生成对抗网络，生成具有不同车况的模拟环境图像，可以降低收集标注驾驶样本数据的难度，提高生成驾驶环境的准确度，帮助训练自动驾驶。在具体的实施例中，所述模拟环境生成方法可以应用于如图3所示的模拟环境生成装置300以及配置有模拟环境生成装置300的移动终端100(图5)。下面将以自动驾驶为例，针对图1所示的流程进行详细的阐述。上述的模拟环境生成方法具体地可以包括以下步骤：步骤S101：在交通监控图像中，获取包含车辆的图像以及不含车辆的图像，并将所述包含车辆的图像作为目标图像，将所述不含车辆的图像作为训练集。本申请实施例中，所述交通监控图像，可以是通过设置在交通道路上的监控摄像头获取的交通路况图像。可以理解的是，由于交通监控摄像头的分布十分广泛且固定，可以很容易采集到同一环境下的包含车辆的图像以及不含车辆的图像，相对于人工上路拍摄路况采集样本的方式，其获取样本的难度大大降低；由于拍摄环境相对固定，其样本图像中的噪声也相对较小，获取样本的准确性较高。作为一种方式，所述交通监控图像，可以是从交通摄像头拍摄的照片数据中直接获取的图像，也可以是从交通摄像头拍摄的录像中经过筛选截取获得的图像。本实施例中，将从交通监控图像中采集到的包含车辆的图像作为目标图像，将不含车辆的图像作为训练集。其中，包含车辆的图像既是本方案需要获得的结果(即用于训练自动驾驶的环境图像，因此又称为目标图像)，又可以作为样本集，与所述训练集(不含车辆的图像)共同对生成对抗网络进行训练。步骤S102：通过所述目标图像和所述训练集对生成对抗网络进行训练。本实施例中，由交通监控图像中采集到的目标图像(包含车辆的图像)和训练集(不含车辆的图像)可以输入生成对抗网络，对生成对抗网络进行训练。生成对抗网络(GenerativeAdversarialNetworks，GAN)，是一种能够根据随机输入的信号，生成原训练样本中不存在的新数据的生成式神本文档来自技高网...

【技术保护点】
1.一种模拟环境生成方法，其特征在于，所述方法包括：在交通监控图像中，获取包含车辆的图像以及不含车辆的图像，并将所述包含车辆的图像作为目标图像，将所述不含车辆的图像作为训练集；通过所述目标图像和所述训练集对生成对抗网络进行训练；基于训练完成的所述生成对抗网络，生成具有不同车况的模拟环境图像。

【技术特征摘要】
1.一种模拟环境生成方法，其特征在于，所述方法包括：在交通监控图像中，获取包含车辆的图像以及不含车辆的图像，并将所述包含车辆的图像作为目标图像，将所述不含车辆的图像作为训练集；通过所述目标图像和所述训练集对生成对抗网络进行训练；基于训练完成的所述生成对抗网络，生成具有不同车况的模拟环境图像。2.根据权利要求1所述的方法，其特征在于，通过所述目标图像和所述训练集对生成对抗网络进行训练，包括：通过所述目标图像和所述训练集对所述生成对抗网络中的判别网络进行训练；向所述生成对抗网络中的生成网络输入预设信号，获取由所述生成网络输出的生成图像；将所述生成图像和所述目标图像输入所述判别网络，获取由所述判别网络输出的分类结果；基于所述分类结果，训练所述生成网络。3.根据权利要求2所述的方法，其特征在于，通过所述目标图像和所述训练集对所述生成对抗网络中的判别网络进行训练，包括：分别对所述目标图像和所述训练集设定标签；将所述目标图像和所述训练集输入所述判别网络，直至所述判别网络分辨出包含车辆的图像以及不含车辆的图像。4.根据权利要求2所述的方法，其特征在于，向所述生成对抗网络中的生成网络输入预设信号，获取由所述生成网络输出的生成图像，包括：向所述生成网络输入高斯噪声；获取所述生成网络响应所述高斯噪声输出的包含有车辆的生成图像。5.根据权利要求2所述的方法，其特征在于，将所述生成图像和所述目标图像输入所述判别网络，获取由所述判别网络输出的分类结果，包括：将所述生成图像和所述目标图像的集合输入所述判别网络；获取...

【专利技术属性】
技术研发人员：张弓，
申请(专利权)人：OPPO重庆智能科技有限公司，
类型：发明
国别省市：重庆,50