CN115690747B - 车辆盲区检测模型测试方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明适用于车辆安全防护技术领域，提供了一种车辆盲区检测模型测试方法、装置、电子设备及存储介质，该方法包括：将样本集中经过目标标注的各个数据子集分别输入至待测试的盲区检测模型中，根据标注和盲区检测模型的输出，计算样本集中各个数据子集对应的F‑Score值；计算每个数据子集与盲区检测模型的训练集的差异值；确定F‑Score值和差异值的目标关系函数；获取未经过目标标注的测试集；基于目标关系函数，计算测试集中每个数据子集的F‑Score值，并基于测试集中各个数据子集的F‑Score值对盲区检测模型的性能进行评价。本发明能够更方便、更高效地对盲区检测模型进行性能测试。

Description

车辆盲区检测模型测试方法、装置、电子设备及存储介质

技术领域

本发明属于车辆安全防护技术领域，尤其涉及一种车辆盲区检测模型测试方法、装置、电子设备及存储介质。

背景技术

盲区监视***（Blind Spot Detection，BSD）是目前市场上配置率较高的一项ADAS功能，其主要通过将车载摄像头安装在车辆后方两侧，在车辆行驶时对车辆后方两侧的盲区进行探测，当在摄像头拍摄到的图像中检测到目标对象，如其它车辆或行人后，进行报警提示。

现有技术中，测试车辆的盲区检测模型的性能，通常需要输入大批量经过标注的测试集，然后将网络模型识别得到结果和标注的结果对比，进而得到盲区检测模型的性能评价指标，比如精度、F-Score、召回率等。然而，标注大批量的数据，需要耗费大量的人力、时间，延长了产品的测试周期。

发明内容

有鉴于此，本发明实施例提供了一种车辆盲区检测模型测试方法、装置、电子设备及存储介质，以更方便、更高效地对盲区检测模型进行性能测试。

本发明实施例的第一方面提供了一种车辆盲区检测模型测试方法，包括：

将样本集中预先经过目标标注的各个数据子集分别输入至待测试的盲区检测模型中，根据标注和盲区检测模型的输出，计算样本集中各个数据子集对应的F-Score值；每个数据子集均为拍摄的一个场景下的盲区图像集合；

计算每个数据子集与盲区检测模型的训练集的差异值；

确定F-Score值和差异值的目标关系函数；

获取未经过目标标注的测试集，测试集中的数据子集数量大于样本集中的数据子集数量；

根据测试集中每个数据子集与训练集之间的差异值，基于目标关系函数，计算测试集中每个数据子集的F-Score值，并基于测试集中各个数据子集的F-Score值对盲区检测模型的性能进行评价。

可选的，确定F-Score值和差异值的目标关系函数，包括：

对样本集中各个数据子集对应的F-Score值和差异值进行拟合，得到F-Score值和差异值的目标关系函数。

可选的，目标关系函数为：

y=a×x+b

式中，y为F-Score值，x为差异值，a、b为拟合系数。

可选的，基于测试集中各个数据子集的F-Score值对盲区检测模型的性能进行评价，包括：

计算测试集中各个数据子集对应的F-Score值的平均值；

基于平均值对盲区检测模型的性能进行评价。

可选的，根据标注和盲区检测模型的输出，计算样本集中各个数据子集对应的F-Score值，包括：

根据标注和盲区检测模型的输出，计算样本集中各个数据子集对应的误报数量FP、漏报数量FN、正报数量TP；

根据Precision=

计算各个数据子集对应的精确率；

根据

计算各个数据子集对应的召回率；

基于各个数据子集对应的精确率和召回率计算各个数据子集的F-Score值。

可选的，计算每个数据子集与盲区检测模型的训练集的差异值的公式为：

式中，

为数据子集i与训练集的差异值，

为训练集的均值，

为数据子 集i的均值，

为训练集的协方差，

为数据子集i的协方差。

可选的，在将数据子集输入至待测试的盲区检测模型前，还包括检测数据子集中是否包含模糊图像，并对模糊图像进行去模糊处理；

去模糊处理包括：

计算模糊图像的各个像素点的深度，基于深度将模糊图像划分为若干个区域，并分别计算每一个区域的模糊核；

对于每一个区域，基于该区域的模糊核对该区域进行去模糊处理；

将去模糊后的区域进行边缘融合，得到去模糊后的图像。

本发明实施例的第二方面提供了一种车辆盲区检测模型测试装置，包括：

第一计算模块，用于将样本集中预先经过目标标注的各个数据子集分别输入至待测试的盲区检测模型中，根据标注和盲区检测模型的输出，计算样本集中各个数据子集对应的F-Score值；每个数据子集均为拍摄的一个场景下的盲区图像集合；

第二计算模块，用于计算每个数据子集与盲区检测模型的训练集的差异值；

确定模块，用于确定F-Score值和差异值的目标关系函数；

获取模块，用于获取未经过目标标注的测试集，测试集中的数据子集数量大于样本集中的数据子集数量；

评价模块，用于根据测试集中每个数据子集与训练集之间的差异值，基于目标关系函数，计算测试集中每个数据子集的F-Score值，并基于测试集中各个数据子集的F-Score值对盲区检测模型的性能进行评价。

本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面的车辆盲区检测模型测试方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面的车辆盲区检测模型测试方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：

本发明实施例通过设置一部分标注的样本集，将样本集中的各个数据子集分别输入至待测试的盲区检测模型，计算各个数据子集的F-Score值，以及计算样本集中的各个数据子集与盲区检测模型的训练集的差异值，从而拟合出F-Score值和差异值之间的关系式，进而，只需计算大量未标注的测试集中的各个数据子集与盲区检测模型的训练集的差异值，结合拟合关系式即可得到测试集中的各个数据子集的F-Score值来对盲区检测模型进行性能评价，从而实现在没有标注测试集的情况下，也可以得到盲区检测模型的性能指标。本发明对盲区检测模型进行测试时避免了标注大量测试集的过程，能够减少盲区检测模型测试过程中的人力、时间的损耗，缩短开发周期。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的车辆盲区检测模型测试方法的流程示意图；

图2是本发明实施例提供的VD和F-Score的拟合关系示意图；

图3是本发明实施例提供的车辆盲区检测模型测试装置的结构示意图；

图4是本发明实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1是本发明实施例提供的车辆盲区检测模型测试方法的实现流程示意图，参见图1所示，该方法包括：

步骤S101，将样本集中预先经过目标标注的各个数据子集分别输入至待测试的盲区检测模型中，根据标注和盲区检测模型的输出，计算样本集中各个数据子集对应的F-Score值。

其中，每个数据子集均为拍摄的一个场景下的盲区图像集合。

在本实施例中，待测试模型的盲区检测模型可以是YOLO等神经网络模型。作为一种可能的实现方式，盲区检测模型为BSD双网络模型，BSD双网络模型使用语义分割模型和目标检测模型进行图像处理，通过获取盲区图像作为训练集训练后的BSD双网络模型，能够识别目标对象。但是，这两个模型的精度会显著影响识别的准确率，导致虚警或漏警，因此需要进行测试。

一般的，模型测试需要大量经过标注的测试集，标注过程十分繁琐。本实施例中，只标注了一小部分样本集，样本集中的数据子集数量远远小于测试集中的数据子集数量。此处，标注的目标对象指的是行人、车辆等。

其中，每个数据子集均为一个场景下车载摄像头拍摄的一组盲区图像，各个图像的拍摄角度、位置不同，可由安装在车辆不同位置的摄像头拍摄。

在本实施例中，将一个数据子集，即一组盲区图像输入至训练得到的待测试的盲区检测模型中，输出数据子集对应的检测结果。其中，样本集中数据子集的数量可以根据需求设置，不宜过多或过少，能够实现准确拟合即可。

根据标注和盲区检测模型的输出结果，可以计算各个数据子集的F-Score值。F-Score是统计学中用来衡量分类模型精确度的一种指标，它可以综合考虑准确率（Precision）和召回率（Recall）的调和值，F-Score作为综合指标，就是为了平衡准确率和召回率的影响，较为全面地评价一个模型。

步骤S102，计算每个数据子集与盲区检测模型的训练集的差异值。

作为一种可能的实现方式，在本实施例中，差异值可以采用Var_distance（VD）进行度量。在该实施例中，计算各个数据子集与盲区检测模型的训练集的差异值的公式可以为：

式中，

为数据子集i与训练集的差异值，

为训练集的均值，

为数据子 集i的均值，

为训练集的协方差，

为数据子集i的协方差，此处的均值由图像各颜色 通道像素之和除以像素数量得到，协方差由各颜色通道像素和均值得到得到，为本领域中 的常规手段，不再详述。

步骤S103，确定F-Score值和差异值的目标关系函数。

在本实施中，通过实验发现，各个数据子集对应的F-Score值和差异值具有很强的相关性，因此可以寻找F-Score值和差异值之间的关系式。

步骤S104，获取未经过目标标注的测试集，测试集中的数据子集数量大于样本集中的数据子集数量。

步骤S105，根据测试集中每个数据子集与训练集之间的差异值，基于目标关系函数，计算测试集中每个数据子集的F-Score值，并基于测试集中各个数据子集的F-Score值对盲区检测模型的性能进行评价

在本实施例中，获取未经过目标标注的测试集，测试集中的数据子集数量远远大于样本集中的数据子集数量，通过计算测试集中每个数据子集与训练集之间的差异值，结合上述目标关系函数，能够直接确定测试集中每个数据子集对应的F-Score值，从而对盲区检测模型的性能进行准确评价。

可以理解的是，测试集、样本集中的数据应设置地与训练集不同，且测试集中数据子集的数量通常应远远大于样本集中数据子集的数量。

可见，本发明实施例通过设置一部分标注的样本集，将样本集中的各个数据子集分别输入至待测试的盲区检测模型，计算各个数据子集的F-Score值，以及计算样本集中的各个数据子集与盲区检测模型的训练集的差异值，从而拟合出F-Score值和差异值之间的关系式，进而，只需计算大量未标注的测试集中的各个数据子集与盲区检测模型的训练集的差异值，结合拟合关系式即可得到测试集中的各个数据子集的F-Score值来对盲区检测模型进行性能评价，从而实现在没有标注测试集的情况下，也可以得到盲区检测模型的性能指标。本发明对盲区检测模型进行测试时避免了标注大量测试集的过程，能够减少盲区检测模型测试过程中的人力、时间的损耗，缩短开发周期。

作为一种可能的实现方式，步骤S103中，确定F-Score值和差异值的目标关系函数，可以详述为：

对样本集中各个数据子集对应的F-Score值和差异值进行拟合，得到F-Score值和差异值的目标关系函数。

在本实施例中，可以将数据子集对应的F-Score值和差异值作为平面直角坐标系中的横纵坐标，形成数据子集对应的一个坐标点，对各个数据子集对应的坐标点进行拟合，即可得到F-Score值和差异值的目标关系函数。

作为一种可能的实现方式，目标关系函数为：

y=a×x+b

式中，y为F-Score值，x为差异值，a、b为拟合系数。

在本实施例中，以BSD双网络模型为示例，从场景库中选取样本集，通过计算样本集中每一个数据子集对应的F-Score值(F-Score_1，F-Score_2，……F-Score_m)，以及样本集中每一个数据子集和训练集的差异值（VD_1，VD_2，……VD_m），得到它们的统计关系参见图2所示，可以看到VD和F-Score呈现很强的负线性相关性，因此可以对各个数据子集的F-Score值和差异值进行线性回归拟合，例如在图2中，拟合关系式为y=-31.2080*x+0.9597。对于不同的网络模型，对应的目标关系函数可能有所不同，根据实际情况确定。

作为一种可能的实现方式，步骤S105中，基于测试集中各个数据子集的F-Score值对盲区检测模型的性能进行评价，可以详述为：

计算测试集中各个数据子集对应的F-Score值的平均值；

基于平均值对盲区检测模型的性能进行评价。

在本实施例中，可以从自定义场景库中选取大批量没有标注的数据子集，形成测试集，各个数据子集分别代表：场景1，场景2，……场景n。计算每一个场景和训练集的差异值（VD_1，VD_2，……VD_n），根据VD和F-score的线性关系式，可以计算得到测试集中每一个场景的F-Score值(F-Score_1，F-Score_2，……F-Score_n)。进一步的，可以对所有场景的F-Score值求均值，通过均值评价盲区检测模型的性能，如下公式所示：

可以理解的是，

值越大表示双网络融合模型的性能越好。

作为一种可能的实现方式，步骤S101中，根据标注和盲区检测模型的输出，计算样本集中各个数据子集对应的F-Score值，可以详述为：

根据标注和盲区检测模型的输出，计算样本集中各个数据子集对应的误报数量FP、漏报数量FN、正报数量TP；

根据Precision=

计算各个数据子集对应的精确率；

根据

计算各个数据子集对应的召回率；

基于各个数据子集对应的精确率和召回率计算各个数据子集的F-Score值。

进一步的，计算各个数据子集的F-Score值的公式为：

式中，

为数据子集i的F-Score值，

为预设的调整系数，

为数据子集i的精确率，

为数据子集i的召回率。

作为一种可能的实现方式，计算每个数据子集与盲区检测模型的训练集的差异值的公式为：

式中，

为数据子集i与训练集的差异值，

为训练集的均值，

为数据子 集i的均值，

为训练集的协方差，

为数据子集i的协方差。

在本实施例中，可以统计样本集中各个数据子集对应的误报数量FP、漏报数量FN、 正报数量TP，进而根据上述公式计算各数据子集对应的精确率和召回率。其中，

的值可以 根据实际需求进行设置，一般默认

=1，如果更关注精确率，可以设置

<1，如果更关注召回 率，可以设置

>1。

作为一种可能的实现方式，在将数据子集输入至待测试的盲区检测模型前，还包括检测数据子集中是否包含模糊图像，并对模糊图像进行去模糊处理；

去模糊处理包括：

计算模糊图像的各个像素点的深度，基于深度将模糊图像划分为若干个区域，并分别计算每一个区域的模糊核；

对于每一个区域，基于该区域的模糊核对该区域进行去模糊处理；

将去模糊后的区域进行边缘融合，得到去模糊后的图像。

在本实施例中，考虑到在相机曝光的时间内，相机和场景之间发生相对运动(如相机抖动)可能导致图像模糊，严重影响性能测试的精度。

因此，可以预先检测数据子集中是否包含模糊图像，删除模糊图像或者对模糊图像进行去模糊处理。本实施例的去模糊方法，能够克服去模糊后的图像存在振铃现象和失真的问题，显著提高模型测试精度。

本发明实施例提供的盲区检测模型的性能测试方法，不需要标注大批量的数据集，可以减少人力、时间的损耗，提高测试效率，缩短整个开发周期。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图3是本发明实施例提供的车辆盲区检测模型测试装置的结构示意图，参见图3所示，该车辆盲区检测模型测试装置30包括：

第一计算模块31，用于将样本集中预先经过目标标注的各个数据子集分别输入至待测试的盲区检测模型中，根据标注和盲区检测模型的输出，计算样本集中各个数据子集对应的F-Score值；每个数据子集均为拍摄的一个场景下的盲区图像集合。

第二计算模块32，用于计算每个数据子集与盲区检测模型的训练集的差异值。

确定模块33，用于确定F-Score值和差异值的目标关系函数。

获取模块34，用于获取未经过目标标注的测试集，测试集中的数据子集数量大于样本集中的数据子集数量。

评价模块35，用于根据测试集中每个数据子集与训练集之间的差异值，基于目标关系函数，计算测试集中每个数据子集的F-Score值，并基于测试集中各个数据子集的F-Score值对盲区检测模型的性能进行评价。

作为一种可能的实现方式，确定模块33具体用于：

对样本集中各个数据子集对应的F-Score值和差异值进行拟合，得到F-Score值和差异值的目标关系函数。

作为一种可能的实现方式，目标关系函数为：

y=a×x+b

式中，y为F-Score值，x为差异值，a、b为拟合系数。

作为一种可能的实现方式，评价模块35具体用于：

计算测试集中各个数据子集对应的F-Score值的平均值；

基于平均值对盲区检测模型的性能进行评价。

作为一种可能的实现方式，第一计算模块31具体用于：

根据标注和车辆盲区检测模型的输出，计算样本集中各个数据子集对应的误报数量FP、漏报数量FN、正报数量TP；

根据Precision=

计算各个数据子集对应的精确率；

根据

计算各个数据子集对应的召回率；

基于各个数据子集对应的精确率和召回率计算各个数据子集的F-Score值。

作为一种可能的实现方式，计算每个数据子集与盲区检测模型的训练集的差异值的公式为：

式中，

为数据子集i与训练集的差异值，

为训练集的均值，

为数据子 集i的均值，

为训练集的协方差，

为数据子集i的协方差。

作为一种可能的实现方式，在将数据子集输入至待测试的盲区检测模型前，第一计算模块31还用于;

检测数据子集中是否包含模糊图像，并对模糊图像进行去模糊处理.

去模糊处理包括：

计算模糊图像的各个像素点的深度，基于深度将模糊图像划分为若干个区域，并分别计算每一个区域的模糊核；

对于每一个区域，基于该区域的模糊核对该区域进行去模糊处理；

将去模糊后的区域进行边缘融合，得到去模糊后的图像。

图4是本发明实施例提供的电子设备40的示意图。如图4所示，该实施例的电子设备40包括：处理器41、存储器42以及存储在存储器42中并可在处理器41上运行的计算机程序43，例如车辆盲区检测模型测试程序。处理器41执行计算机程序43时实现上述各个车辆盲区检测模型测试方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，处理器41执行计算机程序43时实现上述各装置实施例中各模块的功能，例如图3所示模块31至35的功能。

示例性的，计算机程序43可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器42中，并由处理器41执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序43在电子设备40中的执行过程。

电子设备40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备40可包括，但不仅限于，处理器41、存储器42。本领域技术人员可以理解，图4仅仅是电子设备40的示例，并不构成对电子设备40的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备40还可以包括输入输出设备、网络接入设备、总线等。

所称处理器41可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器42可以是电子设备40的内部存储单元，例如电子设备40的硬盘或内存。存储器42也可以是电子设备40的外部存储设备，例如电子设备40上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。进一步地，存储器42还可以既包括电子设备40的内部存储单元也包括外部存储设备。存储器42用于存储计算机程序以及电子设备40所需的其他程序和数据。存储器42还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车辆盲区检测模型测试方法，其特征在于，包括：

将样本集中预先经过目标标注的各个数据子集分别输入至待测试的盲区检测模型中，根据标注和盲区检测模型的输出，计算所述样本集中各个数据子集对应的F-Score值；每个数据子集均为拍摄的一个场景下的盲区图像集合；

计算每个数据子集与盲区检测模型的训练集的差异值；

确定所述F-Score值和所述差异值的目标关系函数；

获取未经过目标标注的测试集，所述测试集中的数据子集数量大于所述样本集中的数据子集数量；

根据所述测试集中每个数据子集与所述训练集之间的差异值，基于所述目标关系函数，计算所述测试集中每个数据子集的F-Score值，并基于所述测试集中各个数据子集的F-Score值对盲区检测模型的性能进行评价。

2.如权利要求1所述的车辆盲区检测模型测试方法，其特征在于，确定所述F-Score值和所述差异值的目标关系函数，包括：

对所述样本集中各个数据子集对应的F-Score值和差异值进行拟合，得到所述F-Score值和所述差异值的目标关系函数。

3.如权利要求2所述的车辆盲区检测模型测试方法，其特征在于，所述目标关系函数为：

y=a×x+b

式中，y为F-Score值，x为差异值，a、b为拟合系数。

4.如权利要求1所述的车辆盲区检测模型测试方法，其特征在于，基于所述测试集中各个数据子集的F-Score值对盲区检测模型的性能进行评价，包括：

计算所述测试集中各个数据子集对应的F-Score值的平均值；

基于所述平均值对盲区检测模型的性能进行评价。

5.如权利要求1所述的车辆盲区检测模型测试方法，其特征在于，根据标注和盲区检测模型的输出，计算所述样本集中各个数据子集对应的F-Score值，包括：

根据标注和盲区检测模型的输出，计算所述样本集中各个数据子集对应的误报数量FP、漏报数量FN、正报数量TP；

根据Precision=

计算各个数据子集对应的精确率；

根据

计算各个数据子集对应的召回率；

基于各个数据子集对应的精确率和召回率计算各个数据子集的F-Score值。

6.如权利要求1所述的车辆盲区检测模型测试方法，其特征在于，计算每个数据子集与盲区检测模型的训练集的差异值的公式为：

式中，

为数据子集i与训练集的差异值，

为训练集的均值，

为数据子集i的 均值，

为训练集的协方差，

为数据子集i的协方差。

7.如权利要求1-6任一项所述的车辆盲区检测模型测试方法，其特征在于，在将数据子集输入至待测试的盲区检测模型前，还包括检测数据子集中是否包含模糊图像，并对模糊图像进行去模糊处理；

所述去模糊处理包括：

计算模糊图像的各个像素点的深度，基于所述深度将模糊图像划分为若干个区域，并分别计算每一个区域的模糊核；

对于每一个区域，基于该区域的模糊核对该区域进行去模糊处理；

将去模糊后的区域进行边缘融合，得到去模糊后的图像。

8.一种车辆盲区检测模型测试装置，其特征在于，包括：

第一计算模块，用于将样本集中预先经过目标标注的各个数据子集分别输入至待测试的盲区检测模型中，根据标注和盲区检测模型的输出，计算所述样本集中各个数据子集对应的F-Score值；每个数据子集均为拍摄的一个场景下的盲区图像集合；

第二计算模块，用于计算每个数据子集与盲区检测模型的训练集的差异值；

确定模块，用于确定所述F-Score值和所述差异值的目标关系函数；

获取模块，用于获取未经过目标标注的测试集，所述测试集中的数据子集数量大于所述样本集中的数据子集数量；

评价模块，用于根据测试集中每个数据子集与训练集之间的差异值，基于所述目标关系函数，计算所述测试集中每个数据子集的F-Score值，并基于所述测试集中各个数据子集的F-Score值对盲区检测模型的性能进行评价。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images