1.一种面向自动驾驶多维感知融合目标检测的测试方法，其特征在于，包括以下步骤：

S1：生成实例池：在公开的自动驾驶数据集的测试数据上，用YOLACT实例分割算法提取行人、车辆等各类实例，并根据尺寸、质量筛选提取结果；

S2：生成测试样例：根据设计的行人横穿、交通拥堵、违规停车、不文明驾驶等极端交通场景，在实例池中选择对应的实例，依据消失点估计放缩实例，粘贴在原始测试数据上；

S3：根据测试指标筛选样例：在每个生成的测试样例上计算测试指标，筛选出一组最优的样例；

S4：测试目标检测模型：将筛选后的各类极端场景样例输入多维感知融合目标检测模型进行蜕变测试，得到模型的平均精度，分析测试结果。

2.如权利要求1所述的一种面向自动驾驶多维感知融合目标检测的测试方法，其特征在于：所述步骤S1中，加载YOLACT模型，输入原始交通数据，根据数据集标注的类别、角度等信息，双目图像匹配地做实例分割，得到行人、动物、非机动车、汽车(正向、逆向、横向)，去除不完整的和尺寸过小或过大的实例，得到实例池。

3.如权利要求1或2所述的一种面向自动驾驶多维感知融合目标检测的测试方法，其特征在于：所述步骤S2包括以下步骤：S2‑1：根据定义的4种极端交通场景选择要粘贴的实例，行人横穿场景选择行人和动物实例，交通拥堵场景选择正向汽车实例，违规停车场景选择非机动车实例、不文明驾驶场景选择横向和逆向的汽车实例。

S2‑2：在原始测试图像上估计消失点，用OpenCV库的Canny和HoughLinesP函数检索图像中的所有直线，过滤掉长度小于100个像素的直线段，根据直线上任意两个点的坐标计算得到这两条直线延长后的交点，所有直线两两计算后，找到大多数交点出现的坐标区域，取平均得到近似坐标作为消失点。

S2‑3：对于汽车实例，根据数据集标注信息划分可插入区域，即空旷的地面区域，来防止大面积遮挡带来的检测误差。在可插入区域随机待插入坐标，每次从实例池中随机选择一个汽车实例，然后根据消失点坐标和原始测试图像中已存在的实例大小，来按比例缩放待插入的汽车实例，用汽车实例的像素覆盖对应背景的像素，从而得到交通拥堵、不文明开车交通场景的样例。对于行人、动物、非机动车实例，可插入区域的划分不考虑对原有的实例的遮挡，从实例池中随机选取后，依据待插入坐标附近的车辆高度来放缩待插入实例，从而得到行人横穿、违规停车交通场景的样例。此外，由于汽车实例尺寸较大，每个样例中最多只插入一个实例，而行人、动物、非机动车实例的尺寸较小，根据场景的不同复杂程度每个样例中可插入1‑4个实例。

4.如权利要求1或2所述的一种面向自动驾驶多维感知融合目标检测的测试方法，其特征在于，所述步骤S3包括以下步骤：S3‑1：依据原始数据集图像中所有实例的分布规律，将图像平均划分为横纵向3*2的6个区域，分别是左侧、前侧、右侧、左前侧、前侧远方、右前侧。

S3‑2：计算生成的每个测试样例的指标得分，指标分为4项，公式如下：

其中，F(S)指一个场景S的综合得分，Fk(S)指场景S在第k项指标上的得分，λk是第k项指标在综合得分中的权重，在没有场景特点偏向的情况下，λ都取1/4。

F1根据场景S中的实例总数计算得分，衡量极端场景的实例繁多程度；F2根据6分场景S中的实例数计算得分，衡量场景中实例的密集程度；F3根据6分场景S中的类别数计算得分，衡量场景中实例种类的纷乱程度；F4根据6分场景S中实例数的标准差计算，衡量测试场景中的实例分布与训练集场景的差距。公式如下：公式(2)中， 指场景中原本存在的第j个类别cj的实例总个数，ninsertion指生成过程中插入的实例总个数，th1是数据集中一个场景包含最多的实例数；公式(3)中，ni指场景在第i个分区中的实例总数，th2是数据集中一个分区场景实例总数的平均值；类似的，公式(4)中，Ci指场景在第i个分区中实例的类别数，th3是数据集中一个分区场景实例类别数的平均值；最后,公式(5)中，th4是数据集中分区场景实例数分布的标准差最大值，std()指样本标准差，其公式如下：其中，是样本平均值。

计算得到综合得分后，对于不同极端场景，分别筛选出一组指标得分最高的测试样例。

5.如权利要求1或2所述的一种面向自动驾驶多维感知融合目标检测的测试方法，其特征在于，所述步骤S4中，将筛选后的各类极端场景样例输入多维感知融合目标检测模型，在‘Car’类上进行蜕变测试，蜕变关系是模型在原始测试样例和生成的测试样例上的检测结果不变，即原始的真实标签不做改动。