结构化场景下的目标定位方法及装置制造方法及图纸

本发明专利技术公开了一种结构化场景下的目标定位方法及装置，该方法包括：获取待检测图像；根据预先训练的识别网络中的特征卷积核参数生成所述待检测图像对应的特征映射图；根据所述识别网络中的RPN网络卷积核参数从所述特征映射图中确定出待验证的结构化检测区域；根据所述识别网络中的得分图生成卷积核参数生成所述结构化检测区域中所述定位目标物和参照物的位置敏感得分图；根据所述位置敏感得分图对所述待验证的结构化检测区域进行验证；若通过验证，确定出所述定位目标物在所述结构化检测区域中的位置信息。本发明专利技术解决了现有技术的深度学习模型难以实现目标的高速定位的技术问题。

【技术实现步骤摘要】
结构化场景下的目标定位方法及装置
本专利技术涉及深度学习领域，具体而言，涉及一种结构化场景下的目标定位方法及装置。
技术介绍
近年来，随着铁路事业的快速发展，我国铁路总里程已达12.4万公里。钢轨扣件是轨道上用以连接钢轨和轨枕的轨道基础设施部件，其作用是将钢轨固定在轨枕上，保持轨距并防止钢轨的侧向移动。钢轨扣件发生异常，将使得扣件对钢轨起不到固定作用，对列车的运行安全产生严重的影响。因此，铁路钢轨扣件的服役状态对保障铁路安全运营至关重要，需要对其进行周期性的巡查，及时发现扣件的异常状态。近年来，基于深度学习的目标检测技术取得重大突破，基于深度学习的目标检测总体上分为两派，基于候选区域生成的R-CNN系列以及基于回归方法的(无需区域提名)YOLO、SSD系列，这些检测算法极大的提升了扣件检测的准确率。但已有的深度学习模型大多针对自然场景中的多类物体检测而设计，难以满足铁轨扣件的超高速检测要求。为了满足时速350km/h的高速综合检测列车的实时检测需求，对扣件的定位提出了极高的要求，要满足350km/h速度下的扣件定位，则定位速度要求能够达到49帧/秒，即至少20ms/帧的定位速度，已有本文档来自技高网...

【技术保护点】
1.一种结构化场景下的目标定位方法，其特征在于，包括：获取待检测图像；根据预先训练的识别网络中的特征卷积核参数生成所述待检测图像对应的特征映射图；根据所述识别网络中的RPN网络卷积核参数从所述特征映射图中确定出待验证的结构化检测区域，其中，所述结构化检测区域包括：至少一个定位目标物及参照物；根据所述识别网络中的得分图生成卷积核参数生成所述结构化检测区域中所述定位目标物和参照物的位置敏感得分图；根据所述位置敏感得分图对所述待验证的结构化检测区域进行验证；若通过验证，确定出所述定位目标物在所述结构化检测区域中的位置信息。

【技术特征摘要】
1.一种结构化场景下的目标定位方法，其特征在于，包括：获取待检测图像；根据预先训练的识别网络中的特征卷积核参数生成所述待检测图像对应的特征映射图；根据所述识别网络中的RPN网络卷积核参数从所述特征映射图中确定出待验证的结构化检测区域，其中，所述结构化检测区域包括：至少一个定位目标物及参照物；根据所述识别网络中的得分图生成卷积核参数生成所述结构化检测区域中所述定位目标物和参照物的位置敏感得分图；根据所述位置敏感得分图对所述待验证的结构化检测区域进行验证；若通过验证，确定出所述定位目标物在所述结构化检测区域中的位置信息。2.根据权利要求1所述的结构化场景下的目标定位方法，其特征在于，还包括：获取用于训练的标注图像样本，所述标注图像样本包括标注出的结构化检测区域，所述标注出的结构化检测区域包括：至少一个标注出的定位目标物及参照物；通过所述标注图像样本训练出特征卷积核参数、RPN网络卷积核参数和得分图生成卷积核参数；根据所述特征卷积核参数、RPN网络卷积核参数和得分图生成卷积核参数生成识别网络的训练模型参数。3.根据权利要求1所述的结构化场景下的目标定位方法，其特征在于，所述定位目标物包括：扣件区域；所述参照物包括：钢轨区域和道床区域中的至少一种。4.根据权利要求3所述的结构化场景下的目标定位方法，其特征在于，所述扣件区域的数量为6个，所述钢轨区域的数量为5个，所述道床区域的数量为4个，所述扣件区域、钢轨区域、道床区域以如下矩阵的形式进行排列：其中，R11、R13、R31、R33、R51、R53为扣件区域，R21、R23、R41、R43为道床区域，R12、R22、R32、R42、R52为钢轨区域。5.根据权利要求4所述的结构化场景下的目标定位方法，其特征在于，所述位置敏感得分图，包括：用于进行分类的第一位置敏感得分图以及用于回归调整子区域位置的第二位置敏感得分图，其中，所述第一位置敏感得分图为5×3×(C+1)维，C为检测目标的类别数目，所述第二位置敏感得分图为5×3×4维。6.根据权利要求1所述的结构化场景下的目标定位方法，其特征在于，所述根据所述位置敏感得分图对所述待验证的结构化检测区域进行验证，包括：对所述位置敏感得分图进行池化操作；通过对池化操作的结果进行区域投票以对所述待验证的结构化检测区域进行验证。7.根据权利要求2所述的结构化场景下的目标定位方法，其特征在于，所述根据所述特征卷积核参数、RPN网络卷积核参数和得分图生成卷积核参数生成识别网络的训练模型参数，包括：根据预设的模型调整策略对所述特征卷积核参数、RPN网络卷积核参数和得分图生成卷积核参数进行迭代逼近，直至生成的识别网络的网络训练误差小于预设阈值。8.根据权利要求7所述的结构化场景下的目标定位方法，其特征在于，所述网络训练误差的阈值由结构正则化能量损失函数确定；所述结构正则化能量损失函数为：其中，为目标分类损失计算参数，Lreg(t,t*)为位置回归损失计算参数，Lsr(h,h*)为结构保持损失计算参数，λ1和λ2为加权系数，t*、h*分别为用于训练的样本标签，c*＞0表示检测的目标非背景，s,tx,y,w,h,表示训练的输入数据。9.根据权利要求1所述的结构化场景下的目标定位方法，其特征在于，所述特征卷积核参数对应的卷积网络采用VGG16或ResNet-18网络结构。10.根据权利要求1所述的结构化场景下的目标定位方法，其特征在于，所述RPN网络卷积核参数对应的RPN卷积网络的锚点生成规则为每个像素点仅生成多个高宽比固定的候选区域。11.一种结构化场景下的目标定位装置，其特征在于，包括：待检测图像获取单元，用于获取待检测图像；特征映射图生成单元，用于根据预先训练的识别网络中的特征卷积核参数生成所述待检测图像对应的特征映射图；结构化检测区域确定单元，用于根据所述识别网络中的RPN网络卷积...

【专利技术属性】
技术研发人员：戴鹏，王胜春，杜馨瑜，顾子晨，方玥，
申请(专利权)人：中国铁道科学研究院集团有限公司基础设施检测研究所，北京铁科英迈技术有限公司，中国铁道科学研究院集团有限公司，
类型：发明
国别省市：北京,11