[发明专利]结构化场景下的目标定位方法及装置

说明书

本发明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。

技术领域

本发明涉及深度学习领域，具体而言，涉及一种结构化场景下的目标定位方法及装置。

背景技术

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，已有的深度学习模型难以满足如此高的定位速度要求，也无法满足在高速检测下的定位精度。

发明内容

本发明的主要目的在于提供一种结构化场景下的目标定位方法及装置，以解决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。

为了实现上述目的，根据本发明的一个方面，提供了一种结构化场景下的目标定位方法，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，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。

进一步的，该方法还包括：

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。

为了实现上述目的，根据本发明的另一方面，提供了一种结构化场景下的目标定位装置，该装置包括：

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；