[发明专利]一种地铁环境目标训练集生成方法及系统

说明书

本发明公开一种地铁环境目标训练集生成方法及系统。采用一种博弈对抗生成网络，通过对城市轨道交通正常物体特征学习，将可能的障碍物自动生成到轨道交通自然环境中，同时采用判决网络将生成数据和真实数据区分开。通过生成网络和判决网络博弈过程，实现对城市交通障碍物的真实模拟，得到地铁环境目标训练集。采用本发明能够提升目标训练的准确性。

技术领域

本发明涉及地铁交通领域，特别是涉及一种地铁环境目标训练集生成方法及系统。

背景技术

由于地铁内环境复杂，光照度条件变化范围很大，且目标种类多，装置安装在运动列车上，很难用传统的基于背景学习的或形态学方法进行检测。而人工智能目标训练方法需要大量数据集支撑，地铁列车的安装条件又制约了底层处理平台的运算能力，很难使用较大规模的泛化能力强的网络进行训练，因此建立与地铁环境匹配的目标训练集对提升目标训练的准确性尤其重要。

发明内容

本发明的目的是提供一种地铁环境目标训练集生成方法及系统，能够提升目标训练的准确性。

为实现上述目的，本发明提供了如下方案：

一种地铁环境目标训练集生成方法，包括：

获取带目标的地铁环境图片和各种非地铁环境场景图片并进行标注；

根据所述地铁环境图片，训练得到第一生成网络；

根据所述第一生成网络，生成得到第一随机图；

根据所述地铁环境图片和所述第一随机图对第一判决网络进行训练，得到训练后的第一判决网络；

根据所述第一判决网络更新所述第一生成网络的参数；

将所述第一生成网络和所述第一判决网络进行多次迭代，得到损失函数符合设定要求的生成网络权重；

通过所述生成网络权重生成真实的带目标的地铁环境图片；

获取分类器可识别的第一随机图，将所述真实的带目标的地铁环境图片作为正向样本，分类器可识别的第一随机图作为生成样本，将分类器不可识别的第一随机图作为反向样本；

训练微调第二生成网络；

根据所述第二生成网络，生成得到第二随机图；

根据所述第二随机图、所述正向样本、所述反向样本和所述生成样本，训练得到第二判决网络；

根据所述第二判决网络更新所述第二生成网络的参数；

将所述第二生成网络和所述第二判决网络进行多次迭代，得到接近真实环境且更有利于分类器分类识别的第三随机图；

根据所述第三随机图，得到地铁环境目标训练集。

可选的，所述根据所述地铁环境图片，训练得到第一生成网络，具体包括：

将所述地铁环境图片作为条件代入到第一生成网络中，训练得到第一生成网络，第一生成网络初步模型使用PixelRNN模型和权重。

可选的，所述根据所述地铁环境图片和所述第一随机图对第一判决网络进行训练，得到训练后的第一判决网络，具体包括：

将所述第一随机图与所述地铁环境图片进行串联操作和1*1卷积，得到串联卷积后的图像；

计算所述串联卷积后的图像的第一相似度决策层分数；

根据所述第一相似度决策层分数对第一判决网络进行训练，得到训练后的第一判决网络。

可选的，所述根据所述第二随机图、所述正向样本、所述反向样本和所述生成样本，训练得到第二判决网络，具体包括：