(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210844044.7 (22)申请日 2022.07.18 (71)申请人 北京交通大 学 地址 100044 北京市海淀区西直门外上园 村3号北京交通大 学 (72)发明人 柴铭　谢东　刘宏杰　宿帅　 吕继东　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 赵兴华 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/74(2022.01) G06T 7/73(2017.01) G06T 7/00(2017.01)G06V 10/82(2022.01) (54)发明名称 一种列车视觉定位测试用例生成方法及系 统 (57)摘要 本发明涉及一种列车视觉定位测试用例生 成方法及系统， 属于列车定位技术领域， 首先获 取列车周围真实环境图像， 并依据模糊类型进行 分类， 以无模糊训练图像、 相同场景下的任一模 糊类型的模糊训练图像以及预设模糊类型为输 入， 以重构模糊图像与对应的模糊类型为输出， 训练基于GAN的图像生成网络， 得到图像生成模 型； 然后将真实无模糊图像与目标参考数据输入 图像生成模型， 生成目标重构模糊图像， 再将结 构相似度低于设定阈值的目标重构模糊图像删 除。 本发明利用图像生成模型能够得到各种不同 类型和不同场景的模糊图像， 从而丰富了测试用 例， 解决现有技术中无法满足测试的完备性要求 以及获取的图像在真实环境中出现频率较低且 难以复现的问题。 权利要求书3页 说明书13页 附图5页 CN 115205595 A 2022.10.18 CN 115205595 A 1.一种列车视 觉定位测试用例生成方法， 其特 征在于， 所述方法包括： 获取列车周围真实环境图像； 对所述真实环境图像根据模糊类型进行分类， 得到若干种模糊类型的模糊训练图像； 以无模糊训练图像、 相同场景下的任一模糊类型的模糊训练图像以及预设模糊类型为 输入， 以重构模糊图像与对应的模糊类型为输出， 训练基于GAN的图像生成网络， 得到图像 生成模型； 所述重构模糊图像的场景与所述无模糊训练图像的场景相同， 所述重构模糊图 像的模糊类型与所述模糊训练图像的模糊类型相同或与所述预设模糊类型相同； 将真实无模糊图像与目标参考数据输入所述图像生成模型， 生成目标重构模糊图像及 对应的模糊类型； 所述 目标参考数据为参考模糊图像或指定模糊类型； 所述参考模糊图像 为与所述真实无模糊图像场景相同的模糊图像； 计算所述目标重构模糊图像与所述真实无模糊图像的结构相似度； 将所述结构相似度低于设定阈值的目标重构模糊图像删除， 得到测试用例。 2.根据权利要求1所述的列 车视觉定位测试用例生成方法， 其特征在于， 所述模糊类型 包括： 模糊角度和模糊强度。 3.根据权利要求1所述的列 车视觉定位测试用例生成方法， 其特征在于， 所述以无模糊 训练图像、 相同场景下 的任一模糊类型 的模糊训练图像以及预设模糊类型为输入， 以重构 模糊图像与对应的模糊类型为输出， 训练基于GAN的图像生成网络， 得到图像生成模型， 具 体包括： 将无模糊训练图像T和相同场景下的任一模糊类型的模糊训练图像R输入基于GAN的图 像生成网络； 所述基于GAN的图像生成网络包括： 解构器、 编码器、 重构器、 判别器和优化器； 利用所述解构器得到所述无模糊训练图像T的内容编码Tc和模糊类型编码Tb， 所述模 糊训练图像R的内容编码Rc和模糊类型编码Rb； 设置预设模糊类型I； 利用所述编码器将随机噪声映射 为符合所述预设模糊类型I的模糊类型编码Ib； 利用所述重构器将所述无模糊训练图像T 的内容编码Tc和模糊类型编码Tb、 所述模糊 训练图像R的内容编码Rc和模糊类型编码Rb以及所述预设模糊类型I的模糊类型编码Ib进 行自重构和交叉重构， 得到 重构结果； 将所述重构结果、 所述无模糊训练图像T和所述模糊训练图像R输入判别器， 得到判别 结果； 根据所述判别结果计算各项损失函数并进行反向传播， 得到图像生成网络参数的梯 度； 利用优化器根据所述梯度优化所述图像生成网络参数， 迭代得到图像生成模型。 4.根据权利要求3所述的列 车视觉定位测试用例生成方法， 其特征在于， 所述利用所述 重构器将所述无模糊训练图像T的内容编码Tc和模糊类型编码Tb、 所述模糊训练图像R的内 容编码Rc和模糊类型编 码Rb以及所述预设模糊类型I的模糊类型编码Ib进 行自重构和交叉 重构， 得到 重构结果， 具体包括： 将所述无模糊训练图像T的内容编码Tc和模糊类型编码Tb输入所述重构器进行自重 构， 得到无模糊自重构图像RebT； 将所述模糊训练图像R的内容编码Rc和模糊类型编码Rb输入所述重构器进行自重构，权　利　要　求　书 1/3 页 2 CN 115205595 A 2得到模糊自重构图像RebR； 将所述无模糊训练图像T 的内容编码Tc和所述模糊训练图像R的模糊类型编码Rb输入 所述重构器进行交叉重构， 得到第一交叉重构图像Cros sT1； 将所述无模糊训练图像T 的内容编码Tc和所述预设模糊类型I的模糊类型编码Ib输入 所述重构器进行交叉重构， 得到第二交叉重构图像Cros sT2。 5.根据权利要求3所述的列 车视觉定位测试用例生成方法， 其特征在于， 所述根据 所述 判别结果计算各项损失函数， 具体包括： 计算重构损失Loss(Reb)＝0.5*(L1Loss(T， RebT)+L1Loss(R， RebR))； 其中， L1Loss() 为基本loss函数， RebT表示无模糊自重构图像， RebR表示模糊自重构图像； 计算鉴别损失Loss(Dis)＝0.25*(L1Loss(Dis(T)， Dis(RebT))+L1Loss(Dis(R)， Dis (RebR))+L1Loss(Dis(R)， Dis(CrossT1))+L1Loss(I， Dis(CrossT2)))； 其中， Dis(T)为所述 无模糊训练图像T的判别结果， Dis(R)为所述模糊训练图像R的判别结果、 Dis(RebT)为无模 糊自重构图像的判别结果、 Dis(RebR)为模糊自重构图像的判别结果、 Dis(CrossT1)为第一 交叉重构图像的判别结果、 Dis(Cros sT2)为第二交叉重构图像的判别结果。 6.根据权利要求1所述的列 车视觉定位测试用例生成方法， 其特征在于， 所述将真实无 模糊图像与目标参考数据输入所述图像生成模 型， 生成目标重构模糊图像及对应的模糊类 型， 具体包括： 当输入为真实无模糊图像与参考模糊图像时， 通过所述图像生成模型的解构器对所述 参考模糊图像进行解构， 得到第一 参考模糊类型编码； 通过所述图像生成模型的解构器对所述真实无模糊图像进行解构， 得到真实图像 内容 编码； 通过所述图像生成模型的重构器融合所述第一参考模糊类型编码和所述真实图像内 容编码， 重构得到与所述真实无模糊图像具有相同场景且与所述参考模糊图像具有相同模 糊类型的目标重构模糊图像； 通过所述图像生成模型的判别器获取 所述目标重构模糊图像的模糊类型； 当输入为真实无模糊图像与指定模糊类型时， 根据 所述指定模糊类型得到第 二参考模 糊类型编码； 通过所述图像生成模型的解构器对所述真实无模糊图像进行解构， 得到真实图像 内容 编码； 通过所述图像生成模型的重构器融合所述第二参考模糊类型编码和所述真实图像内 容编码， 重构得到与所述真实无模糊图像具有相同场景且模糊类型为所述指定模糊类型的 目标重构模糊图像； 通过所述图像生成模型的判别器获取 所述目标重构模糊图像的模糊类型。 7.根据权利要求1所述的列 车视觉定位测试用例生成方法， 其特征在于， 所述结构相似 度的计算公式为： 其中， μx、 μy是生成的目标重构模糊图像x与真实无模糊图像y的像素平均值， σx、 σy是生 成的目标重构模糊图像x与真实无模糊图像y的标准差， W1、 W2为避免分母趋于0时造成系统权　利　要　求　书 2/3 页 3 CN 115205595 A 3