1.一种标记点及其像素坐标检测通用方法，其特征在于：包括如下步骤：步骤一：通过相机采集标记点图像并且标注标签，制作成数据集；

步骤二：搭建基于卷积神经网络的标记点检测模型，并由数据集进行训练；

步骤三：采集检测图像，并在图像中添加检测框，而后由标记点检测模型分类分支判断检测框内是否含有标记点；

步骤四：若标记点检测模型分类分支判断检测框内有标记点，则由标记点检测模型回归分支预测标记点中心的像素坐标并且输出；若标记点检测模型分类分支判断检测框内无标记点，则将检测框进行扩大，之后再由标记点检测模型回归分支预测标记点中心的像素坐标。

2.按照权利要求1所述的一种标记点及其像素坐标检测通用方法，其特征在于：步骤一中，数据集的图像的标签格式为(0/1,u,v)，其中0/1代表0或1，0表示无标记点，1表示有标记点，(u,v)表示标记点中心的像素坐标。

3.按照权利要求1所述的一种标记点及其像素坐标检测通用方法，其特征在于：步骤二中，标记点检测模型是基于LetNet‑5模型，采用与LetNet‑5模型一致的特征提取器，具有分类分支和回归分支两个分支；两个分支共用同一特征提取器，均由2层全连接层组成，神经元个数相同，其中第一个全连接层神经元的个数为84，第二个全连接层神经元的个数为2。

4.按照权利要求1所述的一种标记点及其像素坐标检测通用方法，其特征在于：步骤三中，所添加的检测框位置以及尺寸由4个元素组成的数组(uROI,vROI,hROI,wROI)表示，其中(uROI,vROI)表示检测框的左上角角点在整个图像中的像素坐标，hROI、wROI分别表示检测框的高、宽度，单位均为像素。

5.按照权利要求1所述的一种标记点及其像素坐标检测通用方法，其特征在于：步骤三中，标记点检测模型分类分支用于判断检测框内有无标记点，标记点检测模型分类分支输出结果前需经过Softmax操作，使输出结果符合概率分布，输出结果为 分别代表检测框内有、无标记点的概率，而且 其中两者中最大值将视为模型预测结果为

6.按照权利要求1所述的一种标记点及其像素坐标检测通用方法，其特征在于：步骤四中，标记点检测模型回归分支用于预测检测框内标记点中心的像素坐标，回归分支的输出结果为 代表标记点中心在检测框框内的像素坐标，并且 则模型预测结果为

7.按照权利要求1所述的一种标记点及其像素坐标检测通用方法，其特征在于：步骤四中，检测框以左上角为原点，沿高、宽方向进行扩大，处理后的检测框内的图像直接传送至标记点检测模型回归分支，当回归分支预测完成后，再以预测的像素坐标为中心，将检测框恢复至扩大前的尺寸。

8.按照权利要求1所述的一种标记点及其像素坐标检测通用方法，其特征在于：步骤三中检测图像所用标记点图案与步骤一中所用标记点图案相同。

9.按照权利要求1所述的一种标记点及其像素坐标检测通用方法，其特征在于：步骤三中，由相机采集运动物体视频，物体表面粘贴标记点；在视频第1帧中手动添加多个检测框，而后由MOSSE目标跟踪算法更新每一帧中的检测框位置，并且标记点检测模型分类分支判断每个检测框内是否含有标记点。

10.按照权利要求1所述的一种标记点及其像素坐标检测通用方法，其特征在于：步骤四中，对检测框进行扩大，若扩大一次后仍判断不出标记点，则停止检测，并且在检测图像中手动添加检测框，再回到步骤三，由标记点检测模型分类分支判断检测框内是否含有标记点。