[发明专利]基于全连接网络的姿态测量方法

说明书

本发明涉及一种基于全连接网络的姿态测量方法，包括：构建仿真模型：利用3Dmax软件制作目标的3D模型；基于分布在不同位置和不同尺寸的8个矩形图标，制作靶标图像，将靶标图像附于3D模型前端；第二步：制作训练集：利用3Dmax软件的脚本系统批量制作训练集；将收集好的训练集进行格式转换，使之符合神经网络输入层的数据格式，全连接网络中输入的是利用3Dmax仿真软件制作的符合要求的图片样本，样本标签是三个姿态角的改变量；搭建训练网络，训练网络将基于Keras神经网络框架。

技术领域

本发明属于计算机视觉领域，涉及卷积神经网络，全连接网络在实际物体定位中的应用。

背景技术

机器视觉是基于对人类视觉研究的基础上衍生出的学科,它是人工智能领域一个新的研究热点。近年来,大量的研究人员从事着视觉领域各方面技术的研究,希望突破多方面的限制,使机器视觉技术能够更加成熟。机器视觉技术作为重要的检测测量技术已经应用于很多重要的工业、军事领域中,例如生物医学,环境科学,纺织,航天等。

机器视觉系统根据获取图像的传感器个数的不同可以分为单目视觉测量系统,双目视觉测量系统和多目视觉测量系统等。其中，单目视觉测量法设备要求简单，在实际工业需求中较易实现，常被广泛用于图像单目视觉就是利用一个视觉传感器来捕捉图像信息,系统结构简单,成本低,对场地环境要求较低,而且视场范围较双目视觉或多目视觉要大得多,不需要进行立体匹配,具有广泛适用性。利用单目视觉来对运动目标进行物体位姿测量的方法有很多,如几何相似法、几何光学法、特征靶标测量法、激光测距仪辅助测量法均可以对目标物体的姿态进行测量。

发明内容

本发明的目的在于提供一种适用于单目视觉检测的具有较高定位精度的姿态测量方法。本发明摆脱现有的目标姿态角测量方式，基于传统的姿态角测量的方法，将深度学习策略引入目标位姿态角的过程，解决PNP问题，避免了传统方法中算法复杂繁琐，精确度难以提升的技术瓶颈。通过3Dmax软件仿真模拟，制作实际工程所需仿真训练图片，利用软件特性，将已赋好的目标位置训练样本标签，最终构成训练集，训练集投入全连接网络进行图像特征提取，优化网络参数，最终实现更高精度测量。技术方案如下：

一种基于全连接网络的姿态测量方法，包括下列的步骤：

第一步：构建仿真模型：利用3Dmax软件制作目标的3D模型；基于分布在不同位置和不同尺寸的8个矩形图标，制作靶标图像，将靶标图像附于3D模型前端；

第二步：制作训练集：利用3Dmax软件的脚本系统批量制作训练集，将目标滚转角，俯仰角，旋转角将在±0.2度之间，以0.01度为步幅进行样本取材，获得图片样本，制作有标注的训练样本；

第三步：将收集好的训练集进行格式转换，使之符合神经网络输入层的数据格式，全连接网络中输入的是利用3Dmax仿真软件制作的符合要求的图片样本，样本标签是三个姿态角的改变量；

第四步：搭建训练网络，训练网络将基于Keras神经网络框架：首先对输入的图片进行预处理，然后对靶标图片的进行边缘提取，在边缘提取得到的图片中计算质心，将每个矩形图标的质心输入全连接网络中进行训练；

第五步：基于Keras神经网络框架，进行测试程序构建。

本发明所采用的基于深度学习的全连接网络小范围幅度目标姿态测量将克服传统测量方法中存在的误差大、世界坐标系与像素坐标系之间对应关系不易确定的问题，通过多层全连接神经网络的结构设计，加之高精度、大范围样本的不断训练学习，最终能将实现物体姿态角的同时的高精度输出。在传统的目标姿态角测量的基础之上，结合其PNP算法的求解过程，克服了特征点匹配的精确度不高的问题，以及算法复杂性带来的测量速度的降低等问题。

附图说明

图1全连接神经网络系统架构

图2制作的特征靶标物