[发明专利]6D位姿标注方法、系统及存储介质

说明书

本申请公开了一种6D位姿标注方法、系统及存储介质，方法包括：获取目标物体的图像信息；根据目标掩码，将目标物体深度图片转化为第一点云集合；采用PPF算法对第一点云集合与预设的模型点云集合进行粗匹配，得到目标物体的第一位姿，并根据第一位姿将第一点云集合转换为第二点云集合；采用点对面的ICP算法将第二点云集合与模型点云集合进行第一次精匹配，得到目标物体的第二位姿，并根据第二位姿将第二点云集合转换为第三点云集合；采用点对点的ICP算法将第三点云集合与模型点云集合进行第二次精匹配，得到目标物体的第三位姿；根据得到的三个位姿计算出目标物体的目标位姿。本申请可以高效地得到目标物体的较为准确的目标位姿。

技术领域

本申请涉及机器视觉技术领域，特别涉及一种6D位姿标注方法、系统及存储介质。

背景技术

6D位姿预测是3D视觉中一个关键技术，位姿即位置和姿态，位置可由空间坐标(x,y,z)进行描述，即平移，姿态可由三个方向的旋转(pitch,yaw,roll)来描述，所以物体的位姿可以用6个自由度的数据来描述。6D位姿预测旨在准确测量目标物体的3D旋转值和3D平移值，广泛应用在诸如机器人抓取、增强现实、自动驾驶等场景中。

6D位姿预测有很多种方法，深度学习的技术可以大大提高6D位姿预测的准确性，而随着深度学习技术的发展，6D位姿一般通过两种方式进行标注：一是通过人工数据标注，由于深度学习需要大量的数据进行支撑，人工标注6D位姿常常需要大量的时间和工作量，不仅造成较高的人工成本，而且会严重影响标注效率；二是通过采用方阵的方法制作大量的数据以供深度学习网络进行训练，再将训练好的网络针对现实场景进行预测，如此可以节省人工标注的时间，但是由于仿真数据和真实场景下的数据存在差异，使得深度学习训练得出的结果的准确性无法得到保证。

发明内容

本申请旨在至少解决现有技术中存在的技术问题之一，为此，本申请提出一种6D位姿标注方法、系统及存储介质，能够高效且准确地得到6D位姿。

本申请的第一方面，提供了一种6D位姿标注方法，包括：获取目标物体的图像信息；其中，图像信息包括目标掩码和目标物体的深度图片；根据目标掩码，将目标物体深度图片转化为第一点云集合；粗匹配步骤：采用PPF算法对第一点云集合与预设的模型点云集合进行粗匹配，得到目标物体的第一位姿，并根据第一位姿将第一点云集合转换为第二点云集合；第一次精匹配：采用点对面的ICP算法将第二点云集合与模型点云集合进行第一次精匹配，得到目标物体的第二位姿，并根据第二位姿将第二点云集合转换为第三点云集合；第二次精匹配：采用点对点的ICP算法将第三点云集合与模型点云集合进行第二次精匹配，得到目标物体的第三位姿；根据第一位姿、第二位姿和第三位姿，计算出目标物体的目标位姿。

根据本申请第一方面实施例的6D位姿标注方法，至少具有如下有益效果：通过首先将第一点云集合与预设的模型点云集合进行粗匹配，得到目标物体的第一位姿，并由第一位姿将第一点云集合转换为第二点云集合；再将第二点云集合与预设的模型点云集合进行点对面的第一次精匹配，得到目标物体的第二位姿，并由第二位姿将第二点云集合转换为第三点云集合；最后将第三点云集合与预设的模型点云集合进行点对点的第二次精匹配，得到目标物体的第三位姿；最终将三次匹配得到的三个位姿进行计算，得到目标物体的目标位姿。整个过程通过采集目标物体的图像信息，再将目标物体转化的第一点云集合经过一系列的粗匹配以及两次精匹配，可以得到准确的目标位姿，而且由于不再需要进行人工标注目标物体的位姿，可以有效地提高工作效率。

根据本申请的一些实施例，还包括：采用DBSCAN的点云去噪算法将第一点云集合进行去噪，得到去噪后的第一点云集合，并将去噪后的第一点云集合用于粗匹配步骤。采集到的第一点云集合由于光照等原因会包含有大量的噪点，而常用的基于半径和基于统计的点云去噪方法，对于少量离散的噪点效果很好，但针对大面积聚集型点云噪声效果有限。而基于DBSCAN的点云去噪方法，能很好的去除大面积的聚集型点云噪声，使得第一点云集合去噪之后再进行匹配能够有效的提高匹配精度。