基于深度神经网络的非合作目标位姿测量方法、系统及终端设备技术方案

本发明专利技术提供一种基于深度神经网络的非合作目标位姿测量方法、系统及终端设备，方法包括：对非合作目标的不同角度的数据点云和模型点云进行下采样得到点云；用训练好的PointNet网络模型提取得到包含每个点的特征向量的特征矩阵和全局特征向量；根据预先设置的特征点检测筛选阈值对下采样后的点云的特征点进行筛选，并进行特征点匹配得到特征点集；对特征点集进行点云配准，得到位姿转换矩阵；将位姿转换矩阵作用到下采样后的数据点云得到新的点云，并将新的点云和下采样后的模型点云进行点云配准得到新的位姿转换矩阵。本发明专利技术的方法在保证相对高的精度的基础上，满足基于空间非合作目标位姿测量的实时性要求。

Non-cooperative Target Posture Measurement Method, System and Terminal Equipment Based on Deep Neural Network

【技术实现步骤摘要】
基于深度神经网络的非合作目标位姿测量方法、系统及终端设备
本专利技术涉及近距离非合作目标位姿测量
，尤其涉及一种基于深度神经网络的近距离非合作目标位姿测量方法、系统及终端设备。
技术介绍
深度学习是基于大数据量训练样本的前提下训练复杂的深度神经网络，因此有很强的特征提取功能，在许多领域特别是计算机视觉领域超越了传统的计算机视觉算法，比如ImageNet视觉识别挑战赛对物体分类识别检测等任务。深度学习在处理二维图片上获得成功的原因之一是能在呈阵列式规则排列的二维图片矩阵中使用规则的卷积核共享机制，大大减少了神经网络的参数量。而由于三维点云特有的属性：首先，点云数据点维度高且非结构化，规模很大并且散乱无序，这种特有的几何属性难以直接利用现有成熟的卷积神经网络模型，无法迁移。其次，点云数据有着随环境光照变化而导致分布不均衡，因遮挡或者扫描角度导致的结构不完整，也增加了点云处理的难度；最后，虽然三维传感器发展迅速，但是仍然存在着误差产生以及环境中其他因素导致的噪点，点云数据的海量性对处理效率有着很大的挑战。目前将二维图片中的神经网络推广到三维点云上的方法首先要解决的就是对点云序列的规范本文档来自技高网...

【技术保护点】
1.基于深度神经网络的非合作目标位姿测量方法，其特征在于，包括如下步骤：S1：对非合作目标的不同角度的数据点云P和模型点云Q进行下采样得到点云P'，Q'；S2：用训练好的PointNet网络模型对所述点云P'，Q'进行特征提取得到包含每个点的特征向量的特征矩阵Αn×1024和全局特征向量Β1×1024；S3：根据预先设置的特征点检测筛选阈值对所述点云P'，Q'的特征点进行筛选，并按照所述全局特征向量Β1×1024与所述点云P'，Q'的所述每个点的特征向量的特征矩阵Αn×1024进行特征点匹配得到特征点集P”，Q”；S4：对所述特征点集P”，Q”进行点云配准，得到位姿转换矩阵T1＝[R1,t1]...

【技术特征摘要】
1.基于深度神经网络的非合作目标位姿测量方法，其特征在于，包括如下步骤：S1：对非合作目标的不同角度的数据点云P和模型点云Q进行下采样得到点云P'，Q'；S2：用训练好的PointNet网络模型对所述点云P'，Q'进行特征提取得到包含每个点的特征向量的特征矩阵Αn×1024和全局特征向量Β1×1024；S3：根据预先设置的特征点检测筛选阈值对所述点云P'，Q'的特征点进行筛选，并按照所述全局特征向量Β1×1024与所述点云P'，Q'的所述每个点的特征向量的特征矩阵Αn×1024进行特征点匹配得到特征点集P”，Q”；S4：对所述特征点集P”，Q”进行点云配准，得到位姿转换矩阵T1＝[R1,t1]；S5：将所述位姿转换矩阵T1作用到点云P'得到点云并将所述点云和所述点云Q'进行点云配准得到位姿转换矩阵T2＝[R2,t2]。2.如权利要求1所述的基于深度神经网络的非合作目标位姿测量方法，其特征在于，步骤S1中按照曲率特征、点云的密度或法线进行所述下采样。3.如权利要求1所述的基于深度神经网络的非合作目标位姿测量方法，其特征在于，步骤S1中进行所述下采样的采样点数为1024个。4.如权利要求1所述的基于深度神经网络的非合作目标位姿测量方法，其特征在于，步骤S3中通过TrICP算法进行所述特征点匹配。5.如权利要求1所述的基于深度神经网络的非合作目标位姿测量方法，其特征在于，步骤S4中通过TrICP算法进行所述特征点匹配。6.一种基于深度神经网络的非合作目标位姿测量系统，其特征在于，包括：第一单...

【专利技术属性】
技术研发人员：刘厚德，刘兵，高学海，王学谦，梁斌，
申请(专利权)人：清华大学深圳研究生院，
类型：发明
国别省市：广东,44