一种物体模型旋转方法及其相关设备技术

本申请公开了一种物体模型旋转方法及其相关设备，其提供的目标模型可以准确完成旋转估计，进而准确完成物体模型的旋转。本申请的方法包括：在获取第一状态的目标物体的信息后，可将这些信息输入至目标模型中。接着，可通过目标模型对信息进行处理，从而得到第一矩阵，第一矩阵为n阶矩阵，n为大于或等于2的正整数。然后，可对第一矩阵进行正交化，从而得到第二矩阵，第二矩阵为n阶旋转矩阵。最后，可直接基于第二矩阵，对目标物体的预置的n维模型进行旋转，从而得到目标物体的旋转后的n维模型，目标物体的预置的n维模型用于指示第二状态的目标物体，目标物体的旋转后的n维模型用于指示第一状态的目标物体。示第一状态的目标物体。示第一状态的目标物体。

【技术实现步骤摘要】
一种物体模型旋转方法及其相关设备


[0001]本申请实施例涉及人工智能(artificial intelligence，AI)领域，尤其涉及一种物体模型旋转方法及其相关设备。

技术介绍

[0002]在各类计算机视觉任务中，旋转估计是这些任务中最重要且最难的环节之一。在旋转估计中，通常使用旋转矩阵来描述当前状态下的物体与初始状态下的物体之间所发生的旋转变化。
[0003]在相关技术中，在获取与某个物体相关联的信息后，可将这些信息输入至神经网络模型，以通过神经网络模型对这些信息进行处理，从而得到一个3
×
2的矩阵，再对该矩阵进行施密特正交化(gram
‑
schmidt orthogonalization，GS)处理，从而得到一个3
×
3的旋转矩阵。如此一来，可使用该旋转矩阵对该物体的三维(3dimensions，3D)模型(代表初始状态下的该物体)进行旋转，从而得到该物体的旋转后的三维模型(代表当前状态下的该物体)。
[0004]上述神经网络模型的训练过程中，由于模型的输出为3
×
2的矩阵，需要经过GS处理，才能得到3
×
3的旋转矩阵，以基于旋转矩阵来完成神经网络模型的训练。然而，GS处理不利于模型训练过程，会导致训练得到的神经网络模型的性能较差，即神经网络模型无法准确完成旋转估计，进而无法准确完成物体模型的旋转。

技术实现思路

[0005]本申请实施例提供了一种物体模型旋转方法及其相关设备，其提供的目标模型可以准确完成旋转估计，进而准确完成物体模型的旋转。
[0006]本申请实施例的第一方面提供了一种物体模型旋转方法，该方法包括：
[0007]当需要针对目标物体进行物体模型旋转时，可先获取处于第一状态(例如，当前状态或实时状态等等)下的目标物体的信息。
[0008]得到第一状态的目标物体的信息后，可将第一状态的目标物体的信息输入至目标模型，以通过目标模型对第一状态的目标物体的信息进行一系列的处理，从而得到第一矩阵。需要说明的是，目标模型所输出的第一矩阵为n阶矩阵，也就是说，第一矩阵为一个n行n列的矩阵。
[0009]由于第一矩阵是伪旋转矩阵，而并非真正的旋转矩阵，若直接使用第一矩阵对目标物体的n维模型进行旋转，将会导致模型发生变形。因此，可对第一矩阵进行无偏的的施密特正交化(Unbiased Gram
‑
Schmidt Orthogonalization)，从而得到第二矩阵。需要说明的是，第二矩阵为n阶旋转矩阵，也就是说，第二矩阵为一个n行n列的旋转矩阵。
[0010]得到第二矩阵后，可直接使用第二矩阵对目标物体的预置的n维模型进行旋转，得到目标物体的旋转后的n维模型。需要说明的是，目标物体的预置的n维模型用于指示第二状态(例如，预置状态或初始状态等等)的目标物体，目标物体的旋转后的n维模型用于指示
第一状态的目标物体。至此，则完成了针对目标物体的物体模型旋转。
[0011]从上述方法可以看出：当需要对目标物体进行物体模型旋转时，可先获取第一状态的目标物体的信息，并将这些信息输入至目标模型中。接着，可通过目标模型对信息进行处理，从而得到第一矩阵，第一矩阵为n阶矩阵，n为大于或等于2的正整数。然后，可对第一矩阵进行正交化，从而得到第二矩阵，第二矩阵为n阶旋转矩阵。最后，可直接基于第二矩阵，对目标物体的预置的n维模型进行旋转，从而得到目标物体的旋转后的n维模型，目标物体的预置的n维模型用于指示第二状态的目标物体，目标物体的旋转后的n维模型用于指示第一状态的目标物体。前述过程中，目标模型的输出为n
×
n的矩阵，该矩阵可以视为一个伪旋转矩阵，故该矩阵可以先不经过正交化处理，直接用于完成目标模型的训练。可见，目标模型的训练过程中不会出现正交化处理，可避免正交化处理在模型训练过程中引起的各种问题，以这样的方式来训练得到目标模型，有利于提高目标模型的性能，即目标模型可准确完成旋转估计，进而准确完成针对目标物体的物体模型旋转。
[0012]在一种可能实现的方式中，第一矩阵包含n个第一列向量，第二矩阵包含n个第二列向量，对第一矩阵进行正交化，得到与目标物体对应的第二矩阵包括：对第1个第一列向量至第n个第一列向量进行第一计算，得到第1个第二列向量；对第1个第二列向量至第i
‑
1个第二列向量，以及第i个第一列向量至第n个第一列向量进行第二计算，得到第i个第二列向量，i＝2，...n
‑
1；对第1个第二列向量至第n
‑
1个第二列向量进行第三计算，得到第n个第二列向量。前述实现方式中，在得到第一矩阵的n个第一列向量后，可对第1个第一列向量至第n个第一列向量进行第一计算，从而得到第1个第二列向量。在得到第1个第二列向量后，可对第1个第二列向量，以及第2个第一列向量至第n个第一列向量进行第二计算，得到第2个第二列向量。在得到第2个第二列向量后，可对第1个第二列向量至第2个第二列向量，以及第3个第一列向量至第n个第一列向量进行第二计算，得到第3个第二列向量，...，在得到第n
‑
2个第二列向量后，可对第1个第二列向量至第n
‑
2个第二列向量，以及第n
‑
1个第一列向量至第n个第一列向量进行第二计算，得到第n
‑
1个第二列向量。最后，由于已经得到第1个第二列向量至第n
‑
1个第二列向量，故可对第1个第二列向量至第n
‑
1个第二列向量进行第三计算，从而得到第n个第二列向量。由此可见，按照申请实施例提供的无偏的的施密特正交化方式，可以成功将为n阶普通矩阵的第一矩阵转换为n阶旋转矩阵的第二矩阵。
[0013]在一种可能实现的方式中，在得到n个第一列向量后，可对第2个第一列向量至第n个第一列向量进行叉乘，从而得到第1个第三列向量。在得到第1个第三列向量后，可对第1个第三列向量以及第1个第一列向量进行加权平均，从而得到第1个第四列向量。在得到第1个第四列向量后，可对第1个第四列向量进行归一化，从而得到第1个第二列向量。
[0014]在一种可能实现的方式中，在得到第i
‑
1个第二列向量后，可对第1个第二列向量至第i
‑
1个第二列向量，以及第i+1个第一列向量至第n个第一列向量进行叉乘，从而得到第i个第三列向量。在得到第i个第三列向量后，可对第i个第三列向量以及第i个第一列向量进行求平均，从而得到第i个第四列向量。在得到第i个第四列向量后，可将第i个第四列向量投影至第1个第二列向量至第i
‑
1个第二列向量，并将各个投影结果相加，从而得到第i个第五列向量。在得到第i个第五列向量后，可对第i个第四列向量与第i个第五列向量相减，从而得到第i个第六列向量。在得到第i个第六列向量后，对第i个第六列向量进行归一化，从而得到第i个第二列向量。由于i＝2，...，i<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物体模型旋转方法，其特征在于，所述方法包括：获取第一状态的目标物体的信息；通过目标模型对所述信息进行处理，得到第一矩阵，所述第一矩阵为n阶矩阵，n为大于或等于2的正整数；对所述第一矩阵进行正交化，得到第二矩阵，所述第二矩阵为n阶旋转矩阵；基于所述第二矩阵，对所述目标物体的预置的n维模型进行旋转，得到所述目标物体的旋转后的n维模型，所述预置的n维模型用于指示第二状态的目标物体，所述旋转后的n维模型用于指示所述第一状态的目标物体。2.根据权利要求1所述的方法，其特征在于，所述第一矩阵包含n个第一列向量，所述第二矩阵包含n个第二列向量，所述对所述第一矩阵进行正交化，得到与所述目标物体对应的第二矩阵包括：对第1个第一列向量至第n个第一列向量进行第一计算，得到第1个第二列向量；对第1个第二列向量至第i
‑
1个第二列向量，以及第i个第一列向量至第n个第一列向量进行第二计算，得到第i个第二列向量，i＝2，...n
‑
1；对所述第1个第二列向量至所述第n
‑
1个第二列向量进行第三计算，得到第n个第二列向量。3.根据权利要求2所述的方法，其特征在于，所述对第1个第一列向量至第n个第一列向量进行第一计算，得到第1个第二列向量包括：对第2个第一列向量至第n个第一列向量进行叉乘，得到第1个第三列向量；对所述第1个第三列向量以及第1个第一列向量进行加权平均，得到第1个第四列向量；对所述第1个第四列向量进行归一化，得到第1个第二列向量。4.根据权利要求2或3所述的方法，其特征在于，所述对第1个第二列向量至第i
‑
1个第二列向量，以及第i个第一列向量至第n个第一列向量进行第二计算，得到第i个第二列向量包括：对第1个第二列向量至第i
‑
1个第二列向量，以及第i+1个第一列向量至第n个第一列向量进行叉乘，得到第i个第三列向量；对所述第i个第三列向量以及第i个第一列向量进行求平均，得到第i个第四列向量；将所述第i个第四列向量投影至所述第1个第二列向量至所述第i
‑
1个第二列向量，并将投影结果相加，得到第i个第五列向量；对所述第i个第四列向量与所述第i个第五列向量相减，得到第i个第六列向量；对所述第i个第六列向量进行归一化，得到第i个第二列向量。5.根据权利要求2至4任意一项所述的方法，其特征在于，所述对所述第1个第二列向量至所述第n
‑
1个第二列向量进行第三计算，得到第n个第二列向量包括：对所述第1个第二列向量至所述第n
‑
1个第二列向量进行叉乘，得到第n个第二列向量。6.根据权利要求2至5任意一项所述的方法，其特征在于，所述n个第二列向量满足以下条件中的至少一项：所述n个第二列向量之间相互正交；所述n个第二列向量的模均为一；所述n个第二列向量构成n维坐标系。
7.根据权利要求1至6任意一项所述的方法，其特征在于，所述信息包括以下至少一种：所述第一状态的目标物体的n维数据以及所述第一状态的目标物体采集的n维数据。8.一种模型训练方法，其特征在于，所述方法包括：获取第一状态的目标物体的信息；通过目标模型对所述信息进行处理，得到第一矩阵，所述第一矩阵为n阶矩阵，n为大于或等于2的正整数，所述第一矩阵用于获取所述目标物体的旋转后的n维模型，所述旋转后的n维模型用于指示所述第一状态的目标物体；基于所述第一矩阵，获取目标损失；基于所述目标损失，对所述待训练模型进行训练，得到目标模型。9.根据权利要求8所述的方法，其特征在于，所述基于所述基于所述第一矩阵，获取目标损失包括：直接使用所述第一矩阵对所述目标物体的预置的n维模型进行旋转，得到所述目标物体的旋转后的n维模型，所述预置的n维模型用于指示第二状态的目标物体；基于所述旋转后的n维模型以及所述目标物体的旋转后的真实n维模型，获取目标损失，所述旋转后的真实n维模型用于指示所述第一状态的目标物体，所述目标损失用于指示所述旋转后的n维模型以及所述旋转后的真实n维模型之间的差异。10.根据权利要求8所述的方法，其特征在于，所述基于所述第一矩阵，获取目标损失包括：基于所述第一矩阵以及真实矩阵，获取目标损失，所述目标损失用于指示所述第一矩阵以及所述真实矩阵之间的差异，所述真实矩阵为n阶矩阵。11.根据权利要求8至10任意一项所述的方法，其特征在于，所述信息包括以下至少一种：所述第一状态的目标物体的n维数据以及所述第一状态的目标物体采集的n维数据。12.一种物体模型旋转装置，其特征在于，所述装置包括：获取模块，用于获取第一状态的目标物体的信息；处理模块，用于通过目标模型对所述信息进行处理，得到第一矩阵，所述第一矩阵...

【专利技术属性】
技术研发人员：李志豪，顾科瑞，刘世永，刘健庄，许松岑，颜友亮，秘谧，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：