【技术实现步骤摘要】
本专利技术属于计算机图像智能识别领域，具体涉及一种类别级位姿估计模型的建立方法、位姿估计方法、计算机系统及计算机可读存储介质。
技术介绍
1、类别级6d对象姿态和大小估计任务是在混乱的rgb-d场景中估计某些类别的未见对象实例的旋转、平移和大小。该任务在增强现实、机器人操作和场景理解等许多应用中发挥了重要作用。传统的实例级位姿估计通常假设每个感兴趣的对象都有一个3d cad模型，通过实例分割、与标准cad模型进行模版匹配的方式回归出位姿信息；但实际情况下往往存在缺少实例目标的cad模型的情况；与之相比，类别级任务不需要实例的cad模型，因此在这方面占有优势。
2、类别级位姿估计对每个类别内的各种形状和纹理的适应性提出了更高的要求；为了明确地解决类内形状变化，现有技术中的一种方法是利用shape prior(形状先验)，即采用pointnet自编码器提取每个类别的先验点云作为该类别内所有形状的平均值，即得到shape prior；该shape prior在拟合观测实例之前进一步变形形状，并将观测到的点云分配给变形后的形状模型，...
【技术保护点】
1.一种类别级位姿估计模型的建立方法，其特征在于，包括：
2.根据权利要求1所述的类别级位姿估计模型的建立方法，其特征在于，所述重建网络为编码器，重建网络的预训练方式包括：
3.根据权利要求1或2所述的类别级位姿估计模型的建立方法，其特征在于，将所述得到的融合特征输入所述模型的重建模块，得到重建的点云及其点云特征的方式包括：
4.根据权利要求1或2所述的类别级位姿估计模型的建立方法，其特征在于，得到图像和观测点云的全局特征并与从目标对象实例的形状先验点云中提取的特征一起输入变形模块进行特征融合，得到规范空间的实例完整点云及其点云特征
...【技术特征摘要】
1.一种类别级位姿估计模型的建立方法，其特征在于，包括：
2.根据权利要求1所述的类别级位姿估计模型的建立方法，其特征在于，所述重建网络为编码器，重建网络的预训练方式包括：
3.根据权利要求1或2所述的类别级位姿估计模型的建立方法，其特征在于，将所述得到的融合特征输入所述模型的重建模块，得到重建的点云及其点云特征的方式包括：
4.根据权利要求1或2所述的类别级位姿估计模型的建立方法，其特征在于，得到图像和观测点云的全局特征并与从目标对象实例的形状先验点云中提取的特征一起输入变形模块进行特征融合，得到规范空间的实例完整点云及其点云特征的方式包括：
5.根据权利要求1或2所述的类别级位姿估计模型的建立方法，其特征在于，根据从训练集的目标对象实例的图像和观测点云中分别提取的特征，分别得到图像和观测点云的全局特征的方式包括：
6.根据权利要求1或2所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。