[发明专利]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

权利要求书

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A_n×1024和全局特征向量B_1×1024；

S3：根据所述全局特征向量B_1×1024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B_1×1024与所述点云P'，Q'的所述每个点的特征向量的特征矩阵A_n×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]，其中，R是旋转矩阵，t是平移向量；

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]，将粗配准获取的位姿数据作用于原始数据中，进一步进行精确配准，获取精确配准的位姿数据。

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算法进行所述点云配准。

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：

第一单元：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'，

第二单元：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A_n×1024和全局特征向量B_1×1024；

第三单元：根据所述全局特征向量B_1×1024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B_1×1024与所述点云P'，Q'的所述包含每个点特征向量的特征矩阵A_n×1024进行特征点匹配得到特征点集P”，Q”；

第四单元：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]，其中，R是旋转矩阵，t是平移向量；

第五单元：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]，将粗配准获取的位姿数据作用于原始数据中，进一步进行精确配准，获取精确配准的位姿数据。

7.如权利要求6所述的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，按照曲率特征、点云的密度或法线进行所述下采样。

8.如权利要求6所述的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，进行所述下采样的采样点数为1024个；通过TrICP算法进行所述特征点匹配。