[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

说明书

本发明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。

技术领域

本发明涉及近距离非合作目标位姿测量技术领域，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。

背景技术

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化，例如VoxNet和Voxception-ResNet将三维卷积应用于体素化的点云。还有一种解决思路是利用已经成熟的处理二维图片的深度神经网络，首先要将三维的无序点云转化成二维图片，例如Multi-view CNN通过渲染三维点云或者将三维点云投影到二维图片上，然后在得到的二维图片上应用成熟的2D卷积网络来进行处理。但是这两种方法都有一定的局限性，基于体素化的方法只能处理小数据量小分辨率的点云数据，而基于多视图的方法丢失了一定量的空间信息，对一些部分缺失的点云数据鲁棒性差。从2017年斯坦福大学提出的PointNet网络开始，直接处理无序点云数据的深度神经网络登上了历史的舞台，利用了max pooling为对称函数，能够有效的提取点云的特征。

现有的点云特征大多数都是针对特定任务的人工制定的特征。这些特征基本都是编码一些特定的几何特征或者统计属性，并且被设计来提升对特定变换的鲁棒性和不变性。但是这些特征对于未知的任务来说，找到一个最优的特征组合并非易事。虽然手工特征比较成熟，比如SHOT，FPFH等，但是这种基于特征的方法不可能穷举点云数据的向量空间中所有的基本特征向量，只能在有限的特征向量空间找到合适的特征描述。因此，此类方法在收敛性和精度上一定存在着瓶颈。

发明内容

本发明为了解决现有技术中点云数据处理方法的问题，提供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。

为了解决上述问题，本发明采用的技术方案如下所述：