[发明专利]一种基于深度学习的目标姿态估计方法

权利要求书

1.一种基于深度学习的目标姿态估计方法，其特征在于，该方法包括如下过程：

步骤一、利用运动捕捉系统及挂载在无人机上的单目相机，采集N组数据信息，其中，N组数据信息构成标注完成的数据集；N为整数，且10000＜N＜100000；

每组数据信息中包括：同一时刻下的无人机上的单目相机采集的目标物体图像信息和运动捕捉系统获得的目标物体坐标系三轴相对于无人机坐标系三轴的实际相对姿态偏移信息，且同一时刻下的目标物体图像信息与目标物体坐标系三轴相对于无人机坐标系三轴的实际相对姿态偏移信息存在映射关系；

无人机坐标系三轴分别为X′、Y′和Z′，且无人机的质心定义为原点；

X′轴的方向为无人机所在平面内机头所指的方向；

Y′轴的方向为无人机所在平面内垂直于机头向左方向；

Z′轴的方向为垂直于无人机所在平面向上的方向；

目标物体坐标系三轴分别为X、Y和Z，目标物体的质心定义为原点；

X轴的方向为目标物体所在平面内任意指向方向；

Y轴的方向为目标物体所在平面内垂直于X轴向左的方向；

Z轴的方向为垂直于目标物体所在平面向上的方向；

步骤二、利用标注完成的数据集对初始深度学习网络模型进行训练，获得训练后的深度学习网络模型；

步骤三、再通过无人机上的单目相机，获得待估计的含有目标物体的图像信息；

步骤四、将待估计的含有目标物体的图像信息发送至训练后的深度学习网络模型，从而获得目标物体相对于无人机的姿态信息的估计值。

2.根据权利要求1所述的一种基于深度学习的目标姿态估计方法，其特征在于，步骤一中，同一时刻下的无人机上的单目相机采集的目标物体图像信息和运动捕捉系统获得的目标物体坐标系三轴相对于无人机坐标系三轴的实际相对姿态偏移信息的具体过程为：

首先，在无人机和目标物体上均贴上标识小球，且无人机和目标物体均处于运动捕捉系统捕捉范围之内；

其次，通过无人机上的单目相机采集目标物体图像信息，同时通过设置在无人机和目标物体上方的运动捕捉系统对无人机和目标物体上的标识小球进行识别，从而获得无人机和目标物体的当前姿态信息，并根据无人机和目标物体的当前姿态信息，获得目标物体坐标系三轴相对于无人机坐标系三轴的实际相对姿态偏移信息。

3.根据权利要求1所述的一种基于深度学习的目标姿态估计方法，其特征在于，步骤二中，初始深度学习网络模型为残差网络模型。

4.根据权利要求1所述的一种基于深度学习的目标姿态估计方法，其特征在于，步骤二中，正在被训练的深度学习网络模型的损失函数Loss的值为：

其中，

Xangle_i表示第i组数据中的目标物体坐标系下的X轴相对于无人机坐标系下的X′轴间夹角的实际值；i为整数，i＝1,2,3……N；

表示训练第i组数据时，正在被训练的深度学习网络模型所估计的目标物体坐标系下的X轴相对于无人机坐标系下的X′轴间夹角的估计值；

Yangle_i表示第i组数据中的目标物体坐标系下的Y轴相对于无人机坐标系下的Y′轴间夹角的实际值；

表示训练第i组数据时，正在被训练的深度学习网络模型所估计的目标物体坐标系下的Y轴相对于无人机坐标系下的Y′轴间夹角的估计值；

Zangle_i表示第i组数据中的目标物体坐标系下的Z轴相对于无人机坐标系下的Z′轴间夹角的实际值；

表示训练第i组数据时，正在被训练的深度学习网络模型所估计的目标物体坐标系下的Z轴相对于无人机坐标系下的Z′轴间夹角的估计值；

loss_Xangle表示目标物体坐标系下的X轴相对于无人机坐标系下的X′轴间夹角的实际值与估计值间的偏差；

loss_Yangle表示目标物体坐标系下的Y轴相对于无人机坐标系下的Y′轴间夹角的实际值与估计值间的偏差；

loss_Zangle表示目标物体坐标系下的Z轴相对于无人机坐标系下的Z′轴间夹角的实际值与估计值间的偏差。

5.根据权利要求1所述的一种基于深度学习的目标姿态估计方法，其特征在于，运动捕捉系统采用OptiTrack系统实现。