[发明专利]一种物体姿态估计方法、装置、系统和计算机设备

权利要求书

1.一种物体姿态估计方法，其特征在于，所述方法包括：

获取目标物体的二维图像；

将所述二维图像输入神经网络模型，获得所述目标物体的姿态，其中，采用训练物体的二维图像训练所述神经网络模型，且采用所述二维图像和所述训练物体的深度图像确定所述训练物体的三维模型，并根据所述训练物体的实际尺寸预设三维包围框，根据所述三维包围框对所述三维模型进行标注。

2.根据权利要求1所述的方法，其特征在于，所述采用训练物体的二维图像训练所述神经网络模型包括：

对所述三维模型做掩膜处理，确定所述训练物体的掩膜图像和三维坐标图；

将所述二维图像作为训练数据，所述掩膜图像和所述三维坐标图作为监督数据，训练所述神经网络模型。

3.根据权利要求2所述的方法，其特征在于，将所述二维图像作为训练数据，所述掩膜图像和所述三维坐标图作为监督数据，训练所述神经网络模型包括：

建立基于物体检测算法、映射关系和PnP算法的所述神经网络模型，其中，采用物体检测算法确定所述二维图像中所述训练物体的检测框，并将所述检测框切出来生成用于训练所述映射关系的所述二维图像，通过编解码网络拟合所述二维图像到所述三维坐标图的所述映射关系，并通过所述映射关系处理所述二维图像，以获得与所述二维图像对应的预测三维坐标图，且通过所述PnP算法处理所述预测三维图，以确定与所述二维图像相对应的位姿；

根据所述二维图像训练所述物体检测算法，其中，所述掩膜图像作为监督数据；

基于所述检测框生成的所述二维图像训练所述映射关系，其中，所述三维坐标图作为监督数据。

4.根据权利要求3所述的方法，其特征在于，确定置信度的情况下，通过所述PnP算法处理所述预测三维图，以确定与所述二维图像相对应的位姿之前，所述方法还包括：

根据所述置信度和所述掩膜图像，筛选所述预测三维坐标图，其中，用筛选后的所述预测三维坐标图通过所述PnP算法处理，以确定与所述二维图像相对应的位姿。

5.根据权利要求2所述的方法，其特征在于，采用所述二维图像和所述训练物体的深度图像确定所述训练物体的三维模型包括：

将所述二维图像和所述深度图像对齐；

根据对齐后的所述二维图像和所述深度图像，利用三维重建算法重建所述二维图像中的物体模型；

根据所述训练物体修剪所述物体模型，生成所述训练物体的三维模型。

6.一种物体姿态估计装置，其特征在于，所述装置包括：图像获取模块和姿态生成模块；

所述图像获取模块，用于获取目标物体的二维图像；

所述姿态生成模块，用于将所述二维图像输入神经网络模型，获得所述目标物体的姿态，其中，采用训练物体的二维图像训练所述神经网络模型，且采用所述二维图像和所述训练物体的深度图像确定所述训练物体的三维模型，并根据所述训练物体的实际尺寸预设三维包围框，根据所述三维包围框对所述三维模型进行标注。

7.一种物体姿态估计系统，其特征在于，所述系统包括：中央处理器和相机；

所述相机，用于获取目标物体的二维图像；

所述中央处理器，用于将所述二维图像输入神经网络模型，获得所述目标物体的姿态，其中，采用训练物体的二维图像训练所述神经网络模型，且采用所述二维图像和所述训练物体的深度图像确定所述训练物体的三维模型，并根据所述训练物体的实际尺寸预设三维包围框，根据所述三维包围框对所述三维模型进行标注。

8.根据权利要求7所述的系统，其特征在于，所述采用训练物体的二维图像训练所述神经网络模型包括：

对所述三维模型做掩膜处理，确定所述训练物体的掩膜图像和三维坐标图；

将所述二维图像作为训练数据，所述掩膜图像和所述三维坐标图作为监督数据，训练所述神经网络模型。