[发明专利]一种基于深度神经网络的抗遮挡的物体位姿估计方法

权利要求书

1.一种基于深度神经网络的抗遮挡的物体位姿估计方法，包括下列步骤：

第一步，利用3D建模软件自行构建带有标签的训练集图片数据库与测试集图片数据库。

(1)构建圆柱形规则物体作为待估计目标，将棋盘格图标作为标识物；

(2)将待估计目标置于目标相机前方，标识物处于相机视野中间，此时待估计目标的中心，标识物，相机镜头中心位于同一水平中心线，作为基准位置；

(3)待待估计目标依照脚本进行运动与旋转，改变空间位置与姿态，抓取对应位姿下标识物相片，并将对应的六维度坐标作为训练样本的标签；

(4)批量获取多张相片作为训练集样本，并将其标签进行所需的数据格式处理，满足网络输入的需求；

(5)以相同的方式构建遮挡测试集，不同之处在于以0％，4％，9％，12％，16％，20％，25％的比例对标识物进行遮挡；

第二步，构建深度神经网络：该神经网络包含四个子分支网络，每个子分支是独立的卷积神经网络结构：由6层卷积层，4层最大池化层，1层展平层和3层密集连接层组成；其中每两层或者一层后跟随一层最大池化层，卷积核的数目依次是32,32,64,64,128,256.密集连接层的参数依次是2048,2048，6.

第三步，构建网络预测输出处理算法：四个子分支网络在最后一层密集连接层输出6维度的预测值，代表了待估计物体的位姿信息；由于遮挡的存在，某分支的结果存在误差，4个分支输出中存在着异常值，构建5种算法对其进行优化，提高抗遮挡干扰的能力；

(1)加权平均法：4个分支分别输出了对待估计目标的6维度预测值，把6个维度预测值分别对应相加求加权平均，得到6维度的预测值,并将其作为最后的输出；

(2)欧几里得距离法：分别考虑6个维度的估计值，针对每个维度：计算每个分支与其他3个分支在该维度上的平均欧几里得距离；设定平均欧几里得距离阈值；计算每个分支与平均欧几里得距离的差值，当该差值大于平均欧几里得距离阈值时，判定该分支在当前维度的预测值异常，将其删除；对剩余分支的预测值求平均，作为当前维度的预测输出；6个维度分别进行上述操作，最后输出6维度的预测值；

(3)点群密度法：分别考虑6个维度的估计值，针对每个维度：计算每个分支与其他3个分支在该维度上的点群密度，点群密度与距离相关，距离越大，点群密度越小，用欧几里得距离的倒数表示点群密度；设定点群密度阈值，计算每个分支与其他3个分支在该维度上的点群密度与平均点群密度的差值，当某个分支上的差值小于预设的点群密度阈值时，判定该分支在当前维度的预测值异常，将其删除；对剩余分支的预测值求平均，作为当前维度的预测输出，在6个维度分别进行上述操作，最后输出6维度的预测值；

(4)联合欧几里得距离法：4个分支分别输出6维度的预测值，这6个维度的预测值的异常与否存在相关性，因此联合考虑6维度间的相互联动影响，将欧几里得距离作为判断标准，第一步，针对每个维度：计算每个分支与其他3个分支在该维度上的平均欧几里得距离；第二步，针对每个分支：把6个维度的平均欧几里得距离进行加权平均，得到该分支的一个置信度；第三步，对4个分支的置信度进行排序，找出置信度最低的，即第二步中加权平均的欧几里得距离最大的分支，将其排除；第四步，利用算法(1)的加权平均法，对剩下的3个分支进行加权平均，输出6维度的预测值；

(5)联合点群密度法：4个分支分别输出6维度的预测值，这6个维度的预测值的异常与否存在相关性，因此联合考虑6维度间的相互联动影响，将点群密度作为判断标准；第一步，针对每个维度：计算每个分支与其他3个分支在该维度上的点群密度；第二步，针对每个分支：把6个维度的点群密度值进行加权平均，得到该分支的一个置信度；第三步，对4个分支的置信度进行排序，找出置信度最低的即第二步中加权平均的点群密度最小分支，将其排除；第四步，利用算法(1)的加权平均法，对剩下的3个分支进行加权平均，输出6维度的预测值；

第三步，训练深度神经网络模型:使用训练集中的样本完成对深度神经网络的训练；

第四步：使用不同遮挡比例测试集对深度神经网络模型测试。