[发明专利]基于无监督域自适应的目标3D姿态估计方法

说明书

本发明公开了一种基于无监督域自适应的目标3D姿态估计方法，包括如下步骤：S1，获取航空器三维模型，将合成图像及合成图像对应的姿态标签作为训练数据输入到主干网络中进行模型预训练，得到初始模型；S2，获取真实图像；S3，将真实图像输入初始模型；S4，基于合成图像对应的姿态标签、真实图像对应的伪姿态标签及混合图像对应的姿态标签统计计算得到多尺度姿态原型；S5，利用输入图像及输入图像对应的标签训练初始模型；S6，循环步骤S3‑S5，循环预设次数后，得到优化模型；S7，将真实图像输入至优化模型，得到姿态估计结果。本发明可以实现在标注数据有限的条件下，对跑道区域目标姿态进行精确估计。

技术领域

本发明涉及目标姿态估计技术领域，尤其是一种基于无监督域自适应的目标3D姿态估计方法。

背景技术

安全是民航的生命线。根据1999-2019年间不同飞行阶段事故分布数据，超过50％的民航事故发生在航空器起降阶段，而跑道作为航空器起降最重要的地面场所之一，跑道上发生安全事故的风险指数非常高。其中，跑道偏离是引起跑道安全事故的重要因素之一，对跑道偏离事件进行有效监控是保障民航安全、提升航班运行效率的重要手段。常用的场面监视传感设备一般通过机载设备如磁罗盘、陀螺仪等感知目标朝向信息，进而提前判断出监控航空器偏出、脱离跑道等异常情况。然而，磁罗盘容易受电磁场干扰，而陀螺仪在磁罗盘受干扰的条件下将导致误差累积。

基于图像的目标姿态估计方法不受电磁干扰等外部环境的影响。现有基于图像的目标姿态估计方法主要分为两大类：(1)基于关键点的姿态估计方法，首先估计目标关键点，再利用三维模型和二维关键点之间的映射关系，使用PnP方法计算旋转矩阵，并根据旋转矩阵求解目标欧拉角；(2)基于回归的方法，即利用图像信息，通过深度神经网络和学到的深度模型直接回归出目标3D姿态信息。

现有方法存在如下问题：(1)基于关键点的姿态估计方法，严重依赖于关键点检测的精度和3D模型的精度；(2)基于回归的姿态估计方法，这类方法精度较高，但需要大量训练数据，而高精度目标姿态真值很难获取。现有公开数据集通常应用于特定场景，如面向人脸识别的人脸姿态估计、面向行人监控的人体姿态估计、面向自动驾驶应用的车辆姿态估计等。目前，针对跑道安全应用的航空器等目标的姿态估计方法非常有限，导致带标签的数据获取成为难题。

发明内容

针对现有技术中的缺陷，本发明提供了一种基于无监督域自适应的目标3D姿态估计方法，可以实现在标注数据有限的条件下，对跑道区域目标姿态进行精确估计。

本发明提供了一种基于无监督域自适应的目标3D姿态估计方法，包括如下步骤：

S1，获取航空器三维模型，将所述航空器三维模型投影到图像上，得到合成图像和合成图像对应的姿态标签；将所述合成图像及合成图像对应的姿态标签作为训练数据输入到主干网络中进行模型预训练，得到初始模型；

S2，获取真实图像，设定混合图像包括所述合成图像和所述真实图像；

S3，将所述真实图像输入所述初始模型，得到真实图像对应的伪姿态标签；

S4，基于所述合成图像对应的姿态标签、所述真实图像对应的伪姿态标签及所述混合图像对应的姿态标签统计计算得到多尺度姿态原型；所述混合图像对应的姿态标签包括所述合成图像对应的姿态标签和所述真实图像对应的伪姿态标签；

S5，设定输入图像包括所述合成图像、所述真实图像及所述混合图像；利用所述输入图像及所述输入图像对应的标签训练所述初始模型，得到优化后的初始模型；所述输入图像对应的标签包括所述合成图像对应的姿态标签、所述真实图像对应的伪姿态标签和所述混合图像对应的姿态标签；

S6，循环步骤S3-S5，循环预设次数后，得到优化模型；

S7，将所述真实图像输入至所述优化模型，得到姿态估计结果。

优选地，所述步骤S1具体包括：