[發明專利]一種基于機器學習的貧紋理目標物體真值數據庫構建方法

在審

• 申請號: 202010726969.2
• 申請日: 2020-07-26
• 公開（公告）號: CN111915632A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 董延超;冀玲玲;寧少淳;王浩天;岳繼光;何斌;沈潤杰
• 申請（專利權）人: 同濟大學
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06T7/20;G06T7/90;G06T7/70;G06T17/00;G06T5/00;G06K9/62
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 應小波

1.一種基于機器學習的貧紋理目標物體真值數據庫構建方法，其特征在于，包括：

步驟1：獲取貧紋理目標物體的圖像數據集以及目標物體的三維模型；

步驟2：提取圖像數據集中各圖像的圖像邊緣以及三維模型中的邊緣光柵點；

步驟3：計算圖像數據集中各圖像的DCM張量，并構建方向倒角距離誤差函數；

步驟4：獲得粗分類初始位姿；

步驟5：使用目標追蹤子方法獲得優化后的初始位姿；

步驟6：使用優化后的初始位姿以及相機投影模型，使用目標追蹤子方法獲得圖像數據集中各圖像的優化位姿；

步驟7：獲取目標物體的真值；

步驟8：使用目標物體的真值構建真值數據庫。

2.根據權利要求1所述的一種基于機器學習的貧紋理目標物體真值數據庫構建方法，其特征在于，所述步驟1中目標物體的圖像數據集具體為：

在由工業相機采集的目標物體視頻中和獲取每一幀包含目標物體的灰度圖像，構成圖像數據集，該數據集包括目標物體所有姿態下的灰度圖像。

3.根據權利要求1所述的一種基于機器學習的貧紋理目標物體真值數據庫構建方法，其特征在于，所述的步驟3中方向倒角距離誤差函數具體為：

其中，M＝{m_i}，i＝1,2,3,…,|M|為目標物體三維模型中的邊緣點經過離散采樣光柵化后映射于圖像坐標系中的點；N＝{n_j},j＝1,2,3,…,|N|為圖像中的邊緣點；λ為方向誤差權重；ω為目標物體三維模型中的邊緣點數量，即ω＝|M|；φ(·)為圖像中的方向運算符，即φ(m_i)為三維模型中邊緣點m_i在相機成像平面中對應的模型邊緣方向，φ(n_j)為圖像邊緣點n_j對應的邊緣方向；

然后使用雙向動態規劃算法，首先將所有角度的方向倒角距離初始化為圖像二維距離，根據前向遞推以及后向遞推計算各點對應的距離最小值：

其中，||·||_π為邊緣方向差的絕對值。

4.根據權利要求3所述的一種基于機器學習的貧紋理目標物體真值數據庫構建方法，其特征在于，所述的離散采樣具體為：按照一定角度間隔ε對邊緣方向進行離散化處理。

5.根據權利要求3所述的一種基于機器學習的貧紋理目標物體真值數據庫構建方法，其特征在于，所述的步驟4具體為：

使用隨機森林分類檢測器檢測目標物體在圖像中的位置信息，首先將DCM張量圖作為特征圖輸入，使用歸一化像素差特征進行特征提取，訓練隨機森林分類器，最后通過滑動窗口檢測獲取目標物體在圖像中的位置；

對匹配最近圖進行特征提取，采用歸一化特征描述圖像中所有像素點間的差異性；

完成目標檢測之后，使用回歸的方法得到物體坐標系相對于相機坐標系的平移向量，通過目標在圖像中的二維坐標以及模型信息確定其相對于相機坐標系的平移向量，用目標物體的初始位姿信息作為回歸樹的特征進行訓練，平移向量T作為回歸樹的輸出；

最后獲取目標物體相對于相機坐標系的旋轉關系R＝[r_x,r_y.r_z]，其中r_x、r_y和r_z分別為繞相機坐標系x軸、y軸和z軸旋轉的歐拉角。

6.根據權利要求5所述的一種基于機器學習的貧紋理目標物體真值數據庫構建方法，其特征在于，所述的像素點間差異性的差異函數具體為：

其中，x和y為圖像中任意兩個像素的像素值。

7.根據權利要求5所述的一種基于機器學習的貧紋理目標物體真值數據庫構建方法，其特征在于，所述的目標物體在圖像中的初始位姿信息包括目標物圖在圖像中的邊界框左頂點像素坐標、邊界框中心點像素坐標以及隨機森林分類檢測器的粗分類結果。