CN114155406B 一种基于区域级特征融合的位姿估计方法 （上海师范大学）_第1页
CN114155406B 一种基于区域级特征融合的位姿估计方法 （上海师范大学）_第2页
CN114155406B 一种基于区域级特征融合的位姿估计方法 （上海师范大学）_第3页
CN114155406B 一种基于区域级特征融合的位姿估计方法 （上海师范大学）_第4页
CN114155406B 一种基于区域级特征融合的位姿估计方法 （上海师范大学）_第5页
已阅读5页，还剩16页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

种基于区域级特征融合的位姿估计方法，包括待检对象在深度图像中的对应区域转换为点云置信度最大的三维旋转预测组合生成6D位姿估2S3、将待检对象在深度图像中的对应区域转换为点云将所述颜色特征和几何特征输入到第三神经网络进行逐像素融合生成多个区域级融所述第二神经网络设置为类PoinNet网络，包括五层网络结构，所述点云图输入到类PoinNet网络进行特征提取，其中的第一层网络和第二层网络的输出结果拼接在一起组成2.根据权利要求1所述的基于区域级特征融合的位姿估计方法，其特征在于：所述类PointNet网络设置为N*3-mlp(3，640)-mlp(64，位姿下待检对象模型上的取样点与估计位姿下待检对象模型相对应点之间的距离定义为3位姿估计的结果进行变换后得到点云图，再将其和原始的颜色图像作为优化网络的输入，4[0001]本发明属于人工智能的技术领域，涉及一种基于区域级特征融合的位姿估计方[0003]传统上，6D对象位姿估计的问题是通过在3D模型和图像之间匹配特征点来解决此这些方法都需要费时的后处理步骤(如ICP)优化位姿估计结果；第三类通过像素点或者[0007]本发明的目的在于克服现有位姿估计方法在重度遮挡和复杂背景下的预测性能5个区域级融合特征，利用对称约简函数对多个区域级融合特征进行处理生成一个全局特图输入到类PoinNet网络进行特征提取，其中的第一层网络和第二层网络的输出结果拼接在一起组成待检对象的几何特征，类PoinNet网络的最终输出结果作为待检对象的三维平6检对象模型上随机选择的M个三位点中离xj[0033]第三，本发明能够在LINEMOD数据集上实现了超过DenseFusion的6D位姿估计性于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以7[0044]根据S2得到的边界框对深度图像进行裁剪，获得仅包含一个待检对象的大小为h云图输入第二神经网络如类PoinNet网络，该类PointNet网络的具体结构可采用N*3-mlp和mlp(64*128)提取的N*128特征图组合的多阶段几何特征即网络第一层和第二层的输出[0052]为了不断优化6D位姿估计的结果，我们可使用LINEMOD数据集对上述网络进行不断训练学习，该LINEMOD数据集是广泛用于6D位姿估计的基准数据集。训练的时候可加载8检对象模型上随机选择的M个三位点中离xj[0067]其中，表1显示了本发明的方法和其他基准的方法在LINEMOD数据集上的ADD(-S)提高了13.65达到了96.50该方法的准确率也高于有优化网络的其他方法，比[0068]表2显示了本发明的方法和其他基准的方法在LINEMOD数据9

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论