基于无监督域自适应的目标3D姿态估计方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115098944A(43)申请公布日2022.09.23(21)申请号202210720132.6G06V10/764(2022.01)(22)申请日2022.06.23G06V10/774(2022.01)(71)申请人成都民航空管科技发展有限公司地址610041四川省成都市二环路南二段17号申请人中国民用航空总局第二研究所(72)发明人朱志强李靓王建强杨振祠牟唐宏孙瑞查体博葛小武(74)专利代理机构北京酷爱智慧知识产权代理有限公司11514专利代理师胡林(51)Int.Cl.G06F30/15(2020.01)G06F30/27(2020.01)G06T17/00(2006.01)权利要求书2页说明书7页附图1页(54)发明名称基于无监督域自适应的目标3D姿态估计方法(57)摘要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。CN115098944ACN115098944A权利要求书1/2页1.一种基于无监督域自适应的目标3D姿态估计方法，其特征在于，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。2.根据权利要求1所述的基于无监督域自适应的目标3D姿态估计方法，其特征在于，所述步骤S1具体包括：在预设姿态空间上对欧拉角进行采样，得到姿态空间的采样值；结合所述采样值估计目标旋转矩阵；获取航空器三维模型，基于航空器中心点投影到图像上与图像中心点保持一致的假设，估计航空器三维模型到二维图像的映射矩阵；将预设姿态空间的角度值按照所述目标旋转矩阵旋转所述航空器三维模型，并将旋转后的航空器三维模型根据所述映射矩阵投影到二维图像上，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。3.根据权利要求1所述的基于无监督域自适应的目标3D姿态估计方法，其特征在于，所述步骤S1还包括：使用BlenderRender算法对所述合成图像进行渲染。4.根据权利要求1所述的基于无监督域自适应的目标3D姿态估计方法，其特征在于，所述步骤S3具体包括：将所述真实图像输入到所述初始模型中，得到真实图像对应的伪姿态标签，对所述伪姿态标签进行特征提取，得到真实图像的特征向量；将所述真实图像的特征向量输入到无序多分类器，得到第一概率密度值；将所述真实图像的特征向量输入到顺序二分类器，得到多尺度表征的概率密度值；基于所述第一概率密度值和所述多尺度表征的概率密度值对所述真实图像对应的伪姿态标签进行筛选，得到清洗后的伪姿态标签。5.根据权利要求1所述的基于无监督域自适应的目标3D姿态估计方法，其特征在于，所述步骤S4具体包括：利用所述真实图像对应的伪姿态标签统计真实图像域的姿态原型，利用所述合成图像2CN115098944A权利要求书2/2页对应的姿态标签统计合成图像域的姿态原型，利用所述混合图像对应的姿态标签统计混合图像域的姿态原型；设定图像域包括真实图像域、合成图像域和混合图像域；统计所述图像域中属于第k个角度区间的所有图像，计算该所有图像的