CN105184803A - 一种姿态测量方法和装置 - Google Patents
一种姿态测量方法和装置 Download PDFInfo
- Publication number
- CN105184803A CN105184803A CN201510641576.0A CN201510641576A CN105184803A CN 105184803 A CN105184803 A CN 105184803A CN 201510641576 A CN201510641576 A CN 201510641576A CN 105184803 A CN105184803 A CN 105184803A
- Authority
- CN
- China
- Prior art keywords
- target
- sequence
- population
- kth
- attitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Abstract
本发明提供一种姿态测量方法和装置,加载目标模型,还包括:接收至少两帧目标图像,并提取每一帧目标图像中的目标轮廓序列;获取所述目标模型的目标投影图像,并提取所述目标投影图像中的模拟目标轮廓序列;循环执行N1至N3,直至所述每一帧目标图像对应的目标姿态均被确定:N1:将当前模拟目标轮廓序列与当前帧的目标轮廓序列进行匹配;N2:确定匹配后的模拟目标轮廓序列对应的目标模型姿态为目标姿态;N3:判断当前帧是否为最后一帧,如果否,则将当前帧对应的目标姿态作为下一帧的模拟目标轮廓序列的初始姿态,并将下一帧作为当前帧,执行N1,从而提高了目标姿态的准确度。
Description
技术领域
本发明涉及测绘技术领域,特别涉及一种姿态测量方法和装置。
背景技术
利用目标的运动数据测量目标的姿态广泛应用于目标识别、新武器检测、自动导航等领域,在现有测量方法中,主要通过求解人工指定控制点如在目标某一部位上喷涂特征颜色等等与成像点之间的对应性关系来获取目标位姿参数。
在人工指定控制点的测量方法中,使用标定好的摄像机的内外方位元素,根据空间中某个目标上的人工指定控制点在像平面的二维成像坐标,构建摄像机坐标系下光心与人工指定控制点的空间直线的方程。通过光心到人工指定控制点的距离已知,求得人工指定控制点在摄像机坐标系中的三维坐标。按照三维坐标放置目标模型,在目标模型中确定与控制点对应的同名点,则控制点与同名点间的拟合过程,作为目标模型姿态拟合目标姿态的过程,当控制点与同名点间拟合度最高时,对应的模型的姿态即为对应目标的姿态,在这一过程中,对目标中的控制点进行拟合,而目标中的非控制点很容易被忽略,造成目标姿态的准确度较低。
发明内容
本发明提供一种姿态测量方法和装置,从而提高了目标姿态的准确度。
一种姿态测量方法,加载目标模型,还包括:
接收至少两帧目标图像,并提取每一帧目标图像中的目标轮廓序列;
获取所述目标模型的目标投影图像,并提取所述目标投影图像中的模拟目标轮廓序列;
循环执行N1至N3,直至所述每一帧目标图像对应的目标姿态均被确定:
N1:将当前模拟目标轮廓序列与当前帧的目标轮廓序列进行匹配;
N2:确定匹配后的模拟目标轮廓序列对应的目标模型姿态为目标姿态;
N3:判断当前帧是否为最后一帧,如果否,则将当前帧对应的目标姿态作为下一帧的模拟目标轮廓序列的初始姿态,并将下一帧作为当前帧,执行N1。
优选地,在所述提取每一帧目标图像中的目标轮廓序列之后,在所述获取所述目标模型的目标投影图像之前,进一步包括:
选定首帧目标图像,并控制所述目标模型拟合所述首帧目标图像,确定当前帧目标姿态初值;
根据所述当前帧目标姿态初值调整所述目标模型,并对所述目标模型进行投影。
优选地,上述方法进一步包括:确定轮廓阈值和搜索范围;
所述提取每一帧目标图像中的目标轮廓序列,包括:
针对每一帧目标图像中的目标轮廓序列,执行M1至M5:
M1:提取第一目标轮廓序列;
M2:消除所述第一目标轮廓序列中的噪声点和冗余点,并消除所述第一目标轮廓序列中距离小于所述轮廓阈值的轮廓点,在所述第一目标轮廓序列中轮廓点距离大于所述轮廓阈值的位置添加轮廓点,形成第二目标轮廓序列;
M3:确定所述第二目标轮廓序列中每一个轮廓点的法线方向;
M4:针对每一个轮廓点的位置,在搜索范围内,搜索在当前轮廓点的位置法线方向的正负方向上的所有点,包括所述当前轮廓点,确定轮廓点的梯度阈值;
M5:确定第一个大于所述梯度阈值的轮廓点位置为最终轮廓点位置,形成第三目标轮廓序列;
所述N1,包括:将当前模拟目标轮廓序列与当前帧的第三目标轮廓序列进行优化匹配。
优选地,上述方法进一步包括:设置收敛条件;
在所述提取所述目标投影图像中的模拟目标轮廓序列之后,在所述N1之前,进一步包括:
为当前帧模拟目标轮廓序列建立第一代种群;
根据上一帧模拟目标轮廓序列对应的解向量,设定第一代种群中的各个个体;
根据第k-1代种群中的各个个体,确定第k代种群中的各个个体;
所述N1,包括:
判断所述第一代种群中个体是否满足所述设置的收敛条件,如果否,则执行P1;
P1:根据第k-1代种群中的各个个体,确定第k代种群中的各个个体;
P2:将所述第k代种群中的各个个体对应的模拟目标姿态与当前帧的目标轮廓序列对应的目标姿态进行匹配
P3:判断所述第k代种群中个体是否满足所述设置的收敛条件,如果否,则将第k代作为P1中的第k-1代,并执行P1。
优选地,所述根据第k-1代种群中的各个个体,确定第k代种群中的各个个体,包括:执行下述S1至S3;
S1:利用下述个体更新公式,形成当前帧模拟目标轮廓序列对应的第k代种群中的初始个体;
所述个体更新公式:
其中,所述k大于等于2,小于所述收敛条件中的次数阈值;所述vi,k表征第k代种群中的个体{vi,k|i=1,2,…,M};所述和均为第k-1代种群中的个体,r1,r2和r3为区间[1,M]中互不相等的整数,并且,r1,r2和r3均不等于i;所述F表征更新常数;
S2:利用下述分量交叉公式,更新所述第k代种群中的初始个体;
所述分量交叉公式:
更新后,第k代种群中的个体{ui,k|i=1,2,…,M},其中,ui,k=(u1i,k,u2i,k,…uNi,k),其中,所述j为[1,N]区间内的整数;
其中,所述<>N表征<>内的数对N进行取余的结果;所述d为设定值,取值范围为[1,D-1]区间内的任意整数,所述D表征目标姿态的维度;L表征设定的需要进行交叉的分量个数;
S3:根据下述公式,确定所述第k代种群中的最终个体;
p=exp((OBJ(xi,k-1)-OBJ(ui,k))/t
其中,所述p表征概率;OBJ(xi,k-1)表征第k-1代种群中第i个个体对应的目标函数值;OBJ(xi,k)表征第k代种群中更新后的第i个个体对应的目标函数值;t表征控制参数。
优选地,在所述将所述第k代种群中的各个个体对应的模拟目标姿态与当前帧的目标轮廓序列对应的目标姿态进行匹配之后,在所述N2之前,进一步包括:确定所述第k代种群中各个个体对应的目标函数值,所述目标函数值,包括:轮廓相似度和目标轮廓序列与模型轮廓序列间距离中的任意一个;
所述N2,包括:当所述目标函数值为轮廓重合度时,确定最大目标函数值对应的个体为目标姿态的解;或者,所述N2,包括:当所述目标函数值为目标轮廓序列和模型轮廓序列间的距离时,确定最小目标函数值对应的个体为目标姿态的解。
一种姿态测量装置,包括:
加载单元,用于加载目标模型;
第一提取单元,用于接收至少两帧目标图像,并提取每一帧目标图像中的目标轮廓序列;
第二提取单元,用于获取所述加载单元加载的目标模型的目标投影图像,并提取所述目标投影图像中的模拟目标轮廓序列;
姿态确定单元,将所述第二提取单元提取的当前模拟目标轮廓序列与所述第一提取单元提取的当前帧的目标轮廓序列进行匹配,并确定匹配后的模拟目标轮廓序列对应的目标模型姿态为目标姿态,并接收所述判断单元的触发;
判断单元,用于判断所述目标姿态对应的当前帧是否为最后一帧,如果否,则将当前帧对应的目标姿态作为下一帧的模拟目标轮廓序列对应的初始姿态,并将下一帧作为当前帧,并触发所述姿态确定单元。
优选地,所述第二提取单元,进一步用于:选定首帧目标图像,并控制所述目标模型拟合所述首帧目标图像,确定当前帧目标姿态初值;根据所述当前帧目标姿态初值调整所述目标模型,并对所述目标模型进行投影。
优选地,进一步包括:阈值确定单元,其中,
所述阈值确定单元,用于确定轮廓阈值和搜索范围;
所述第一提取单元,用于针对每一帧目标图像中的目标轮廓序列,执行M1至M5:
M1:提取第一目标轮廓序列;
M2:消除所述第一目标轮廓序列中的噪声点和冗余点,并消除所述第一目标轮廓序列中距离小于所述阈值确定单元确定的轮廓阈值的轮廓点,在所述第一目标轮廓序列中轮廓点距离大于所述阈值确定单元确定的轮廓阈值的位置添加轮廓点,形成第二目标轮廓序列;
M3:确定所述第二目标轮廓序列中每一个轮廓点的法线方向;
M4:针对每一个轮廓点的位置,在所述阈值确定单元确定的搜索范围内,搜索在当前轮廓点的位置法线方向的正负方向上的所有点,包括所述当前轮廓点,确定轮廓点的梯度阈值;
M5:确定第一个大于所述梯度阈值的轮廓点位置为最终轮廓点位置,形成第三目标轮廓序列;
所述姿态确定单元,用于将当前模拟目标轮廓序列与所述当前帧的第三目标轮廓序列进行优化匹配。
优选地,上述装置进一步包括:设置单元和种群确定单元,其中,
所述设置单元,用于设置收敛条件;
所述种群确定单元,用于为当前帧模拟目标轮廓序列建立第一代种群;根据上一帧模拟目标轮廓序列对应的解向量,设定第一代种群中的各个个体;根据第k-1代种群中的各个个体,确定第k代种群中的各个个体;
所述姿态确定单元,用于将所述第k代种群中的各个个体对应的模拟目标姿态与当前帧的目标轮廓序列对应的目标姿态进行匹配,当所述第k代种群中的各个个体达到所述设置单元设置的收敛条件时,确定种群中的最优个体作为目标姿态。
优选地,所述种群确定单元,用于执行下述S1至S3;
S1:利用下述个体更新公式,形成当前帧模拟目标轮廓序列对应的第k代种群中的初始个体;
所述个体更新公式:
其中,所述k大于等于2,小于所述收敛条件中的次数阈值;所述vi,k表征第k代种群中的个体{vi,k|i=1,2,…,M};所述和均为第k-1代种群中的个体,r1,r2和r3为区间[1,M]中互不相等的整数,并且,r1,r2和r3均不等于i;所述F表征更新常数;
S2:利用下述分量交叉公式,更新所述第k代种群中的初始个体;
所述分量交叉公式:
更新后,第k代种群中的个体{ui,k|i=1,2,…,M},其中,ui,k=(u1i,k,u2i,k,…uNi,k),其中,所述j为[1,N]区间内的整数;
其中,所述<>N表征<>内的数对N进行取余的结果;所述d为设定值,取值范围为[1,D-1]区间内的任意整数,所述D表征目标姿态的维度;L表征设定的需要进行交叉的分量个数;
S3:根据下述公式,确定所述第k代种群中的最终个体;
p=exp((OBJ(xi,k-1)-OBJ(ui,k))/t
其中,所述p表征概率;OBJ(xi,k-1)表征第k-1代种群中第i个个体对应的目标函数值;OBJ(xi,k)表征第k代种群中更新后的第i个个体对应的目标函数值;t表征控制参数。
优选地,上述装置进一步包括:目标函数确定单元,其中,
所述目标函数确定单元,用于确定所述种群确定单元确定的第k代种群中各个个体对应的目标函数值,所述目标函数值,包括:轮廓相似度和目标轮廓序列与模型轮廓序列间距离中的任意一个;
所述姿态确定单元,用于当所述目标函数确定单元确定的目标函数值为轮廓重合度时,确定最大目标函数值对应的个体为目标姿态的解;或者,所述姿态确定单元,用于当所述目标函数确定单元确定的目标函数值为目标轮廓序列和模型轮廓序列间的距离时,确定最小目标函数值对应的个体为目标姿态的解。
本发明实施例提供了一种姿态测量方法和装置,加载目标模型,还包括:接收至少两帧目标图像,并提取每一帧目标图像中的目标轮廓序列,相比于目标中的控制点,该目标轮廓序列更能够精确地体现出目标的特性;获取所述目标模型的目标投影图像,并提取所述目标投影图像中的模拟目标轮廓序列;循环执行N1至N3,直至所述每一帧目标图像对应的目标姿态均被确定:N1:将当前模拟目标轮廓序列与当前帧的目标轮廓序列进行匹配;N2:确定匹配后的模拟目标轮廓序列对应的目标模型姿态为目标姿态;N3:判断当前帧是否为最后一帧,如果否,则将当前帧对应的优化后的模拟目标轮廓序列作为下一帧的当前模拟目标轮廓序列,并将下一帧作为当前帧,执行N1,与现有技术中,指定目标中某一个控制点,对该控制点进行匹配相比,本发明提取的轮廓序列中包含很多个轮廓点和轮廓特征,与指定的控制点相比,这些轮廓点和轮廓特征更能体现出目标整体的姿态,那么,通过对模拟目标轮廓序列与目标轮廓序列进行匹配,能够提高目标姿态的准确度。
附图说明
图1为本发明实施例提供的一种姿态测量方法的流程图;
图2为本发明另一实施例提供的一种姿态测量方法的流程图;
图3为本发明实施例提供的图像分割过程中重心平移示意图;
图4为本发明实施例提供的一种姿态测量装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供一种姿态测量方法,该方法可以包括如下步骤:
步骤101:加载目标模型;
步骤102:接收至少两帧目标图像,并提取每一帧目标图像中的目标轮廓序列;
步骤103:获取目标模型的目标投影图像,并提取目标投影图像中的模拟目标轮廓序列;
步骤104:将当前模拟目标轮廓序列与当前帧的目标轮廓序列进行匹配;
步骤105:确定匹配后的模拟目标轮廓序列对应的目标模型姿态为目标姿态;
步骤106:判断当前帧是否为最后一帧,如果是,则执行步骤107;否则执行步骤108;
步骤107:完成姿态测量,并结束当前流程;
步骤108:将当前帧对应的目标姿态作为下一帧的模拟目标轮廓序列的初始姿态,并将下一帧作为当前帧,执行步骤104。
在本发明一个实施例中,为了提高匹配效率,在步骤102之后,在步骤103之前,进一步包括:选定首帧目标图像,并控制所述目标模型拟合所述首帧目标图像,确定目标姿态初值;根据所述目标姿态初值调整所述目标模型,并对所述目标模型进行投影,由于相邻帧之间姿态变化不大,那么以当前帧对应的目标姿态作为下一帧目标姿态的初值,避免了从目标模型的最初加载的姿态进行匹配,有效地提高了匹配效率。
在本发明一个实施例中,为了减少轮廓序列中的噪声点和冗余点,使轮廓序列尽可能的精确,以进一步提高目标姿态确定的准确度,该方法进一步包括:确定轮廓阈值和搜索范围;步骤102的具体实施方式:针对每一帧目标图像中的目标轮廓序列,执行M1至M5:M1:提取第一目标轮廓序列;M2:消除所述第一目标轮廓序列中的噪声点和冗余点,并消除所述第一目标轮廓序列中距离小于所述轮廓阈值的轮廓点,在所述第一目标轮廓序列中轮廓点距离大于所述轮廓阈值的位置添加轮廓点,形成第二目标轮廓序列;M3:确定所述第二目标轮廓序列中每一个轮廓点的法线方向;M4:针对每一个轮廓点的位置,在搜索范围内,搜索在当前轮廓点的位置法线方向的正负方向上的所有点,包括所述当前轮廓点,确定轮廓点的梯度阈值;M5:确定第一个大于所述梯度阈值的轮廓点位置为最终轮廓点位置,形成第三目标轮廓序列;步骤104的具体实时方式:将当前模拟目标轮廓序列与当前帧的第三目标轮廓序列进行优化匹配。
在本发明一个实施例中,为了能够减少匹配次数,以提高匹配效率,本方法,进一步包括:设置收敛条件;在步骤103之后,步骤104之前,进一步包括:为当前帧模拟目标轮廓序列建立第一代种群;根据上一帧模拟目标轮廓序列对应的解向量,设定第一代种群中的各个个体;判断所述第一代种群中个体是否满足所述设置的收敛条件,如果否,则执行P1;P1:根据第k-1代种群中的各个个体,确定第k代种群中的各个个体;P2:将所述第k代种群中的各个个体对应的模拟目标姿态与当前帧的目标轮廓序列对应的目标姿态进行匹配;P3:判断所述第k代种群中个体是否满足所述设置的收敛条件,如果否,将第k代作为P1中的第k-1代,并执行P1;步骤104的具体实施方式:当所述第k代种群中的各个个体达到所述设置的收敛条件时,将所述第k代种群中的各个个体对应的模拟目标姿态与当前帧的目标轮廓序列对应的目标姿态进行匹配。
在本发明一个实施例中,为了能够准确地确定第k代种群中的各个个体,上述根据第k-1代种群中的各个个体,确定第k代种群中的各个个体的具体实现方式:执行下述S1至S3;
S1:利用下述个体更新公式,形成当前帧模拟目标轮廓序列对应的第k代种群中的初始个体;
所述个体更新公式:
其中,所述k大于等于2,小于所述收敛条件中的次数阈值;所述vi,k表征第k代种群中的个体{vi,k|i=1,2,…,M};所述和均为第k-1代种群中的个体,r1,r2和r3为区间[1,M]中互不相等的整数,并且,r1,r2和r3均不等于i;所述F表征更新常数;
S2:利用下述分量交叉公式,更新所述第k代种群中的初始个体;
所述分量交叉公式:
更新后,第k代种群中的个体{ui,k|i=1,2,…,M},其中,ui,k=(u1i,k,u2i,k,…uNi,k),其中,所述j为[1,N]区间内的整数;
其中,所述<>N表征<>内的数对N进行取余的结果;所述d为设定值,取值范围为[1,D-1]区间内的任意整数,所述D表征目标姿态的维度;L表征设定的需要进行交叉的分量个数;
S3:根据下述公式,确定所述第k代种群中的最终个体;
p=exp((OBJ(xi,k-1)-OBJ(ui,k))/t
其中,所述p表征概率;OBJ(xi,k-1)表征第k-1代种群中第i个个体对应的目标函数值;OBJ(xi,k)表征第k代种群中更新后的第i个个体对应的目标函数值;t表征控制参数。
在本发明一个实施例中,为了能够确定目标姿态的最优解,在步骤104之后,在步骤105之前,进一步包括:确定所述第k代种群中各个个体对应的目标函数值,所述目标函数值,包括:轮廓相似度和目标轮廓序列与模型轮廓序列间距离中的任意一个;步骤105的具体实施方式:当所述目标函数值为轮廓重合度时,确定最大目标函数值对应的个体为目标姿态的解,或者,当所述目标函数值为目标轮廓序列和模型轮廓序列间的距离时,确定最小目标函数值对应的个体为目标姿态的解。
如图2所示,本发明另一实施例提供一种姿态测量方法,该方法可以包括如下步骤:
步骤201:加载目标模型;
步骤202:接收至少两帧目标图像,并提取每帧目标图像中的目标轮廓序列;
在轮廓序列中,每个轮廓的信息包括所述每个轮廓的像素点位置。
值得说明的是,如果在图像质量不高,噪声较多的情况下,直接提取轮廓线的效果很差,很难体现出目标原来应有的轮廓线。那么,在该步骤中,在对目标轮廓提取之前,还可以通过图像分割方法对图像特征进行提取,那么,就可以通过在提取出的图像特征中提取轮廓序列。
对于需要进行图像分割的目标图像来说,图像分割过程:
O1:选择目标区域;
例如:对于目标为无人航拍飞机来说,目标区域为包含有无人航拍飞机的区域,该目标区域可以用户自行选择;
O2:计算当前目标区域(可能是带权重的)的重心;
O3:以计算出的重心为中心,重新确定目标区域,并以重新确定的目标区域为当前目标区域,执行O2;直到窗口的位置不再变化(通常会变化,直至最后迭代收敛)。
如图3所示,在图像分割中,将图像中的元素用合适的特征空间点表示,其中,图3(a)中的x为初步确定的区域对应的重心位置,m(x)为通过下面公式计算得到的当前目标区域(可能是带权重的)的重心,则重心位置从x平移到m(x);
其中,S表征目标区域集合;s表征目标区域中的一个像素点;x表征前一个重心位置;当像素点为前景点时,K为1;当像素点为背景点时,K为0;k表征常数。
在该过程中,前景点,背景点的确定则是通过下述公式确定:
其中,θ表征图像分割阈值,该阈值可以由用户设定,也可以在后续分割图像过程中生成。
通过上面所述的分割方法,重心将向着点密集的方向移动,如图3(b)所示,确定出点密度的局部最大区域,这局部最大区域可以确定为图像分割的边缘,以完成图像分割。则提取每一帧目标图像中的目标轮廓序列就变成提取每一帧分割后的目标图像中的目标轮廓序列。
值得说明的是,在该步骤中,提取每一帧目标图像中的目标轮廓序列的具体过程:
首先需要确定轮廓阈值和搜索范围,并设置收敛条件;
针对每一帧目标图像中的目标轮廓序列,执行M1至M5:
M1:提取第一目标轮廓序列;
M2:消除所述第一目标轮廓序列中的噪声点和冗余点,并消除所述第一目标轮廓序列中距离小于所述轮廓阈值的轮廓点,在所述第一目标轮廓序列中轮廓点距离大于所述轮廓阈值的位置添加轮廓点,形成第二目标轮廓序列;
这是因为,在实际的轮廓线提取中,获得的轮廓线所含有的冗余信息较多,密集程度比较高,特别是在图像质量不高,噪声较多的情况下,会使目标产生抖动的边界,对目标提取的轮廓线很难体现出目标原来应有的轮廓线,则通过该步骤可以最大程度的保证体现目标原来应有的轮廓线。
M3:确定所述第二目标轮廓序列中每一个轮廓点的法线方向;
该步骤的具体过程:以当前轮廓点为起点,在轮廓序列中,分别求出其前一点与当前点的向量和当前点与后一点的向量,并将归一表示;分别求出两个向量的法向量;根据向量加法原则,计算两个向量的和,这就是所求当前轮廓点的法向量;
M4:针对每一个轮廓点的位置,在搜索范围内,搜索在当前轮廓点的位置法线方向的正负方向上的所有点,包括所述当前轮廓点,确定轮廓点的梯度阈值;
例如:在目标图像上,针对每一个轮廓点的位置,在其法线方向的正负方向上搜索范围在S的所有点,包括当前轮廓点,共2S+1个点;利用这些点的梯度数据建立梯度直方图;考虑到遗留的少量噪声以及轮廓线不同部分的梯度差异,乘以一定的松弛系数α,取梯度直方图面积的topα/(2S+1),其对应的最低梯度就是所述的梯度阈值。
M5:确定第一个大于所述梯度阈值的轮廓点位置为最终轮廓点位置,形成第三目标轮廓序列。
步骤203:选定首帧目标图像,并控制目标模型拟合首帧目标图像;
步骤204:确定当前帧的目标姿态初值;
在该步骤中可以选定任意一帧目标图像作为首帧图像,则在选定的该任意一帧之后的图像为后续帧图像。
在该步骤中,可以通过先验知识确定目标姿态初值,还可以基于目标轴线的姿态测量结果,也可以是依据目标实际几何形状的投影分析结果,也可以是基于目标上特征点的姿态测量结果等等;当然,也可以采用其他计算方式进行初步计算以确定姿态初值。姿态初值与轮廓序列是没有必然关系,提取轮廓序列只是确定姿态初值的多种方法之一。
对于首帧目标图像来说,其目标姿态初值通过控制目标模型拟合首帧目标图像获得;对于除首帧之外的后续每一帧来说,当前帧的目标姿态初值为当前帧的上帧的目标姿态的解,例如:对于第二帧来说,其目标姿态初值为第一帧的目标姿态的解;对于第三帧来说,其目标姿态初值为第二帧的目标姿态的解;以此类推。由于相邻帧之间目标姿态变化较小,则通过该种确定目标姿态初值的方法可以更快的匹配到目标姿态。
步骤205:根据当前帧的目标姿态初值调整目标模型,对目标模型进行投影;
步骤206:获取目标模型的目标投影图像,并提取目标投影图像中的模拟目标轮廓序列;
在本步骤和上述步骤202提取出的轮廓序列中每个轮廓的信息包括每个轮廓的像素点位置,假设有序列C表示一条轮廓线,则轮廓上的点就可用C中的元素Pi表示,该轮廓的表达式如下:
C={Pi=(xi,yi)|i=1,…,n}
步骤207:为当前帧模拟目标轮廓序列建立第一代种群;
步骤208:根据上一帧模拟目标轮廓序列对应的解向量,设定第一代种群中的各个个体;
在该步骤中,种群中的各个个体是对上一帧求出来的解进一步设定,例如:设定在上一帧求出来的解的基础上,在x、y和z方向上分别平移正负50,三个角度各增加或减少1度等等。
由于相邻帧之间姿态差异性不大,则通过该步骤,可以使当前帧的解以上一帧为基础确定,减少了匹配次数,降低了匹配过程计算的复杂度。
步骤209:判断第一代种群中个体是否满足设置的收敛条件,如果是,则执行步骤210;否则,则执行步骤211;
步骤210:确定目标姿态的解,并执行步骤217;
步骤211:根据第k-1代种群中的各个个体,确定第k代种群中的各个个体;
例如:第二代种群中的各个个体,则根据第一代种群确定;第三代种群中的各个个体,则根据第二代种群确定,以此类推。
该步骤的具体过程:
S1:利用下述个体更新公式,形成当前帧模拟目标轮廓序列对应的第k代种群中的初始个体;
所述个体更新公式:
其中,所述k大于等于2,小于所述收敛条件中的次数阈值;所述vi,k表征第k代种群中的个体{vi,k|i=1,2,…,M};所述和均为第k-1代种群中的个体,r1,r2和r3为区间[1,M]中互不相等的整数,并且,r1,r2和r3均不等于i;所述F表征更新常数;
S2:利用下述分量交叉公式,更新所述第k代种群中的初始个体;
所述分量交叉公式:
更新后,第k代种群中的个体{ui,k|i=1,2,…,M},其中,ui,k=(u1i,k,u2i,k,…uNi,k),其中,所述j为[1,N]区间内的整数;
其中,所述<>N表征<>内的数对N进行取余的结果;所述d为设定值,取值范围为[1,D-1]区间内的任意整数,所述D表征目标姿态的维度;L表征设定的需要进行交叉的分量个数;
S3:根据下述公式,确定所述第k代种群中的最终个体;
p=exp((OBJ(xi,k-1)-OBJ(ui,k))/t)
其中,所述p表征概率;OBJ(xi,k-1)表征第k-1代种群中第i个个体对应的目标函数值;OBJ(xi,k)表征第k代种群中更新后的第i个个体对应的目标函数值;t表征控制参数;
所述目标函数值,包括:轮廓相似度和目标轮廓序列与模型轮廓序列间距离中的任意一个。
步骤212:判断第k代种群中的各个个体是否达到设置的收敛条件,如果是,则执行步骤213;否则,执行步骤214;
在该步骤中设置的收敛条件可以为k达到预设的迭代次数阈值;目标函数值满足阈值条件,即目标函数值已经非常接近理论值;以及连续几次迭代中,目标函数值趋于平衡中的任意一个或多个。
步骤213:确定第k代种群中各个个体对应的目标函数值,当目标函数值为轮廓重合度时,则执行215;当目标函数值为目标轮廓序列和模型轮廓序列间的距离时,则执行216;
步骤214:将第k代种群作为步骤211中的第k-1代种群,执行步骤211;
步骤215:确定最大目标函数值对应的个体为目标姿态的解,并执行步骤217;
在该步骤中,需要设置相似度阈值;
按照下述公式,计算第k代种群中各个个体对应的模拟目标轮廓序列与当前帧的目标轮廓序列相似度;
其中,所述ω表征相似度;所述n表征第k代种群中各个个体模拟目标轮廓序列中总像素点数;所述p表征二值量,当所述模拟目标轮廓线上的像素点落在当前帧的目标轮廓序列上取值为1,否则取值为0;
通过这一过程可以计算出第k代种群中各个个体对应的目标函数最大值,并能够确定出该目标函数最大值对应的个体,即为目标姿态的解。
步骤216:确定最小目标函数值对应的个体为目标姿态的解;
在该步骤中,需要设置距离阈值;
根据下述公式,计算第k代种群中各个个体对应的当前模拟目标轮廓序列与当前帧的目标轮廓序列间的距离;
E=min(Eg,Et)
其中,所述Eg表征当前帧的目标轮廓序列到当前模拟目标轮廓序列的距离;所述ng表征当前帧的目标轮廓序列中像素点总数;所述agi表征当前帧的目标轮廓序列中的像素点;所述btj表征当前帧模拟目标轮廓序列中距离agi最近的模拟像素点;
通过这一过程可以计算出第k代种群中各个个体对应的目标函数最小值,并能够确定出该目标函数最小值对应的个体,即为目标姿态的解。
步骤217:判断当前帧是否为最后一帧,如果是,则执行步骤218;否则执行步骤219;
步骤218:完成姿态测量,并结束当前流程;
步骤219:将当前帧对应的目标姿态的解作为下一帧的目标姿态初值,并将下一帧作为当前帧,执行步骤204。
值得说明的是,目标观察图像的轮廓特征与目标模型投影图像的轮廓特征对平移和尺度变换具有不变性,同时对旋转变换具有变性。
如图4所示,本发明实施例提供一种姿态测量装置,该装置包括:
加载单元401,用于加载目标模型;
第一提取单元402,用于接收至少两帧目标图像,并提取每一帧目标图像中的目标轮廓序列;
第二提取单元403,用于获取加载单元401加载的目标模型的目标投影图像,并提取所述目标投影图像中的模拟目标轮廓序列;
姿态确定单元404,将第二提取单元403提取的当前模拟目标轮廓序列与第一提取单元402提取的当前帧的目标轮廓序列进行匹配,并确定匹配后的模拟目标轮廓序列对应的目标模型姿态为目标姿态,并接收判断单元405的触发;
判断单元405,用于判断所述目标姿态对应的当前帧是否为最后一帧,如果否,则将当前帧对应的优化后的模拟目标轮廓序列作为下一帧的当前模拟目标轮廓序列,并将下一帧作为当前帧,并触发姿态确定单元404。
在本发明另一实施例中,第二提取单元403,进一步用于:选定首帧目标图像,并控制目标模型拟合首帧目标图像,确定目标姿态初值;根据目标姿态初值调整所述目标模型,并对目标模型进行投影;由于相邻帧之间姿态差别不大,那么通过在目标姿态初值的基础上进行匹配,可以减小匹配次数,提高匹配效率。
在本发明另一实施例中,上述装置进一步包括:阈值确定单元(图中未示出),其中,
阈值确定单元,用于确定轮廓阈值和搜索范围;
第一提取单元402,用于针对每一帧目标图像中的目标轮廓序列,执行M1至M5:
M1:提取第一目标轮廓序列;
M2:消除所述第一目标轮廓序列中的噪声点和冗余点,并消除所述第一目标轮廓序列中距离小于所述阈值确定单元确定的轮廓阈值的轮廓点,在所述第一目标轮廓序列中轮廓点距离大于所述阈值确定单元确定的轮廓阈值的位置添加轮廓点,形成第二目标轮廓序列;
M3:确定所述第二目标轮廓序列中每一个轮廓点的法线方向;
M4:针对每一个轮廓点的位置,在所述阈值确定单元确定的搜索范围内,搜索在当前轮廓点的位置法线方向的正负方向上的所有点,包括所述当前轮廓点,确定轮廓点的梯度阈值;
M5:确定第一个大于所述梯度阈值的轮廓点位置为最终轮廓点位置,形成第三目标轮廓序列;
姿态确定单元404,用于将当前模拟目标轮廓序列与当前帧的第三目标轮廓序列进行优化匹配。那么,在该实施例中,第一提取单元402的过程能够减少轮廓系列中的冗余点和噪声点,并对轮廓序列中轮廓点进行了简化和规范化,使得轮廓序列的提取更加精确,进而提高了姿态确定单元的匹配准确度。
在本发明又一实施例中,上述装置进一步包括:设置单元和种群确定单元(图中未示出),其中,
设置单元,用于设置收敛条件;
种群确定单元,用于为当前帧模拟目标轮廓序列建立第一代种群;根据上一帧模拟目标轮廓序列对应的解向量,设定第一代种群中的各个个体;根据第k-1代种群中的各个个体,确定第k代种群中的各个个体;
姿态确定单元404,用于当第k代种群中的各个个体达到设置单元设置的收敛条件时,将第k代种群中的各个个体对应的模拟目标姿态与当前帧的目标轮廓序列对应的目标姿态进行匹配。通过本发明实施例中的种群确定单元精确了参加匹配的种群中的个体,能够有效地提高姿态确定单元确定姿态的准确度。
在本发明又一实施例中,为了能够使种群确定单元确定出的各个个体更加准确,以使目标姿态的确定更加准确,种群确定单元,用于执行下述S1至S3;
S1:利用下述个体更新公式,形成当前帧模拟目标轮廓序列对应的第k代种群中的初始个体;
个体更新公式:
其中,所述k大于等于2,小于所述收敛条件中的次数阈值;所述vi,k表征第k代种群中的个体{vi,k|i=1,2,…,M};所述和均为第k-1代种群中的个体,r1,r2和r3为区间[1,M]中互不相等的整数,并且,r1,r2和r3均不等于i;所述F表征更新常数;
S2:利用下述分量交叉公式,更新第k代种群中的初始个体;
分量交叉公式:
更新后,第k代种群中的个体{ui,k|i=1,2,…,M},其中,ui,k=(u1i,k,u2i,k,…uNi,k),其中,所述j为[1,N]区间内的整数;
其中,所述<>N表征<>内的数对N进行取余的结果;所述d为设定值,取值范围为[1,D-1]区间内的任意整数,所述D表征目标姿态的维度;L表征设定的需要进行交叉的分量个数;
S3:根据下述公式,确定第k代种群中的最终个体;
p=exp((OBJ(xi,k-1)-OBJ(ui,k))/t
其中,所述p表征概率;OBJ(xi,k-1)表征第k-1代种群中第i个个体对应的目标函数值;OBJ(xi,k)表征第k代种群中更新后的第i个个体对应的目标函数值;t表征控制参数。
在本发明另一实施例中,通过目标函数值来确定目标姿态,上述装置进一步包括:目标函数确定单元(图中未示出),其中,
目标函数确定单元,用于确定种群确定单元确定的第k代种群中各个个体对应的目标函数值,其中,目标函数值,包括:轮廓相似度和目标轮廓序列与模型轮廓序列间距离中的任意一个;
在此基础之上,姿态确定单元确定目标姿态的解的方式:
姿态确定单元404,用于当目标函数确定单元确定的目标函数值为轮廓重合度时,确定最大目标函数值对应的个体为目标姿态的解;
或者,
姿态确定单元404,用于当所述目标函数确定单元确定的目标函数值为目标轮廓序列和模型轮廓序列间的距离时,确定最小目标函数值对应的个体为目标姿态的解。
本发明实施例提供的方案,至少能够达到如下有益效果:
1.通过接收至少两帧目标图像,并提取每一帧目标图像中的目标轮廓序列,相比于目标中的控制点,该目标轮廓序列更能够精确地体现出目标的特性;获取所述目标模型的目标投影图像,并提取所述目标投影图像中的模拟目标轮廓序列;循环执行N1至N3,直至所述每一帧目标图像对应的目标姿态均被确定:N1:将当前模拟目标轮廓序列与当前帧的目标轮廓序列进行匹配;N2:确定匹配后的模拟目标轮廓序列对应的目标模型姿态为目标姿态;N3:判断当前帧是否为最后一帧,如果否,则将当前帧对应的优化后的模拟目标轮廓序列作为下一帧的当前模拟目标轮廓序列,并将下一帧作为当前帧,执行N1,与现有技术中,指定目标中某一个控制点,对该控制点进行匹配相比,本发明提取的轮廓序列中包含很多个轮廓点和轮廓特征,与指定的控制点相比,这些轮廓点和轮廓特征更能体现出目标整体的姿态,那么,通过对模拟目标轮廓序列与目标轮廓序列进行匹配,能够提高目标姿态的准确度。
2.在本发明实施例中,将当前模拟目标轮廓序列与当前帧的目标轮廓序列进行匹配的过程,是从图像的角度出发进行匹配,弱化了轮廓匹配中同名点之间的关系,另外,在目标姿态求解过程中,脱离了摄像机成像误差方程,使得目标姿态求解更加简单化。
3.由于本发明实施例是对目标的轮廓进行提取,在轮廓提取过程中,消除了轮廓中的噪声点和冗余点,并通过消除目标轮廓序列中距离小于轮廓阈值的轮廓点,在目标轮廓序列中轮廓点距离大于轮廓阈值的位置添加轮廓点,使得轮廓点分布更加均匀;另外,通过梯度阈值搜索确定最终的目标轮廓序列,通过这一过程得到的轮廓序列比较准确,也能够包含轮廓的必要特征,对于实际应用中无法确定控制点的目标也是适用的,因此,本发明所提供的方案更加具有实用性。
4.本发明实施例通过抽取出轮廓序列,进行轮廓序列的匹配来确定目标姿态,而不是直接采用模拟图像与图像中的目标形状进行匹配,简化了匹配过程。
5.通过确定目标姿态初值;根据目标姿态初值调整目标模型,并对目标模型进行投影,由于相邻帧之间姿态变化不大,那么,以当前帧对应的目标姿态作为下一帧目标姿态的初值,避免了从目标模型的最初加载的姿态进行匹配,另外,以当前帧对应的目标姿态的解为基础,通过迭代过程,确定下一帧对应的各个个体,通过对该各个个体求目标函数值,确定其中一个个体为目标姿态的最优解,这一过程缩小了求解范围,一方面有效地提高了匹配效率,另一方面提高了确定目标姿态的效率。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个······”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种姿态测量方法,其特征在于,加载目标模型,还包括:
接收至少两帧目标图像,并提取每一帧目标图像中的目标轮廓序列;
获取所述目标模型的目标投影图像,并提取所述目标投影图像中的模拟目标轮廓序列;
循环执行N1至N3,直至所述每一帧目标图像对应的目标姿态均被确定:
N1:将当前模拟目标轮廓序列与当前帧的目标轮廓序列进行匹配;
N2:确定匹配后的模拟目标轮廓序列对应的目标模型姿态为目标姿态;
N3:判断当前帧是否为最后一帧,如果否,则将当前帧对应的目标姿态作为下一帧的模拟目标轮廓序列的初始姿态,并将下一帧作为当前帧,执行N1。
2.根据权利要求1所述的方法,其特征在于,在所述提取每一帧目标图像中的目标轮廓序列之后,在所述获取所述目标模型的目标投影图像之前,进一步包括:
选定首帧目标图像,并控制所述目标模型拟合所述首帧目标图像,确定当前帧目标姿态初值;
根据所述当前帧目标姿态初值调整所述目标模型,并对所述目标模型进行投影。
3.根据权利要求1所述的方法,其特征在于,
进一步包括:确定轮廓阈值和搜索范围;
所述提取每一帧目标图像中的目标轮廓序列,包括:
针对每一帧目标图像中的目标轮廓序列,执行M1至M5:
M1:提取第一目标轮廓序列;
M2:消除所述第一目标轮廓序列中的噪声点和冗余点,并消除所述第一目标轮廓序列中距离小于所述轮廓阈值的轮廓点,在所述第一目标轮廓序列中轮廓点距离大于所述轮廓阈值的位置添加轮廓点,形成第二目标轮廓序列;
M3:确定所述第二目标轮廓序列中每一个轮廓点的法线方向;
M4:针对每一个轮廓点的位置,在搜索范围内,搜索在当前轮廓点的位置法线方向的正负方向上的所有点,包括所述当前轮廓点,确定轮廓点的梯度阈值;
M5:确定第一个大于所述梯度阈值的轮廓点位置为最终轮廓点位置,形成第三目标轮廓序列;
所述N1,包括:将当前模拟目标轮廓序列与当前帧的第三目标轮廓序列进行优化匹配。
4.根据权利要求1所述的方法,其特征在于,
进一步包括:设置收敛条件;
在所述提取所述目标投影图像中的模拟目标轮廓序列之后,在所述N1之前,进一步包括:
为当前帧模拟目标轮廓序列建立第一代种群;
根据上一帧模拟目标轮廓序列对应的解向量,设定第一代种群中的各个个体;
所述N1,包括:
判断所述第一代种群中个体是否满足所述设置的收敛条件,如果否,则执行P1;
P1:根据第k-1代种群中的各个个体,确定第k代种群中的各个个体;
P2:将所述第k代种群中的各个个体对应的模拟目标姿态与当前帧的目标轮廓序列对应的目标姿态进行匹配
P3:判断所述第k代种群中个体是否满足所述设置的收敛条件,如果否,则将第k代作为P1中的第k-1代,并执行P1。
5.根据权利要求4所述的方法,其特征在于,所述根据第k-1代种群中的各个个体,确定第k代种群中的各个个体,包括:执行下述S1至S3;
S1:利用下述个体更新公式,形成当前帧模拟目标轮廓序列对应的第k代种群中的初始个体;
所述个体更新公式:
其中,所述k大于等于2,小于所述收敛条件中的次数阈值;所述vi,k表征第k代种群中的个体{vi,k|i=1,2,…,M};所述和均为第k-1代种群中的个体,r1,r2和r3为区间[1,M]中互不相等的整数,并且,r1,r2和r3均不等于i;所述F表征更新常数;
S2:利用下述分量交叉公式,更新所述第k代种群中的初始个体;
所述分量交叉公式:
更新后,第k代种群中的个体{ui,k|i=1,2,…,M},其中,ui,k=(u1i,k,u2i,k,…uNi,k),其中,所述j为[1,N]区间内的整数;
其中,所述<>N表征<>内的数对N进行取余的结果;所述d为设定值,取值范围为[1,D-1]区间内的任意整数,所述D表征目标姿态的维度;L表征设定的需要进行交叉的分量个数;
S3:根据下述公式,确定所述第k代种群中的最终个体;
p=exp((OBJ(xi,k-1)-OBJ(ui,k))/t)
其中,所述p表征概率;OBJ(xi,k-1)表征第k-1代种群中第i个个体对应的目标函数值;OBJ(xi,k)表征第k代种群中更新后的第i个个体对应的目标函数值;t表征控制参数。
6.根据权利要求4所述的方法,其特征在于,
在所述将所述第k代种群中的各个个体对应的模拟目标姿态与当前帧的目标轮廓序列对应的目标姿态进行匹配之后,在所述N2之前,进一步包括:确定所述第k代种群中各个个体对应的目标函数值,所述目标函数值,包括:轮廓相似度和目标轮廓序列与模型轮廓序列间距离中的任意一个;
所述N2,包括:当所述目标函数值为轮廓重合度时,确定最大目标函数值对应的个体为目标姿态的解;或者,所述N2,包括:当所述目标函数值为目标轮廓序列和模型轮廓序列间的距离时,确定最小目标函数值对应的个体为目标姿态的解。
7.一种姿态测量装置,其特征在于,包括:
加载单元,用于加载目标模型;
第一提取单元,用于接收至少两帧目标图像,并提取每一帧目标图像中的目标轮廓序列;
第二提取单元,用于获取所述加载单元加载的目标模型的目标投影图像,并提取所述目标投影图像中的模拟目标轮廓序列;
姿态确定单元,将所述第二提取单元提取的当前模拟目标轮廓序列与所述第一提取单元提取的当前帧的目标轮廓序列进行匹配,并确定匹配后的模拟目标轮廓序列对应的目标模型姿态为目标姿态,并接收所述判断单元的触发;
判断单元,用于判断所述目标姿态对应的当前帧是否为最后一帧,如果否,则将当前帧对应的目标姿态作为下一帧的模拟目标轮廓序列对应的初始姿态,并将下一帧作为当前帧,并触发所述姿态确定单元。
8.根据权利要求7所述的装置,其特征在于,
所述第二提取单元,进一步用于:选定首帧目标图像,并控制所述目标模型拟合所述首帧目标图像,确定当前帧目标姿态初值;并对所述目标模型进行投影;
和/或,
进一步包括:阈值确定单元,其中,
所述阈值确定单元,用于确定轮廓阈值和搜索范围;
所述第一提取单元,用于针对每一帧目标图像中的目标轮廓序列,执行M1至M5:
M1:提取第一目标轮廓序列;
M2:消除所述第一目标轮廓序列中的噪声点和冗余点,并消除所述第一目标轮廓序列中距离小于所述阈值确定单元确定的轮廓阈值的轮廓点,在所述第一目标轮廓序列中轮廓点距离大于所述阈值确定单元确定的轮廓阈值的位置添加轮廓点,形成第二目标轮廓序列;
M3:确定所述第二目标轮廓序列中每一个轮廓点的法线方向;
M4:针对每一个轮廓点的位置,在所述阈值确定单元确定的搜索范围内,搜索在当前轮廓点的位置法线方向的正负方向上的所有点,包括所述当前轮廓点,确定轮廓点的梯度阈值;
M5:确定第一个大于所述梯度阈值的轮廓点位置为最终轮廓点位置,形成第三目标轮廓序列;
所述姿态确定单元,用于将当前模拟目标轮廓序列与所述当前帧的第三目标轮廓序列进行优化匹配。
9.根据权利要求7所述的装置,其特征在于,进一步包括:设置单元和种群确定单元,其中,
所述设置单元,用于设置收敛条件;
所述种群确定单元,用于为当前帧模拟目标轮廓序列建立第一代种群;根据上一帧模拟目标轮廓序列对应的解向量,设定第一代种群中的各个个体;根据第k-1代种群中的各个个体,确定第k代种群中的各个个体;
所述姿态确定单元,用于将所述第k代种群中的各个个体对应的模拟目标姿态与当前帧的目标轮廓序列对应的目标姿态进行匹配,当所述第k代种群中的各个个体达到所述设置单元设置的收敛条件时,选择种群中的最优个体作为目标姿态。
10.根据权利要求9所述的装置,其特征在于,
所述种群确定单元,用于执行下述S1至S3;
S1:利用下述个体更新公式,形成当前帧模拟目标轮廓序列对应的第k代种群中的初始个体;
所述个体更新公式:
其中,所述k大于等于2,小于所述收敛条件中的次数阈值;所述vi,k表征第k代种群中的个体{vi,k|i=1,2,…,M};所述和均为第k-1代种群中的个体,r1,r2和r3为区间[1,M]中互不相等的整数,并且,r1,r2和r3均不等于i;所述F表征更新常数;
S2:利用下述分量交叉公式,更新所述第k代种群中的初始个体;
所述分量交叉公式:
更新后,第k代种群中的个体{ui,k|i=1,2,…,M},其中,ui,k=(u1i,k,2i,k,…uNi,k),其中,所述j为[1,N]区间内的整数;
其中,所述<>N表征<>内的数对N进行取余的结果;所述d为设定值,取值范围为[1,D-1]区间内的任意整数,所述D表征目标姿态的维度;L表征设定的需要进行交叉的分量个数;
S3:根据下述公式,确定所述第k代种群中的最终个体;
p=exp((OBJ(xi,k-1)-OBJ(ui,k))/t)
其中,所述p表征概率;OBJ(xi,k-1)表征第k-1代种群中第i个个体对应的目标函数值;OBJ(xi,k)表征第k代种群中更新后的第i个个体对应的目标函数值;t表征控制参数;
和/或,
进一步包括:目标函数确定单元,其中,
所述目标函数确定单元,用于确定所述种群确定单元确定的第k代种群中各个个体对应的目标函数值,所述目标函数值,包括:轮廓相似度和目标轮廓序列与模型轮廓序列间距离中的任意一个;
所述姿态确定单元,用于当所述确定的目标函数值为轮廓重合度时,确定最大目标函数值对应的个体为目标姿态的解;或者,所述姿态确定单元,用于当所述确定的目标函数值为目标轮廓序列和模型轮廓序列间的距离时,确定最小目标函数值对应的个体为目标姿态的解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510641576.0A CN105184803A (zh) | 2015-09-30 | 2015-09-30 | 一种姿态测量方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510641576.0A CN105184803A (zh) | 2015-09-30 | 2015-09-30 | 一种姿态测量方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105184803A true CN105184803A (zh) | 2015-12-23 |
Family
ID=54906856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510641576.0A Pending CN105184803A (zh) | 2015-09-30 | 2015-09-30 | 一种姿态测量方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184803A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106996777A (zh) * | 2017-04-21 | 2017-08-01 | 合肥井松自动化科技有限公司 | 一种基于地面图像纹理的视觉导航方法 |
CN107403440A (zh) * | 2016-05-18 | 2017-11-28 | 株式会社理光 | 用于确定对象的姿态的方法和装置 |
CN109102543A (zh) * | 2018-08-17 | 2018-12-28 | 深圳蓝胖子机器人有限公司 | 基于图像分割的物体定位方法、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101377812A (zh) * | 2008-07-11 | 2009-03-04 | 北京航空航天大学 | 一种空间平面物体位姿识别方法 |
CN104077496A (zh) * | 2014-07-17 | 2014-10-01 | 中国科学院自动化研究所 | 基于差分进化算法的智能管道布局优化方法和系统 |
WO2014195782A3 (en) * | 2013-06-03 | 2015-02-05 | Tata Consultancy Services Limited | Differential evolution-based feature selection |
-
2015
- 2015-09-30 CN CN201510641576.0A patent/CN105184803A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101377812A (zh) * | 2008-07-11 | 2009-03-04 | 北京航空航天大学 | 一种空间平面物体位姿识别方法 |
WO2014195782A3 (en) * | 2013-06-03 | 2015-02-05 | Tata Consultancy Services Limited | Differential evolution-based feature selection |
CN104077496A (zh) * | 2014-07-17 | 2014-10-01 | 中国科学院自动化研究所 | 基于差分进化算法的智能管道布局优化方法和系统 |
Non-Patent Citations (5)
Title |
---|
KUNQI LIU ET AL: "Differential Evolution Algorithm Based on Simulated Annealing", 《ADVANCES IN COMPUTER AND INTELLIGENCE》 * |
夏军营: "空间目标的单目视觉位姿测量方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
杜霖: "基于NMI特征的Auto-Camshift算法及其应用", 《计算机工程》 * |
王阳: "基于轮廓线匹配的目标姿态求解研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
郑慧杰等: "基于模拟退火的差分变异群搜索优化算法", 《计算机工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403440A (zh) * | 2016-05-18 | 2017-11-28 | 株式会社理光 | 用于确定对象的姿态的方法和装置 |
CN107403440B (zh) * | 2016-05-18 | 2020-09-08 | 株式会社理光 | 用于确定对象的姿态的方法和装置 |
CN106996777A (zh) * | 2017-04-21 | 2017-08-01 | 合肥井松自动化科技有限公司 | 一种基于地面图像纹理的视觉导航方法 |
CN106996777B (zh) * | 2017-04-21 | 2019-02-12 | 合肥井松自动化科技有限公司 | 一种基于地面图像纹理的视觉导航方法 |
CN109102543A (zh) * | 2018-08-17 | 2018-12-28 | 深圳蓝胖子机器人有限公司 | 基于图像分割的物体定位方法、设备和存储介质 |
CN109102543B (zh) * | 2018-08-17 | 2021-04-02 | 深圳蓝胖子机器智能有限公司 | 基于图像分割的物体定位方法、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392964B (zh) | 基于室内特征点和结构线结合的室内slam方法 | |
CN105930767B (zh) | 一种基于人体骨架的动作识别方法 | |
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN105806315B (zh) | 基于主动编码信息的非合作目标相对测量系统及测量方法 | |
CN109712172A (zh) | 一种初始位姿测量结合目标追踪的位姿测量方法 | |
CN108537837A (zh) | 一种深度信息确定的方法及相关装置 | |
CN105258680B (zh) | 一种目标位姿测量方法和装置 | |
JP7263216B2 (ja) | ワッサースタイン距離を使用する物体形状回帰 | |
CN104778688A (zh) | 点云数据的配准方法及装置 | |
CN104392223B (zh) | 二维视频图像中的人体姿态识别方法 | |
CN109523595A (zh) | 一种建筑工程直线棱角间距视觉测量方法 | |
US11315264B2 (en) | Laser sensor-based map generation | |
WO2021051526A1 (zh) | 多视图3d人体姿态估计方法及相关装置 | |
CN108846348B (zh) | 一种基于三维骨骼特征的人体行为识别方法 | |
CN108154104A (zh) | 一种基于深度图像超像素联合特征的人体姿态估计方法 | |
Yang et al. | Point set registration with similarity and affine transformations based on bidirectional KMPE loss | |
US11501462B2 (en) | Multi-view three-dimensional positioning | |
CN110243390A (zh) | 位姿的确定方法、装置及里程计 | |
CN110276768A (zh) | 图像分割方法、图像分割装置、图像分割设备及介质 | |
CN113393439A (zh) | 一种基于深度学习的锻件缺陷检测方法 | |
CN105184803A (zh) | 一种姿态测量方法和装置 | |
CN109934165A (zh) | 一种关节点检测方法、装置、存储介质及电子设备 | |
CN103839280B (zh) | 一种基于视觉信息的人体姿态跟踪方法 | |
CN115131437A (zh) | 位姿估计方法及相关模型的训练方法、装置、设备、介质 | |
Cai et al. | Dynamic illumination optical flow computing for sensing multiple mobile robots from a drone |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151223 |