一种基于无监督深度学习的船舶六自由度计算方法技术

本发明专利技术公开了一种基于无监督深度学习的船舶六自由度计算方法，包括以下步骤：S1，架设安装两个相机，使其拍摄范围能够覆盖船舶运动范围，双目相机对现场进行图像采集；S2，采用基于SuperPoint的鲁棒特征点识别与跟踪算法，对采集到的图像进行鲁棒特征点的识别与跟踪，对双目相机前后两帧四幅图片所进行的三次匹配的结果进行处理，得到同一帧双目两幅图像的对应点坐标以及前后帧的相同特征点的对应坐标。本发明专利技术运用无监督深度学习的方法，不放置任何标记物，以非接触双目视觉的方式，实时检测船舶位置和运动，无监督地识别和跟踪鲁棒特征点，实时计算得到船舶六自由度运动数据，且精度达到工程需求。度达到工程需求。度达到工程需求。

【技术实现步骤摘要】
一种基于无监督深度学习的船舶六自由度计算方法


[0001]本专利技术涉及船舶六自由度处理
，尤其涉及一种基于无监督深度学习的船舶六自由度计算方法。

技术介绍

[0002]传统的视觉方法测量六自由度数据时，需要在目标或船体上贴放标志物，通过识别跟踪标志物的运动来表示目标物体的运动，计算标志物的六自由度来代表目标物体的六自由度。但是在工业场景下，对每一艘停泊的国际油轮张贴或放置标记物是不现实的；同时码头停泊的油轮种类多、型号各异，很难人为锁定具备明显特征的关键点，无法用传统的视觉方法识别特征点；因此提出了无监督深度学习的方法，实现自动识别鲁棒特征点功能。

技术实现思路

[0003]本专利技术的目的是为了解决上述技术问题，而提出的一种基于无监督深度学习的船舶六自由度计算方法，其运用无监督深度学习的方法，不放置任何标记物，以非接触双目视觉的方式，实时检测船舶位置和运动，无监督地识别和跟踪鲁棒特征点，实时计算得到船舶六自由度运动数据，且精度达到工程需求。
[0004]为了实现上述目的，本专利技术采用了如下技术方案：
[0005]一种基于无监督深度学习的船舶六自由度计算方法，包括以下步骤：
[0006]S1，架设安装两个相机，使其拍摄范围能够覆盖船舶运动范围，双目相机对现场进行图像采集；
[0007]S2，采用基于SuperPoint的鲁棒特征点识别与跟踪算法，对采集到的图像进行鲁棒特征点的识别与跟踪，对双目相机前后两帧四幅图片所进行的三次匹配的结果进行处理，得到同一帧双目两幅图像的对应点坐标以及前后帧的相同特征点的对应坐标；
[0008]S3，采用基于视差的双目三维解算算法，对得到的同一帧双目两张图片的匹配点的对应坐标进行三维坐标转换，并对生成的点云进行离群值处理；
[0009]S4，采用基于SVD的方法计算船舶运动六自由度数据。
[0010]优选地，所述S2中采用基于SuperPoint的鲁棒特征点识别与跟踪算法，通过自监督的方式训练网络，完成对特征点位置和特征点描述符的模型训练。
[0011]优选地，所述S3中的基于视差的双目三维解算算法具体为：双目立体视觉模型的基础是建立相机成像模型，所述相机成像模型是假设光线全部通过一个无限小的小孔并投影到图像平面上，通过该过程建立世界坐标系和相机坐标系和成像平面坐标系间的坐标关系。
[0012]优选地，所述双目立体视觉模型如图1所示，其原理是同一空间点在双目成像平面处获得的两个投影点，两个投影点分别与对应相机光心连接可以获得两条经过该空间点的空间直线，这两条直线的交点就是该空间点，因此双目视觉系统可以获得空间点的深度信息。通过该过程建立三维空间点和二维图像点间的坐标关系。
[0013]优选地，所述S4中的基于SVD的计算船舶运动六自由度数据方法为：
[0014]A1，求解旋转矩阵R和平移向量T；
[0015]A2，求解六自由度数据。
[0016]本专利技术的有益效果为：
[0017]本专利技术运用无监督深度学习的方法，不放置任何标记物，以非接触双目视觉的方式，实时检测船舶位置和运动，无监督地识别和跟踪鲁棒特征点，实时计算得到船舶六自由度运动数据，且精度达到工程需求。
附图说明
[0018]图1为平行双目立体视觉模型图；
[0019]图2为平行双目立体视觉原理图；
[0020]图3为相机针孔成像模型图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0022]参照图1
‑
3，一种基于无监督深度学习的船舶六自由度计算方法，包括以下步骤：
[0023]S1，架设安装两个相机，使其拍摄范围能够覆盖船舶运动范围，双目相机对现场进行图像采集；
[0024]S2，采用基于SuperPoint的鲁棒特征点识别与跟踪算法，对采集到的图像进行鲁棒特征点的识别与跟踪，对双目相机前后两帧四幅图片所进行的三次匹配的结果进行处理，得到同一帧双目两幅图像的对应点坐标以及前后帧的相同特征点的对应坐标；
[0025]S3，采用基于视差的双目三维解算算法，对得到的同一帧双目两张图片的匹配点的对应坐标进行三维坐标转换，并对生成的点云进行离群值处理；
[0026]S4，采用基于SVD的方法计算船舶运动六自由度数据。
[0027]本专利技术中，所述S2中采用基于SuperPoint的鲁棒特征点识别与跟踪算法，通过自监督的方式训练网络，完成对特征点位置和特征点描述符的模型训练，其训练损失函数：
[0028][0029]整个损失函数由两部分组成，计算特征点位置损失，计算特征点描述符损失。
[0030][0031][0032]输入图像大小为H
×
W，公式中H
c
＝H/8，W
c
＝W/8，是计算交叉熵损失。在一个hw
的区域里面如果存在多个特征点，会随机取一个作为ground
‑
truth。这样每个区域就是做个65类分类问题。
[0033][0034]l
d
(d，d
′
；s)＝λ
d
*s*max(0，m
p
‑
d
T
d
′
)+(1
‑
s)*max(0，d
T
d
′‑
m
n
)
[0035][0036]出于计算量的考虑，描述符的损失在低分辨率H
c x W
c
上计算。p
hw
为对应区域的中心点坐标，是对p
hw
做单应性变换S
hwh
′
w
′
代表两个区域是否匹配。是计算hingeloss，正边界取m
p
，负边界取m
n
，因为正负样本不平衡，需要用λ
d
平衡一下。λ
d
＝250，m
p
＝1，m
n
＝0.2。
[0037]本专利技术中，所述S3中的基于视差的双目三维解算算法具体为：双目立体视觉模型的基础是建立相机成像模型，所述相机成像模型是假设光线全部通过一个无限小的小孔并投影到图像平面上，通过该过程建立世界坐标系和相机坐标系和成像平面坐标系间的坐标关系。
[0038]本专利技术中，所述双目立体视觉模型如图1所示，其原理是同一空间点在双目成像平面处获得的两个投影点，两个投影点分别与对应相机光心连接可以获得两条经过该空间点的空间直线，这两条直线的交点就是该空间点，因此双目视觉系统可以获得空间点的深度信息。通过该过程建立三维空间点和二维图像点间的坐标关系。
[0039]一个简单的双目立体视觉系统原理图如图2所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督深度学习的船舶六自由度计算方法，其特征在于，包括以下步骤：S1，架设安装两个相机，使其拍摄范围能够覆盖船舶运动范围，双目相机对现场进行图像采集；S2，采用基于SuperPoint的鲁棒特征点识别与跟踪算法，对采集到的图像进行鲁棒特征点的识别与跟踪，对双目相机前后两帧四幅图片所进行的三次匹配的结果进行处理，得到同一帧双目两幅图像的对应点坐标以及前后帧的相同特征点的对应坐标；S3，采用基于视差的双目三维解算算法，对得到的同一帧双目两张图片的匹配点的对应坐标进行三维坐标转换，并对生成的点云进行离群值处理；S4，采用基于SVD的方法计算船舶运动六自由度数据。2.根据权利要求1所述的一种基于无监督深度学习的船舶六自由度计算方法，其特征在于，所述S2中采用基于SuperPoint的鲁棒特征点识别与跟踪算法，通过自监督的方式训练网络，完成对特征点位置和特征点描述符的模型训练。3.根据权利要求1所述的一种基于无监督深...

【专利技术属性】
技术研发人员：李思彤，唐筱宁，董军宇，亓琳，杨效禹，范浩，张述，饶源，费华平，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：