1.一种基于轻量级特征融合网络的类别级物体6D位姿估计方法,其特征在于,包括以下步骤:步骤S1,通过三维相机获取物体的深度图像,根据相机内部参数将深度图进行反投影得到物体点云;
步骤S2,将物体点云和形状先验输入至PointNet++网络,提取物体点云几何特征和形状先验几何特征,具体包括:先通过均匀下采样的方式对物体点云和形状先验采样1024个点,然后基于PointNet++网络利用度量空间距离自适应组合多尺度特征,得到物体点云和形状先验的几何特征;
步骤S3,将物体点云几何特征和形状先验几何特征输至特征融合网络进行密集融合,具体包括以下步骤:步骤S31,通过余弦相似度衡量物体点云几何特征和形状先验几何特征之间的相关性f(Xi,Yi),由下式表示:其中,n表示物体点云采样的总点数,m表示形状先验采样的总点数,Yi表示物体点云中第i个采样点的特征向量,Xi表示形状先验中第i个采样点的特征向量;
步骤S32,通过构建多层感知机计算物体点云和形状先验之间的相关性特征;
步骤S33,将物体点云几何特征Fo、形状先验几何特征Fr以及相关性特征Fd进行逐点密集融合,由下式表示:其中,表示融合了和的物体点云特征,表示融合了和的形状先验特征;
步骤S4,将进行密集融合后得到的融合特征输入多层感知机并进行平均池化,得到物体点云全局特征和形状先验全局特征,并通过变形网络重建得到重建物体模型,具体包括以下步骤:步骤S41,将物体点云特征、形状先验特征分别输入多层感知机并进行平均池化后得到物体点云全局特征和形状先验全局特征;
步骤S42,将形状先验、形状先验几何特征Fr、形状先验全局特征、物体点云几何特征Fo和物体点云全局特征作为变形网络输入;
步骤S43,所述形状先验几何特征、形状先验全局特征和物体点云全局特征构成形状先验融合特征,所述物体点云几何特征、物体点云全局特征和形状先验全局特征构成物体实例融合特征,通过由卷积神经网络构成的变形模块得到重建物体模型;
步骤S44,设置重建损失缩小重建物体模型与物体真实模型之间的差距,所述重建损失是重建物体模型与物体真实模型之间的倒角距离,表达式如下所示:其中,LCD表示重建损失,dCD表示倒角距离,表示物体真实模型,表示重建物体模型;
步骤S5,将物体点云几何特征、物体点云全局特征、形状先验几何特征以及形状先验全局特征通过位姿回归,得到物体的6D位姿。
2.根据权利要求1所述的方法,其特征在于,步骤S5具体包括以下步骤:步骤S51,将形状先验几何特征、形状先验全局特征、物体点云几何特征以及物体点云全局特征进行拼接后输至多层感知机网络并进行平均池化;
步骤S52,将池化后得到的特征送入全连接层,解算得到物体6D位姿。