论文部分内容阅读
大型装备研制以及高端制造业发展,对卫星天线、航空器、油罐等大型构件三维几何参量的精密测量提出了迫切需求。然而,被测大型构件具有大尺寸、结构复杂、要求的测量精度高等特点,且测量环境多变,现有三维测量仪器量程小、测量模式单一、测量精度低,尤其是对合作目标瞄准精度较低。因此,面向大型构件三维几何参量精密测量中合作目标瞄准的应用需求,研究多类型合作目标检测及其位姿估计方法,提高对多类型合作目标的瞄准精度,为大型构件三维几何参量的精密测量提供支撑,具有重要的理论意义和应用价值。本文在详细分析现有目标检测及其位姿估计方法的基础上,提出了一种基于密集连接和空间金字塔池化YOLO(Dense Connection and Spatial Pyramid Pooling Based YOLO,DC-SPP-YOLO)的目标检测方法。该方法结合生成对抗网络扩增训练样本数量及多样性;在YOLOv2的基础上,利用改进的密集连接代替卷积层原有的逐层连接,引入新空间金字塔池化汇聚图像局部区域特征,采用交叉熵表示目标分类损失并构建新损失函数,训练模型实现目标检测。相较于YOLOv2,DC-SPP-YOLO增强了特征信息流在网络中的传播,使更丰富的图像特征得到充分利用,提高了目标检测精度。在此基础上,构建了成像模型,提取并匹配了目标几何特征,提出了一种基于非线性优化EPnP的目标位姿估计方法。该方法将EPnP位姿估计结果作为初值,利用LM算法对其进行非线性优化,在优化中采用李代数将有约束优化问题转化为无约束优化问题,简化了求解过程;通过迭代优化,提高了位姿估计精度并保持较快位姿估计速度。实验结果表明,采用PASCAL VOC和UA-DETRAC标准数据集测试,所提出的DC-SPP-YOLO方法目标检测精度比YOLOv2提高了1.20%-2.25%,采用多类型合作目标图像集测试,DC-SPP-YOLO方法的目标检测精度比YOLOv2的目标检测精度提高了 5.89%,目标检测速度达到58.9 fps;采用检测出的合作目标图像测试,基于非线性优化EPnP方法的位姿估计误差相较于EPnP方法减少了 0.024-0.395像素,并且位姿估计速度接近EPnP方法。所提出的方法提高了目标检测及其位姿估计精度并保持较快检测速度,实现了大型构件几何参量三维测量中合作目标高精度实时瞄准。