(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210720132.6 (22)申请日 2022.06.23 (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 1 1514 专利代理师 胡林 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06T 17/00(2006.01)G06V 10/764(2022.01) G06V 10/774(2022.01) (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 。 权利要求书2页 说明书7页 附图1页 CN 115098944 A 2022.09.23 CN 115098944 A 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Blender  Render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， 利用所述合成图像权　利　要　求　书 1/2 页 2 CN 115098944 A 2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， 计算该所有图像的平均特征向量， 得到第k个角度区间对应的姿态 原型， 从而得到图像域多尺度姿态 原型。 6.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S5中， 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 具体包括： 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， 得到输入图像的姿 态值； 利用所述多尺度姿态 原型和所述输入图像的姿态值计算目标函数； 利用梯度下降优化所述目标函数并更新所述初始模型， 得到优化后的初始模型。 7.根据权利要求6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 述目标函数包括： 离散姿态表征的交叉熵损失、 连续姿态表征的均方误差和不同尺度、 不同 角度区间上原域、 目标域和混合 域两两之间的原型距离 。 8.根据权利要求4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 选包括： 将所述第一概率密度值的角度估计值转化为热独编码， 再将所述热独编码转换到 高斯 空间得到对应姿态软标签， 计算姿态软标签和所述概率密度值之间的余弦距离， 根据所述 余弦距离对所述伪姿态标签进行筛 选。 9.根据权利要求4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 选还包括： 将所述顺序二分类器输出的姿态估计值转换成零一向量的形式， 得到连续估计值零一 向量； 计算所述连续估计值零一向量与 所述顺序二分类器输出的零一向量之间的欧式距离， 根据所述欧式距离对所述伪姿态标签进行筛 选。权　利　要　求　书 2/2 页 3 CN 115098944 A 3