度的捕捉的图像的轮廓。在系统的教导 过程中，在特征向量被评估时，有足够的信息来在范围和姿态角度类之间进行内插。这还给 出了F0V中的已知物体的距离和取向的粗略估计。在给定通用抓持装置的近似特点的情况 下，该信息本身足以为机器人装置提供引导以抓持已知物体。
[0094] 测试530也在配置和实施（530)之前发生，且包括采用摄像头以捕捉包括已知物 体和姿态立方体的位图图像文件形式的图像（532)。图像中的轮廓被识别（533)且姿态立 方体被识别（535)。对图像的轮廓执行特征计算（536)，以确定特征向量（537)，该特征向量 被提供到分类器（542)。姿态立方体的角度被读取（538)，以确定其观察角度（539)，且观察 角度变换为特定类（540)。分类器（542)基于训练估计特定类544,且被估计的特定类544 与特定类相比以验证结果（546)。
[0095] 用于测试段530的基础涉及验证数学分类器的特征定义。基本验证过程包括通 过训练组来测试分类器（542)，以确保特征向量可确实将类分开。该测试目的是显示对于 100%的训练样本来说，已知的类与估计的类相同。否则，需要额外训练和开发，以改善类之 间的特征向量分离。在训练组验证成功时，分类器随后通过训练期间未使用的已知样本组 而被测试。这指示了分类器分类的能力。理想地，这是100%的，但是取决于分类的复杂性 而可能更低。
[0096] 已知物体分类例程500被配置使用（550)，以确定已知物体相对于数字摄像头的 范围和姿态。这包括采用摄像头来捕捉包括已知物体的位图图像文件形式的图像（552)。 图像中的轮廓被识别（553)且对图像的轮廓执行特征计算（556)，以确定图像特征向量 (557)，该特征向量被提供到分类器（562)。分类器步骤（562)将图像特征向量与训练和测 试部分（步骤510到546)期间产生的多个分类器特征向量的每一个比较，并且选择多个 分类器特征向量中的最接近地对应于图像特征向量的一个（564)。这包括采用统计分析技 术，以基于训练将分类器特征向量中的特定一个估计或以其它方式选择为对应于图像特征 向量。所选择的分类器特征向量（564)可用于确定已知物体相对于数字摄像头的范围和姿 态（566)。
[0097]分类器（562)的在线使用包括生成特征向量和通过分类器评估特征向量。在处理 时间方面，特征向量生成花费最长时间执行。在一个实施例中，生成特征向量会花费l〇ms， 且在用双核2. 8GHz处理器评估时花费小于lms。
[0098] 使用具有26个类的MLP(数学分类器），已知物体的观察角度的评估达到95%的 成功率。其优势在于是允许动态实时配置的处理速度。训练可通过姿态立方体而实现，以 自动化确定用于与训练样本一起使用的实际的观察角度的过程。
[0099] 系统允许已知物体的相对取向的迅速评估，以选择末端执行器和已知物体之间交 互的适当的方法，包括使得能够快速估计已知物体相对于获得感兴趣的场景的图像的摄像 头系统的相对取向和距离（按比例尺）。此外，在具有物体的场景中采用3D姿态伪影有助 于对系统针对具体物体进行教导。
[0100] 系统有助于物体相对于摄像头的姿态的初始粗略估计，采用快速低成本2D图像， 以估计已知物体的6个自由度（D0F)。教导可包括使用在图像中位于已知物体附近的姿态 立方体来进行教导，并且用于姿态立方体的姿态参考技术与来自于种子（seed)文件的合 成图像一起使用，所述种子文件源于计算机辅助设计（CAD)环境。在使用中，系统允许快速 估计，该快速估计可按原样使用，或用于"引发"和促进更精确的技术。这种操作提高作为 处理使能器的机器人引导能力的速度和灵活性，且通过使用简单的2D传感器和照明来降 低机器人引导应用的复杂性。
[0101] 图或附图以及详细的描述对本公开是支持性和描述性的，但是本公开的范围仅通 过权利要求而限定。尽管已经对实施本公开的较佳模式和其他实施例的一些进行了详尽的 描述，但是还存在用于实践附加的权利要求所限定的本公开的多种替代设计和实施例。
【主权项】
1. 一种用于对数字摄像头的视野中的已知物体进行分类的方法，该方法包括： 产生多个分类器特征向量，每一个分类器特征向量与已知物体的多个面观察角度中的 一个相关联； 使用数字摄像头捕捉包括已知物体的视野中的图像； 基于所述捕捉的图像生成图像特征向量； 将所述图像特征向量与多个分类器特征向量中的每一个相比较，并且选择所述多个分 类器特征向量中最接近地对应于所述图像特征向量的一个；以及 基于所选择的分类器特征向量而确定已知物体相对于所述数字摄像头的姿态。2. 如权利要求1所述的方法，其中产生多个分类器特征向量包括： 将姿态伪影以已知空间关系固定地耦接到已知物体；并且 对于面观察角度的每一个： 生成包括已知物体和姿态伪影的图像； 识别图像中的已知物体和姿态伪影； 确定已知物体的特征向量； 确定姿态伪影的观察角度； 将姿态伪影的观察角度变换为与面观察角度相关联的多个类中的特定一个；和 将已知物体的特征向量和所述与面观察角度相关联的多个类中的特定一个建立联系。3. 如权利要求2所述的方法，其中生成包括已知物体和姿态伪影的图像包括：采用计 算机辅助设计环境以生成采用已知物体和姿态伪影的3D实体模型的合成图像。4. 如权利要求2所述的方法，其中生成包括已知物体和姿态伪影的图像包括采用数字 摄像头以捕捉包括已知物体和姿态伪影的位图图像文件形式的图像。5. 如权利要求2所述的方法，其中姿态伪影包括姿态立方体；并且其中确定姿态伪影 的观察角度包括识别所述姿态立方体的多个面中的一个以及确定所述姿态立方体的取向。6. 如权利要求5所述的方法，其中所述姿态立方体包括六个面，且其中每一个面包括 独特的识别符元素和独特定位的缩放取向元素。7. 如权利要求1所述的方法，其中产生多个分类器特征向量包括： 对于每一个面观察角度： 生成包括已知物体和相对于已知物体以空间关系布置的姿态伪影的图像； 识别图像中的已知物体和姿态伪影； 确定已知物体的特征向量； 确定姿态伪影的观察角度； 将姿态伪影的观察角度变换为与面观察角度相关联的多个类中的特定一个；以及 将已知物体的特征向量和所述与面观察角度相关联的多个类中的特定一个建立联系。8. 如权利要求7所述的方法，其中识别图像中的已知物体和姿态伪影包括：识别图像 中已知物体和姿态伪影的轮廓，并且其中确定已知物体的特征向量包括确定已知物体轮廓 的特征向量。9. 如权利要求7所述的方法，其中生成包括已知物体和相对于已知物体以空间关系 布置的姿态伪影的图像包括：使用数字摄像头捕捉包括已知物体和姿态伪影的视野中的图 像。10.如权利要求7所述的方法，其中生成包括已知物体和相对于已知物体以空间关系 布置的姿态伪影的图像包括：在采用3D实体模型的计算机辅助设计（CAD)环境中生成包括 已知物体和相对于已知物体以空间关系布置的姿态伪影的图像。
【专利摘要】一种用于对数字摄像头视野中的已知物体分类的方法，包括形成多个分类器特征向量，每一个分类器特征向量与已知物体的多个面观察角度中的一个相关联。数字摄像头捕捉包括已知物体的视野中的图像，并且图像特征向量基于所述捕捉图像而生成。将图像特征向量与多个分类器特征向量的每一个比较，并且选择多个分类器特征向量中最接近地对应于图像特征向量的一个。已知物体相对于数字摄像头的姿态基于所选择的分类器特征向量而确定。
【IPC分类】G06K9/62, G06K9/46
【公开号】CN105426901
【申请号】CN201410645595
【发明人】S.弗朗索瓦, J.W.韦尔斯, N.D.麦凯
【申请人】通用汽车环球科技运作有限责任公司
【公开日】2016年3月23日
【申请日】2014年11月12日
【公告号】DE102014114440A1, US20160086028