[发明专利]基于深度卷积神经网络的物体识别与抓取位置检测方法

权利要求书

1.一种基于深度卷积神经网络的物体识别与抓取位置检测方法，其特征在于，基于预先构建并训练的包含区域建议网络、全连接层、分类器、第一回归器、第二回归器的深度卷积神经网络，该方法包括以下步骤：

步骤S10，服务机器人通过安装在自身的Kinect传感器获取原始彩色图像，作为第一图像；

步骤S20，将所述第一图像压缩为第二图像；所述第二图像的预设尺寸为M×N；

步骤S30，基于所述区域建议网络提取所述第二图像的特征图G，并对所述特征图G进行候选矩形框的提取，构建第一候选矩形框集合；

步骤S40，利用感兴趣区域池化对所述第一候选矩形框集合中的各候选矩形框在特征图G上所对应的特征进行处理，得到第一特征向量；第一特征向量经所述全连接层进行处理后得到第二特征向量；

步骤S50，将所述第一候选矩形框集合中的各候选矩形框所对应的第二特征向量，分别送入所述分类器中进行类别判定，并构建第二候选矩形框集合；

步骤S60，利用所述第一回归器对第二候选矩形框集合中的各候选矩形框分别进行调整，得到各候选矩形框所对应的定位矩形框，构建定位矩形框集合；

步骤S70，对于所述定位矩形框集合中的各定位矩形框，利用所述第二回归器分别计算各定位矩形框所对应物体的抓取位置。

2.根据权利要求1所述的基于深度卷积神经网络的物体识别与抓取位置检测方法，其特征在于：

步骤S50中对所述第一候选矩形框集合中的各候选矩形框进行类别判定的步骤包括：

步骤S501，将候选矩形框对应的第二特征向量通过所述分类器，生成1×n_obj维的向量其中，n_obj为所述分类器所对应的物体类别库中物体的类别数目，V_s中的各元素分别与物体类别库中的一个类别相对应；v_ξ为该第二特征向量所对应的候选矩形框存在物体类别库中的第ξ类物体的概率，其中ξ＝1,2,…,n_obj；

步骤S502，选取V_s中最大元素值M_Vs，并确定该元素值对应的物体类别C_M。

3.根据权利要求2所述的基于深度卷积神经网络的物体识别与抓取位置检测方法，其特征在于：

在步骤S502之后，对所述第一候选矩形框集合中各候选矩形框按照步骤S503进行筛选后得到第二候选矩形框集合，步骤S503包括：

当M_Vs≥T_s时，向量V_s对应的候选矩形框及其类别C_M保留，其中，T_s为预设的阈值；否则，向量V_s对应的候选矩形框从第一候选矩形框集合中删除。

4.根据权利要求1所述的基于深度卷积神经网络的物体识别与抓取位置检测方法，其特征在于，步骤S60中所述第一回归器用带有四个参数的向量t＝{t_x,t_y,t_w,t_h}进行表示，其中，t_x为横坐标平移量，t_y为纵坐标平移量，t_w为宽度缩放量，t_h为高度缩放量。