[發明專利]基于深度學習的測距方法、裝置、設備及存儲介質

有效

• 申請號: 201910119576.2
• 申請日: 2019-02-16
• 公開（公告）號: CN109859216B
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 陳小明;張小龍;劉志愿
• 申請（專利權）人: 深圳市未來感知科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/292;G06T7/70;G06T7/73;G06N3/04
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 胡海國

1.一種基于深度學習的測距方法，其特征在于，所述基于深度學習的測距方法包括：

在接收到各個觀測點針對同一觀測對象分別捕獲的各個待識別測距圖像時，將所述各個待識別測距圖像關聯，得到目標關聯測距圖像集合；

獲取預設的視覺測距圖像的圖像用例，挑選預設比例的所述圖像用例設為第一用例，將所述圖像用例中所述第一用例外的其他用例設為第二用例；

將所述第一用例作為訓練用例進行預設深度學習網絡模型對應基礎識別網絡模型的調整訓練，以調整訓練所述基礎識別網絡模型中針對所述視覺測距圖像的測距函數中的標定參數，以及校正擬合函數；

將所述第二用例作為測試用例進行調整訓練后的所述基礎識別網絡模型的測試，以最終得到所述預設深度學習網絡模型；

將所述目標關聯測距圖像集合輸入至預設深度學習網絡模型中，以確定所述觀測對象的目標位置，其中，所述預設深度學習網絡模型是已經訓練完成的基于關聯測距圖像集合確定觀測對象位置的模型；

輸出所述觀測對象的目標位置。

2.如權利要求1所述的基于深度學習的測距方法，其特征在于，所述將所述第一用例作為訓練用例進行預設深度學習網絡模型對應基礎識別網絡模型的調整訓練，以調整訓練所述基礎識別網絡模型中針對所述視覺測距圖像的測距函數中的標定參數，以及校正擬合函數步驟包括：

將所述第一用例作為訓練用例輸入至所述基礎識別網絡模型中；

對所述第一用例中的各個關聯測距圖像集合中的各個關聯測距圖像分別進行預設次數的卷積與最大池化交替處理，得到初始處理結果；

基于預設的各個觀測點之間的位置關系、每個關聯測距圖像集合中所述初始處理結果中的圖像大小，以及每個關聯測距圖像集合分別對應的觀測對象的確定位置，有序調整訓練所述基礎識別網絡模型中針對所述視覺測距圖像的測距函數中的標定參數，以及校正擬合函數。

3.如權利要求2所述的基于深度學習的測距方法，其特征在于，所述對所述第一用例中的各個關聯測距圖像集合中的各個關聯測距圖像分別進行預設次數的卷積與最大池化交替處理，得到初始處理結果步驟包括：

獲取預設的各個觀測對象的各個圖像權值矩陣，根據所述各個圖像權值矩陣對所述各個關聯測距圖像分別進行卷積處理，得到卷積處理結果；

對所述卷積處理結果進行最大池化處理，以得到最大池化處理結果；

根據所述預設次數，對所述最大池化處理結果再次進行相應次數的卷積與最大池化交替處理，并進行預設激活函數的激活處理以得到初始處理結果。

4.如權利要求3所述的基于深度學習的測距方法，其特征在于，所述對所述卷積處理結果進行最大池化處理，以得到最大池化處理結果步驟包括：

將所述卷積處理結果分割為多個大小一致的預設尺寸的圖像矩陣；

獲取所述預設尺寸的圖像矩陣中的最大像素值，將所述最大像素值代替所述預設尺寸的圖像矩陣，以得到新的圖像矩陣；

將所述新的圖像矩陣設為所述最大池化處理結果。

5.如權利要求1所述的基于深度學習的測距方法，其特征在于，所述在接收到各個觀測點針對同一觀測對象分別捕獲的各個待識別測距圖像時，將所述各個待識別測距圖像關聯，得到目標關聯測距圖像集合步驟包括：

在接收到兩個觀測點的雙目攝像機針對同一觀測對象分別捕獲的兩個待識別測距圖像時，將所述兩個待識別測距圖像關聯，得到目標關聯測距圖像集合；

在接收到兩個以上觀測點的多目攝像機針對同一觀測對象分別捕獲的多個待識別測距圖像時，將所述多個待識別測距圖像關聯，得到目標關聯測距圖像集合。