[發(fā)明專利]一種單目深度估計方法

有效

• 申請?zhí)枺?/td>: 201910340694.6
• 申請日: 2019-04-25
• 公開（公告）號: CN110060286B
• 公開（公告）日: 2023-05-23
• 發(fā)明（設計）人: 張云洲;劉及惟;馮永暉;王帥;裴美淇
• 申請（專利權(quán)）人: 東北大學
• 主分類號: G06T7/50
• 分類號: G06T7/50
• 代理公司: 北京易捷勝知識產(chǎn)權(quán)代理有限公司 11613
• 代理人: 韓國勝

本發(fā)明實施例涉及一種單目深度估計方法，其包括：獲取待處理圖像，并對所述待處理圖像進行縮放處理，得到縮放圖像；對所述縮放圖像基于多尺度全卷積密集神經(jīng)網(wǎng)絡進行訓練，得到深度圖；對所述深度圖進行放大處理，得到與所述待處理圖像的尺寸大小相同的深度圖；其中對所述縮放圖像基于多尺度全卷積密集神經(jīng)網(wǎng)絡進行訓練包括：對所述縮放圖像進行特征提取，得到淺層特征；通過多尺度模塊對所述淺層特征進行特征連接，得到深層特征；將所述深層特征與處理后的淺層特征進行特征連接，得到所述深度圖。本發(fā)明實施例提供的方法通過多尺度全卷積密集神經(jīng)網(wǎng)絡對待處理圖像進行訓練，不僅可以大幅提高單目深度估計的準確率，還能提高單目深度估計的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機視覺技術(shù)領(lǐng)域，尤其涉及一種單目深度估計方法。

背景技術(shù)

目前，單目深度估計技術(shù)是計算機視覺領(lǐng)域中的熱門技術(shù)，該技術(shù)可以廣泛應用于3D建模、場景理解和深度感知等領(lǐng)域。

通常，單目深度估計算法主要可以分為三類，即傳統(tǒng)方法、基于深度學習的有監(jiān)督方法和基于深度學習的無監(jiān)督方法。其中，傳統(tǒng)方法使用圖像中提取的手工特征，通過馬爾科夫隨機場對圖像的相關(guān)關(guān)系進行建模，但是這些手工特征并不能較好地代表場景的3D結(jié)構(gòu)信息，因此性能不理想。基于深度學習的無監(jiān)督方法提出使用多視角信息作為有監(jiān)督信號，可以有效地減少訓練成本。而基于深度學習的有監(jiān)督方法需要大量的真實深度標簽，基于卷積神經(jīng)網(wǎng)絡具有的強大的從圖像中學習到豐富的特征表達的能力，可以提高單目深度估計的準確性。

基于上述，基于深度學習的有監(jiān)督方法具有準確率高的優(yōu)勢，但得到的深度圖中仍然存在細節(jié)模糊、邊緣不清晰等問題化。

上述缺陷是本領(lǐng)域技術(shù)人員期望克服的。

發(fā)明內(nèi)容

(一)要解決的技術(shù)問題

為了解決現(xiàn)有技術(shù)的上述問題，本發(fā)明提供一種單目深度估計方法，其可以在提高準確率的同時提高單目深度估計的深度，解決深度圖中細節(jié)模糊、邊緣不清晰的問題。

(二)技術(shù)方案

為了達到上述目的，本發(fā)明采用的主要技術(shù)方案包括：

本發(fā)明一實施例提供一種單目深度估計方法，其包括：

獲取待處理圖像，并對所述待處理圖像進行縮放處理，得到縮放圖像；

對所述縮放圖像基于多尺度全卷積密集神經(jīng)網(wǎng)絡進行訓練，得到深度圖；

對所述深度圖進行放大處理，得到與所述待處理圖像的尺寸大小相同的深度圖；

其中對所述縮放圖像基于多尺度全卷積密集神經(jīng)網(wǎng)絡進行訓練包括：

對所述縮放圖像進行特征提取，得到淺層特征；

通過多尺度模塊對所述淺層特征進行特征連接，得到深層特征；

將所述深層特征與處理后的淺層特征進行特征連接，得到所述深度圖。

本發(fā)明的一個實施例中，所述對所述縮放圖像進行特征提取，得到淺層特征包括：

對所述縮放圖像進行卷積運算；

利用DenseNet模塊密集連接機制對所述卷積運算的結(jié)果進行特征提取，得到l層網(wǎng)絡的輸出為x_l，

x_l＝H_l([x_l-1,x_l-2,...,x₀]),

其中H_l(·)表示非線性激活，[x_l-1,x_l-2,...,x₀]表示密集連接操作。