[發明專利]深度成像方法、電子設備及存儲介質

有效

• 申請號: 202110954201.5
• 申請日: 2021-08-19
• 公開（公告）號: CN113674335B
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 戶磊;曹天宇;王海彬;王亞運;化雪誠
• 申請（專利權）人: 合肥的盧深視科技有限公司
• 主分類號: G06T7/50
• 分類號: G06T7/50;G06V10/764;G06K9/62
• 代理公司: 北京智晨知識產權代理有限公司 11584
• 代理人: 張婧

本發明實施例涉及數據處理領域，公開了一種深度成像方法、電子設備及存儲介質。本申請部分實施例中，深度成像方法包括：獲取散斑圖像；根據散斑圖像和預訓練的隨機森林，得到散斑圖像中各像素的深度信息；其中，隨機森林中包括基于訓練樣本生成的決策樹，決策樹的輸入數據包括散斑圖像的像素的窗口圖像，決策樹的輸出數據包括像素的深度信息；根據各像素的深度信息，進行深度成像。本申請實施例提供的技術方案可以快速估計深度信息，進行深度成像，使得可以在高分辨下達到高幀率。

技術領域

本發明實施例涉及數據處理領域，特別涉及一種深度成像方法、電子設備及存儲介質。

背景技術

深度恢復技術相關主流的相機有主動式結構光單目相機、被動式雙目相機等。其中，基于空間編碼結構光的單目相機，廣泛應用于消費電子、安防中。而目前結構光相機的深度成像方法主要有基于塊匹配的單目結構光深度成像方法和基于卷積神經網絡的單目結構光深度成像方法。

在基于塊匹配的單目結構光深度成像方法中，有計算量較小的區域生長方案，即在種子點像素處做完整視差范圍內的塊匹配，再在種子點鄰域做生長遍歷，做較小視差范圍內的塊匹配，也有計算量較大的全局方案，即在每個像素處做完整視差的塊匹配。然而，計算量較小的區域生長方案，很難并行，計算量較大的全局方案容易實現并行，但它們都是基于塊匹配的方法，在做匹配程度計算時都需要進行高強度地計算。常見的用于計算匹配程度的算法有零均值歸一化(Zero-Normalized Cross-Correlation，ZNCC)算法、灰度差絕對值的和(Sum of Absolute Differences，SAD)等，其匹配準確性與塊的大小有關。塊越大，越準確，但塊越大，計算量越大，計算量與塊邊長的平方成正比。

基于卷積神經網絡的單目結構光深度成像方法一般設計為端到端結構，輸入場景的散斑圖，輸出場景的視差圖。卷積神經網絡由多種卷積層、池化層、激活函數等組成。計算量一般比傳統基于塊匹配的方法更大，很難在高分辨高精度下做到實時。

由上可知，由于傳統的基于塊匹配的單目結構光深度成像方法需要進行視差范圍數量的塊與塊之間的匹配計算；基于卷積神經網絡的單目結構光深度成像方法如果追求高精度，需要層數很多的網絡模型。因此，上述方法都很難在高分辨下達到高幀率。

發明內容

本發明實施方式的目的在于提供一種深度成像方法、電子設備及存儲介質，可以快速估計深度信息，進行深度成像，使得可以在高分辨下達到高幀率。

為解決上述技術問題，第一方面，本發明實施例提供了一種深度成像方法，包括：獲取散斑圖像；根據散斑圖像和預訓練的隨機森林，得到散斑圖像中各像素的深度信息；其中，隨機森林中包括基于訓練樣本生成的決策樹，決策樹的輸入數據包括散斑圖像的像素的窗口圖像，決策樹的輸出數據包括像素的深度信息；根據各像素的深度信息，進行深度成像。

第二方面，本發明實施例提供了一種電子設備，包括：至少一個處理器；以及，與至少一個處理器通信連接的存儲器；其中，存儲器存儲有可被至少一個處理器執行的指令，指令被至少一個處理器執行，以使至少一個處理器能夠執行如上述實施方式提及的深度成像方法。

第三方面，本發明實施例提供了一種計算機可讀存儲介質，存儲有計算機程序，計算機程序被處理器執行時，實現如上述實施方式提及的深度成像方法。

本發明實施例提供的深度成像方法、電子設備及存儲介質中，相對于基于卷積神經網絡等深度成像方法，通過隨機森林模型來估計散斑圖像的深度信息，以實現深度成像，其通過隨機森林估計深度信息的過程更為簡單，更易判斷，計算量更小，可以更快地估計散斑圖像的深度信息，進而在高分辨率下達到高幀率。

附圖說明

一個或多個實施例通過與之對應的附圖中的圖片進行示例性說明，這些示例性說明并不構成對實施例的限定，附圖中具有相同參考數字標號的元件表示為類似的元件，除非有特別申明，附圖中的圖不構成比例限制。