[发明专利]基于SVM模型的单目红外图像深度估计方法

说明书

技术领域

本发明涉及一种能够对单目红外图像进行深度估计的方法，通过本方法可对红外图像中的场景的空间位置信息进行估计。

背景技术

图像的深度估计即是从图像中获取深度距离信息，从本质上讲是一个深度感知的问题。由深度感知构建的空间位置信息所表征的是从观察者到场景中检测到的表面的相对距离。恢复彩色图像中的深度距离信息现在已有比较理想的算法，但对于红外图像来说，因其反映的是场景的温度分布，有着低信噪比、低对比度等缺陷，恢复该图像的深度算法尚属空白。若能恢复红外图像的深度信息，那么将极大地提高人眼对该图像的理解效果。

目前图像深度估计方法主要是针对双目深度线索和基于图像序列的深度估计展开的，这两种方法都依赖于图像间的特征差异。而对于单目深度估计，在早期传统的算法当中较为经典的是“由阴影恢复形状(shape from shading)”，该算法以空间立体几何为理论基础，依据光源照射到物体表面所产生的明暗变化即图像的阴影来恢复物体深度的，但因为该算法需要先验知识(如反射模型和光源方向等)使得应用的局限性增加。之后，一些研究者逐渐发现经验的重要性，开始利用机器学习的方法去解决这一问题。斯坦福大学Andrew Ng的团队通过利用马尔科夫场训练的模型对单幅图像进行深度估计，达到了很好的效果；卡耐基梅隆大学的Aloysha Efros团队则在训练前手动标定场景中简单的类别，比如天空、树木、地面及垂直线等等，然后利用大量的数据学习这些类别，并最终通过构建贝叶斯模型对新图像进行分类从而恢复深度信息。这种方法虽然对一系列场景简单的图片较为适用，并且达到了预期的效果，但对于场景中没有学习的类别往往是不准确的。

发明内容

本发明的目的是提供一种针对红外图像进行深度估计的方法，通过该方法可以较为准确地估计红外图像的深度信息。

为了达到上述目的，本发明的技术方案是提供了一种基于SVM模型的单目红外图像深度估计方法，其特征在于，步骤为：

步骤1、获取任意单目红外图像I(x，y)及与该单目红外图像I(x，y)所对应的深度图；

步骤2、为单目红外图像I(x，y)中的每个像素点设定至少三个不同尺度上的特征区域，三个不同尺度由小到大分别为：第一尺度、第二尺度及第三尺度，其中，每个尺度的特征区域至少包括位于中心的图像块及与该图像块上、下、左、右相邻的图像块，第i个像素点在第一尺度上的位于中心的图像块为第i个像素点本身，该第i个像素点在第二尺度上的位于中心的图像块包含第一尺度上的所有图像块，该第i个像素点在第三尺度上的位于中心的图像块包含第二尺度上的所有图像块，以此类推；

步骤3、计算单目红外图像I(x，y)中每个像素点所对应的特征区域的特征向量，第i个像素点的特征向量的特征分量至少包括：第i个像素点在第一尺度上的所有图像块的灰度值，第i个像素点在除第一尺度外的其他尺度上的各图像块的纹理能量，第i个像素点在除第一尺度外的其他尺度上的各图像块的不同方向的梯度能量及所有梯度能量的均值和方差，及第i个像素点在除第一尺度外的其他尺度上的各图像块的清晰度；

步骤4、对步骤3中已获取的所有特征向量依次利用逐步线性回归分析和独立分量分析的方法进行筛选，得到较为符合红外图像深度信息的特征向量；

步骤5、利用通过步骤4筛选得到特征向量与该单目红外图像I(x，y)所述对应的深度图构建深度训练样本集合，将深度训练样本集合中的特征向量映射到另一新的特征空间中，并把新的特征空间与深度图的深度值用支持向量回归进行非线性拟合，进而构建深度模型；

步骤6、将采集到的新单目红外图像通过步骤5得到的深度模型分析得到深度估计值。

优选地，步骤3中所述纹理能量通过劳斯掩膜计算得到，具体步骤为：

采用N个基本的二维劳斯掩膜，记为M₁，...，M_N，将所述单目红外图像I(x，y)与每一个二维劳斯掩膜做卷积，则单目红外图像I(x，y)与第k个二维劳斯掩膜卷积后的值为：T_k(x，y)＝I(x，y)×M_k，k＝1，...，N，则第i个像素点在第j尺度上的第m个图像块Nⁱ(m)在单目红外图像I(x，y)与第k个二维劳斯掩膜卷积后得到的纹理能量为