[发明专利]深度成像方法、电子设备及存储介质

说明书

本发明实施例涉及数据处理领域，公开了一种深度成像方法、电子设备及存储介质。本申请部分实施例中，深度成像方法包括：获取散斑图像；根据散斑图像和预训练的随机森林，得到散斑图像中各像素的深度信息；其中，随机森林中包括基于训练样本生成的决策树，决策树的输入数据包括散斑图像的像素的窗口图像，决策树的输出数据包括像素的深度信息；根据各像素的深度信息，进行深度成像。本申请实施例提供的技术方案可以快速估计深度信息，进行深度成像，使得可以在高分辨下达到高帧率。

技术领域

本发明实施例涉及数据处理领域，特别涉及一种深度成像方法、电子设备及存储介质。

背景技术

深度恢复技术相关主流的相机有主动式结构光单目相机、被动式双目相机等。其中，基于空间编码结构光的单目相机，广泛应用于消费电子、安防中。而目前结构光相机的深度成像方法主要有基于块匹配的单目结构光深度成像方法和基于卷积神经网络的单目结构光深度成像方法。

在基于块匹配的单目结构光深度成像方法中，有计算量较小的区域生长方案，即在种子点像素处做完整视差范围内的块匹配，再在种子点邻域做生长遍历，做较小视差范围内的块匹配，也有计算量较大的全局方案，即在每个像素处做完整视差的块匹配。然而，计算量较小的区域生长方案，很难并行，计算量较大的全局方案容易实现并行，但它们都是基于块匹配的方法，在做匹配程度计算时都需要进行高强度地计算。常见的用于计算匹配程度的算法有零均值归一化(Zero-Normalized Cross-Correlation，ZNCC)算法、灰度差绝对值的和(Sum of Absolute Differences，SAD)等，其匹配准确性与块的大小有关。块越大，越准确，但块越大，计算量越大，计算量与块边长的平方成正比。

基于卷积神经网络的单目结构光深度成像方法一般设计为端到端结构，输入场景的散斑图，输出场景的视差图。卷积神经网络由多种卷积层、池化层、激活函数等组成。计算量一般比传统基于块匹配的方法更大，很难在高分辨高精度下做到实时。

由上可知，由于传统的基于块匹配的单目结构光深度成像方法需要进行视差范围数量的块与块之间的匹配计算；基于卷积神经网络的单目结构光深度成像方法如果追求高精度，需要层数很多的网络模型。因此，上述方法都很难在高分辨下达到高帧率。

发明内容

本发明实施方式的目的在于提供一种深度成像方法、电子设备及存储介质，可以快速估计深度信息，进行深度成像，使得可以在高分辨下达到高帧率。

为解决上述技术问题，第一方面，本发明实施例提供了一种深度成像方法，包括：获取散斑图像；根据散斑图像和预训练的随机森林，得到散斑图像中各像素的深度信息；其中，随机森林中包括基于训练样本生成的决策树，决策树的输入数据包括散斑图像的像素的窗口图像，决策树的输出数据包括像素的深度信息；根据各像素的深度信息，进行深度成像。

第二方面，本发明实施例提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述实施方式提及的深度成像方法。

第三方面，本发明实施例提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，实现如上述实施方式提及的深度成像方法。

本发明实施例提供的深度成像方法、电子设备及存储介质中，相对于基于卷积神经网络等深度成像方法，通过随机森林模型来估计散斑图像的深度信息，以实现深度成像，其通过随机森林估计深度信息的过程更为简单，更易判断，计算量更小，可以更快地估计散斑图像的深度信息，进而在高分辨率下达到高帧率。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。