[发明专利]一种基于多层特征的单目图像深度估计方法

摘要

本发明公开了一种基于多层特征的单目图像深度估计方法。选取原始单目深度估计图像以及其对应已知的深度估计标签图并构成训练集，构建神经网络，将训练集输入到神经网络模型中进行训练，计算每幅原始单目深度估计图像对应的深度预测图与原始单目深度估计图像对应的深度估计标签图构成的的损失函数值；不断迭代训练从而完成神经网络模型的训练；利用训练后获得的神经网络模型对待测的单目深度估计图像进行预测处理，输出获得对应的深度预测图。本发明实现了低、中、高层的特征图有效组合与不同层信息的有效互补，加快模型的运行速度，提高网络模型的效率，预测精确率提高，同时深度图的质量也进一步提升。

主权项

1.一种基于多层特征的单目图像深度估计方法，其特征在于方法包括以下步骤：步骤1_1：选取N幅高度为H、宽度为W的原始单目深度估计图像以及原始单目深度估计图像对应的已知的深度估计标签图；然后将所有原始单目深度估计图像及其对应的已知的深度估计标签图构成训练集，将训练集中的第n幅原始单目深度估计图像记为将第n幅原始单目图像对应的深度估计标签图记为其中，N为正整数，N≥100，W和H均能够被2整除，且n为正整数，n的初始值从1开始，1≤n≤N，1≤x≤W，1≤y≤H，表示坐标位置为(i,j)的像素点的像素值，表示坐标位置为(i,j)的像素点的像素值；步骤1_2：构建神经网络:步骤1_3：将训练集中的每幅原始单目深度估计图像及其深度估计标签图输入到神经网络模型中进行训练：训练过程中，将每次迭代训练处理中得到的每幅原始单目深度估计图像的深度预测图，记为表示坐标位置为(i,j)的像素点的像素值，计算每幅原始单目深度估计图像对应的深度预测图与原始单目深度估计图像对应的深度估计标签图构成的的损失函数值，记为采用Huber损失函数获得；不断迭代训练重复共V次，共得到N×V个损失函数值，然后从N×V个损失函数值中找出值最小的损失函数值作为模型参数，从而完成神经网络模型的训练；步骤1_4：利用训练后获得的神经网络模型对待测的单目深度估计图像进行预测处理，输出获得对应的深度预测图，实现单目图像深度估计。