[发明专利]多视点立体视频的深度序列生成方法和装置

权利要求书

1.一种多视点立体视频的深度序列生成方法，其特征在于，包括以下步骤：

提供多视点立体视频序列，其中，所述多视点立体视频序列的视点的数量为N，N为不小于2的整数；

根据所述多视点立体视频序列构造所述多视点立体视频序列的贝叶斯模型，并根据所述贝叶斯模型确定所述多视点立体视频序列中每一帧图像中每一个像素点的深度获取方式；

根据所述深度获取方式对相应的像素点进行深度赋值以得到所述每一帧图像的深度图像，其中，所述深度获取方式包括时域预测方法、视点间预测方法和深度计算方法；和

根据所述多视点立体视频序列的每个视点和所述每一帧图像的采集时间对全部所述深度图像进行整合，以得到与所述多视点立体视频序列对应的深度序列。

2.根据权利要求1所述的深度序列生成方法，其特征在于，所述贝叶斯模型包括：

时域贝叶斯模型，所述时域贝叶斯模型为根据所述多视点立体视频序列的同一视点下的所述每一帧图像的获取时间建立；以及

视点间贝叶斯模型，所述视点间贝叶斯模型为根据所述多视点立体视频序列在同一时刻、不同视点的N个图像间的关系建立。

3.根据权利要求2所述的深度序列生成方法，其特征在于，所述时域贝叶斯模型如下所示：

P(T|ft(x,y))=P(ft(x,y)|T)P(T)P(ft(x,y)|T)P(T)+P(ft(x,y)|T‾)P(T‾)]]>式1，

P(T‾|ft(x,y))=P(ft(x,y)|T‾)P(T‾)P(ft(x,y)|T‾)P(T‾)+P(ft(x,y)|T)P(T)]]>式2，

其中，T为表示所述多视点立体视频序列的帧I中的像素点I_t(x，y)的深度值可通过所述时域预测方法得到的概率事件，P(T)为事件T发生的先验概率，为表示所述I_t(x，y)的深度值不能通过所述时域预测方法得到的所述概率事件T的概率逆事件，表示事件发生的先验概率，f_t(x，y)为像素点I_t(x，y)的时域特征参数，其中，所述(x，y)为像素点I_t(x，y)在所述帧I中的坐标，所述t为帧I的采集时间，P(f_t(x，y)|T)为事件T发生时f_t(x，y)的概率分布，为事件发生时f_t(x，y)的概率分布；

所述视点间贝叶斯模型如下所示：

P(S|fs(x,y))=P(fs(x,y)|S)P(S)P(fs(x,y)|S)P(S)+P(fs(x,y)|S‾)P(S‾)]]>式3，

P(S‾|fs(x,y))=P(fs(x,y)|S‾)P(S‾)P(fs(x,y)|S‾)P(S‾)+P(fs(x,y)|S)P(S)]]>式4，

其中，S为表示I_t(x，y)的深度值可通过所述视点间预测方法得到，为表示所述I_t(x，y)的深度值不能通过所述视点间预测方法得到的所述概率事件S的概率逆事件，f_s(x，y)为像素点I_t(x，y)的视点间特征参数，其中，P(S)为事件T出现的先验概率。为表示所述I_t(x，y)的深度值不能通过所述时域预测方法得到的所述概率事件S的概率逆事件，表示事件发生的先验概率。P(f_s(x，y)|S)为事件S出现时f_s(x，y)的概率分布，为事件发生时f_s(x，y)的概率分布。