[发明专利]深度相机深度图实时去噪方法和装置在审
| 申请号： | 201910441785.9 | 申请日： | 2019-05-24 |
| 公开（公告）号： | CN110197464A | 公开（公告）日： | 2019-09-03 |
| 发明（设计）人： | 刘烨斌;王立祯;闫石;戴琼海 | 申请（专利权）人： | 清华大学 |
| 主分类号： | G06T5/00 | 分类号： | G06T5/00;G06T17/00;G06T15/00 |
| 代理公司： | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人： | 张润 |
| 地址： | 10008*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 去噪 深度图 卷积神经网络 深度图序列 方法和装置 深度相机 实时去噪 图片序列 申请 优化 | ||
1.一种深度相机深度图实时去噪方法，其特征在于，包括：
获取待去噪的深度图序列；
利用预先训练好的卷积神经网络，对所述待去噪的深度图序列进行去噪处理，获取去噪后的深度图序列。
2.如权利要求1所述的方法，其特征在于，通过以下方法训练卷积神经网络：
获取训练数据集，所述训练数据集中包含多张场景深度图；
对所述训练数据集进行三维重建，获取前景物体对应的三维模型；
利用所述三维模型进行渲染得到真值数据；
利用所述训练数据集与所述真值数据对初始卷积神经网络进行训练。
3.如权利要求2所述的方法，其特征在于，所述利用所述训练样本与所述真值数据对初始卷积神经网络进行训练，包括：
利用所述训练数据集和损失函数，对初始卷积神经网络的权重进行迭代回归优化，直至权重收敛，所述损失函数是能量函数的重建损失部分和法向约束部分的线性组合。
4.如权利要求3所述的方法，其特征在于，所述重建损失部分是所述训练数据集中的深度图对应的输出结果与真值数据的L1损失和L2损失之和；所述法向约束部分是训练数据集中的深度图对应的输出结果与真值数据的法向量点乘之和。
5.如权利要求2所述的方法，其特征在于，所述初始卷积神经网络是基于TensorFlow深度学习平台搭建的。
6.一种深度相机深度图实时去噪装置，其特征在于，包括：
获取模块，用于获取待去噪的深度图；
去噪模块，用于利用预先训练好的卷积神经网络，对所述待去噪的深度图进行去噪处理，获取去噪后的深度图。
7.如权利要求6所述的装置，其特征在于，还包括：
采集模块，用于获取训练数据集，所述训练数据集中包含多张场景深度图；
重建模块，用于对所述训练数据集进行三维重建，获取前景物体对应的三维模型；
渲染模块，用于利用所述三维模型进行渲染得到真值数据；
训练模块，用于利用所述训练数据集与所述真值数据对初始卷积神经网络进行训练。
8.如权利要求7所述的装置，其特征在于，所述训练模块，具体用于：
利用所述训练数据集和损失函数，对初始卷积神经网络的权重进行迭代回归优化，直至权重收敛，所述损失函数是能量函数的重建损失部分和法向约束部分的线性组合。
9.如权利要求8所述的装置，其特征在于，所述重建损失部分是所述训练数据集中的深度图对应的输出结果与真值数据的L1损失和L2损失之和；所述法向约束部分是训练数据集中的深度图对应的输出结果与真值数据的法向量点乘之和。
10.如权利要求7所述的装置，其特征在于，所述初始卷积神经网络是基于TensorFlow深度学习平台搭建的。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于清华大学，未经清华大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910441785.9/1.html，转载请声明来源钻瓜专利网。
