[发明专利]图像处理方法、装置及存储介质

说明书

本申请公开了一种图像处理方法、装置及存储介质，属于人工智能领域。本申请通过采用由n个子模型级联而成的模型，分别根据彩色图像对具有不同尺度的输入图像进行深度补全，由于n个具有不同尺度的输入图像可以对应n个深度范围，使得每个子模型均可以针对指定场景中的某个指定深度范围进行深度预测，避免了相关技术中使用同一网络结构对指定场景中不同深度的场景进行处理而导致网络参数量过大的问题。有效降低了网络复杂度，节约了网络运行时间，达到了实时获取稠密深度图的效果。并且，每个子模型均使用彩色图像辅助深度预测操作，由于彩色图像的信息丰富且稠密，能够对场景的识别起到指导作用，使得输出的具有稠密深度的预测结果更加准确。

技术领域

本申请涉及人工智能领域，特别涉及一种图像处理方法、装置及存储介质。

背景技术

深度感知是指对同一场景中不同物体的远近的知觉，深度感知是许多计算机视觉(ComputerVision，CV)任务(例如自动导航以及增强现实等)中的重要组成部分。常见的深度感知方法均是基于高精度的深度传感器进行的。但是，该深度传感器通常只能生成稀疏深度图，该稀疏深度图缺失较多的深度数据。深度补全技术是指将稀疏深度图补全到稠密深度图的技术，以补全该稀疏深度图中缺失的部分深度数据。

相关技术中提供了一种深度补全的技术方案，该技术方案中将输入的稀疏深度图采用一个卷积神经网络进行处理，以输出稠密深度图。该卷积神经网络包括卷积层、降采样层。卷积层用于通过卷积运算提取稀疏深度图中的图像特征。该卷积运算所采用的卷积核在处理该整个稀疏深度图的过程中共享。

但是，输出的稠密深度图中场景的结构在图像平面内分布复杂多变，在将稀疏深度图采用卷积神经网络补全至稠密深度图的过程中，若用同一种网络结构中的同一种卷积核处理场景中的所有结构，则需要更多的卷积层处理该结构对应的数据，如此使得参数量增加，导致该卷积神经网络结构冗余。

发明内容

本申请提供了一种图像处理方法、装置及存储介质，可以解决相关技术中网络结构冗余以及网络参数量大的问题。

具体而言，包括以下的技术方案：

第一方面，提供一种图像处理方法，所述方法包括：

获取指定场景的稀疏深度图；

获取所述稀疏深度图中分别属于指定的n个深度范围的n个输入图像，n为大于1的整数；

获取所述指定场景的彩色图像；

将所述n个输入图像以及所述彩色图像输入深度模型，所述深度模型包括按照指定顺序连接的n个子模型，所述n个输入图像与所述n个子模型一一对应，所述n个子模型对应所述n个深度范围，所述n个子模型对应的所述n个深度范围按照所述指定顺序依次增大，所述n个子模型分别根据所述彩色图像对所述n个输入图像进行深度补全，得到对应的n个特征图以及n个深度预测图，对于第t个子模型，当t＝1时，第t个子模型对应的深度预测图为第t个子模型输出的深度预测图，当t＞1时，第t个子模型对应的深度预测图为第t个子模型输出的深度预测图和第t-1个子模型对应的深度预测图的融合图，0＜t≤n，所述n个子模型中，每个子模型的输入包括所述彩色图像以及每个子模型对应的输入图像，除第1个子模型外的其它子模型中，每个子模型的输入还包括前一个子模型对应的深度预测图和对应的特征图，且第n个子模型对应的深度预测图为所述深度模型输出的稠密深度图；

得到所述深度模型输出的稠密深度图。

第二方面，提供一种图像处理装置，所述装置包括：

获取模块，用于获取指定场景的稀疏深度图；

所述获取模块，用于获取所述稀疏深度图中分别属于指定的n个深度范围的n个输入图像，n为大于1的整数；

所述获取模块，用于获取所述指定场景的彩色图像；