[发明专利]基于巡检机器人单目图像获取深度图像的方法及装置

权利要求书

1.一种基于巡检机器人单目图像获取深度图像的方法，其特征在于，包括如下步骤：

构建多尺度卷积神经网络；所述多尺度卷积神经网络包括第一尺度卷积神经网络、第二尺度卷积神经网络和第三尺度卷积神经网络，其中，所述第一尺度卷积神经网络用于提取单目图像的全局特征，得到低分辨率图像；所述第二尺度卷积神经网络用于提取所述低分率图像的局部特征，得到高分辨率图像；所述第三尺度卷积神经网络用于对所述第二尺度输出的高分辨率图像进行卷积优化，得到单目图像对应的深度图像；

基于变焦距数据集对所述多尺度卷积神经网络进行训练，得到多尺度卷积神经网络的最优网络结构并保存；所述变焦距数据集基于固定焦距数据集转换得到，包括由单目图像及对应的深度图像所组成的训练数据对；

将巡检机器人拍摄的单目图像输入所述多尺度卷积神经网络的最优网络结构，得到单目图像对应的深度图像。

2.根据权利要求1所述的基于巡检机器人单目图像获取深度图像的方法，其特征在于，所述第一尺度卷积神经网络包括DenseNet单元和第一上采样单元，其中，所述DenseNet单元包括输入层、中间层和输出层；

所述输入层，用于对输入的单目图像进行归一化预处理；

所述中间层，用于对归一化预处理后的单目图像进行全局特征提取，得到全局子特征图像；

所述输出层，用于对所述中间层输出的全局子特征图像进行卷积，得到单目图像对应的全局特征图像；

所述第一上采样单元，用于对所述输出层输出的全局特征图像进行上采样，得到低分辨率图像。

3.根据权利要求2所述的基于巡检机器人单目图像获取深度图像的方法，其特征在于，所述第二尺度卷积神经网络包括：

第一卷积层，用于对所述第一尺度模块输出的低分辨率图像进行局部特征提取，得到单目图像对应的局部特征图像；所述局部特征包括SIFT特征；

第二上采样单元，用于对所述第一卷积层输出的局部特征图像进行上采样，得到高分辨率图像。

4.根据权利要求3所述的基于巡检机器人单目图像获取深度图像的方法，其特征在于，所述第一上采样单元和第二上采样单元基于最近邻算法、双线性插值算法或转置卷积实现上采样。

5.根据权利要求1所述的基于巡检机器人单目图像获取深度图像的方法，其特征在于，基于变焦距数据集对所述多尺度卷积神经网络进行训练，得到多尺度卷积神经网络的最优网络结构，包括如下步骤：

获取用于训练多尺度卷积神经网络的变焦距数据集并输入至多尺度卷积神经网络；

计算所述多尺度卷积神经网络的损失函数，当所述损失函数小于阈值门槛时，得到多尺度卷积神经网络的最优网络结构。

6.一种基于巡检机器人单目图像获取深度图像的装置，其特征在于，包括：

网络构建模块，用于构建多尺度卷积神经网络；所述多尺度卷积神经网络包括第一尺度卷积神经网络、第二尺度卷积神经网络和第三尺度卷积神经网络，其中，所述第一尺度卷积神经网络用于提取单目图像的全局特征，得到低分辨率图像；所述第二尺度卷积神经网络用于提取所述低分率图像的局部特征，得到高分辨率图像；所述第三尺度卷积神经网络用于对所述第二尺度输出的高分辨率图像进行卷积优化，得到单目图像对应的深度图像；

网络训练模块，用于根据变焦距数据集对所述多尺度卷积神经网络进行训练，得到多尺度卷积神经网络的最优网络结构并保存；所述变焦距数据集基于固定焦距数据集转换得到，包括由单目图像及对应的深度图像所组成的训练数据对；

深度图像获取模块，用于将巡检机器人拍摄的单目图像输入所述多尺度卷积神经网络的最优网络结构，得到单目图像对应的深度图像。