[发明专利]单目图像深度估计方法

说明书

一种单目图像深度估计方法，所述方法包括：获取训练图像；将所获取的训练图像输入预先构建的深度预测网络中进行训练，得到对应的预测深度图；将所得到的预测深度图与对应的GT深度图采用排序损失、多尺度结构相似损失和多尺度尺度不变梯度匹配损失的联合损失函数进行联合损失计算，得到对应的单目深度估计图。上述的方案，可以提高单目图像深度估计的准确性。

技术领域

本发明涉及图像处理技术领域，具体地涉及一种单目图像深度估计方法。

背景技术

从二维图像中获取三维深度信息是计算机视觉领域的一个重要问题，也是理解场景几何关系的重要组成部分。图像深度信息在同时定位和映射(SLAM)、导航、目标检测和语义分割等领域有着重要应用。

单目图像深度估计，和传统的基于多视点以及双目立体匹配的方法不同，仅利用单个视点的图像来进行深度估计。因为现实生活中绝大部分应用场景均只提供单视点的数据，所以单目图像深度估计更贴近实际的应用需求。

但是，现有的单目图像深度估计方法存在着准确性低的问题。

发明内容

本发明解决的技术问题是提供一种单目图像深度估计方法，以提高单目图像深度估计的准确性。

为解决上述技术问题，本发明实施例提供了一种单目图像深度估计方法，所述方法包括：

获取训练图像；

将所获取的训练图像输入预先构建的深度预测网络中进行训练，得到对应的预测深度图；

将所得到的预测深度图与对应的GT深度图采用排序损失、多尺度结构相似损失和多尺度尺度不变梯度匹配损失的联合损失函数进行联合损失计算，得到对应的单目深度估计图。

可选地，在将所获取的训练图像输入预先构建的深度预测网络中进行训练之前，还包括：

将所述训练图像进行扩充，得到第一训练图像；

将扩充后的训练图像调整至分辨率，得到第二训练图像；

将所述第二训练图像进行归一化处理，得到预处理后的训练图像。

可选地，所述将所述训练图像进行扩充，包括：将所述训练图像进行缩放、旋转和随机水平翻转处理中至少一项。

可选地，所述将所获取的训练图像输入预先构建的深度预测网络中进行训练，包括：

将所述预处理后的训练图像输入预设的ResNet50网络，得到分辨率依次下降的多个特定层特征图像；

对所述多个特定层特征图像执行逆序遍历，获取遍历至的当前特定层特征图像；

将当前特定层特征图像与对应的特征融合图像进行合并，生成与前一位序的特定层特征图像分辨率相同的图像，直至所述多个特定层特征图像遍历完成；其中，所述对应的特征融合图像为对下一特定层特征图像执行残差卷积后与下一特定层特征图像后的特定层特征图像的双线性上采样图像进行融合得到。

可选地，所述联合损失函数为：

L＝L_rank+αL_ms-ssim+βL_grad；

其中，L表示所述联合损失函数，L_rank表示基于随机采样的排序损失，L_ms-ss表示多尺度结构相似损失函数，L_grad表示多尺度尺度不变梯度匹配损失，α表示多尺度结构相似损失函数的平衡因子，β表示多尺度尺度不变梯度匹配损失函数的平衡因子。

可选地，所述特定层特征图像的数量为4个。

可选地，所述GT深度图利用flownet2.0获得双目图像的光流的的水平分量。