【技术实现步骤摘要】
一种基于深度学习和傅里叶域分析的图像深度估计算法
本专利技术涉及的计算机视觉
，尤其涉及一种基于深度学习和傅里叶域分析的图像深度估计算法。
技术介绍
近年来，深度信息在传感器中获得了越来越多的应用。获取深度信息的技术主要有双目立体匹配，TOF(TimeofFlight，飞行时间)，单目结构光，激光雷达等技术，这些技术可以为传感器增加额外的深度信息，随着深度学习的发展，学者们开始大量地尝试运用卷积神经网络(CNN)来研究单目图像的深度估计问题，语义分割与深度估计都是像素级标签任务，最初用来研究语义分割问题的全卷积网络(FCN)可以有效地保留空间信息，因此一些学者同样用FCN来研究。然而大部分现有的方法将深度估计问题看作有监督的回归问题，因此需要大量相应的groundtruth深度数据进行训练，在各种场景中记录有质量的深度数据是一个有挑战性的问题。Hinton提出了一种深度信念网络模型可以使用一种叫做贪婪逐层训练策略的算法来进行有效的训练，这很快引起了人们对神经网络的研究热情，随后，加拿大高等研究院提出这种训练方法...
【技术保护点】
1.一种基于深度学习和傅里叶域分析的图像深度估计算法，其特征在于：包括，/n读取数据集里的图像对，将图像对输入提出的网络架构中获取重建视图；/n将图像对和重建视图带入损失函数，训练并确认网络架构，得到最初视差图；/n带入以裁剪比λ裁剪的图像对至确认的网络架构，获取视差映射候选对象；以及，/n融合视差映射候选对象，估计深度并显示于显示设备上；/n其中，所述图像对区分为左视图和右视图，所述重建视图区分为重建左视图和重建右视图。/n
【技术特征摘要】
20190328 CN 20191024278411.一种基于深度学习和傅里叶域分析的图像深度估计算法，其特征在于：包括，
读取数据集里的图像对，将图像对输入提出的网络架构中获取重建视图；
将图像对和重建视图带入损失函数，训练并确认网络架构，得到最初视差图；
带入以裁剪比λ裁剪的图像对至确认的网络架构，获取视差映射候选对象；以及，
融合视差映射候选对象，估计深度并显示于显示设备上；
其中，所述图像对区分为左视图和右视图，所述重建视图区分为重建左视图和重建右视图。
2.如权利要求1所述的基于深度学习和傅里叶域分析的图像深度估计算法，其特征在于：所述读取数据集里的图像对，将图像对输入提出的网络架构中获取重建右视图的步骤包括：
读取数据集；
获取右视图Ir和左视图Il；
左视图Il作为输入图像，右视图Ir作为目标图像带入网络架构内，获得右视差dr；
利用左视图Il和右视差dr获得重建右视图
其中，重建右视图采用如下公式：
3.如权利要求1或2所述的基于深度学习和傅里叶域分析的图像深度估计算法，其特征在于：所述读取数据集里的图像对，将图像对输入提出的网络架构中获取重建左视图的步骤包括：
读取数据集；
获取右视图Ir和左视图Il；
右视图Ir作为输入图像，左视图Il作为目标图像带入网络架构内，获得左视差dl；
利用右视图Ir和左视差dl获得重建左视图
其中，重建右视图采用如下公式：
4.如权利要求3所述的基于深度学习和傅里叶域分析的图像深度估计算法，其特征在于：所述将图像对和重建视图带入损失函数，训练并确认网络架构，得到最初视差图的步骤包括：
将右视图Ir、左视图Il、重建右视图和重建左视图带入损失函数；
通过损失函数训练网络架构；
不断迭代，确认网络架构；
获得最初视差图。
5.如权利要求4所述的基于深度学习和傅里叶域分析的图像深度估计算法，其特征在于：所述损失函数Ls采用如下公式：
其中，Lam是重建损失函数，重建损失函数Lam区分为重建左视图损失函数和重建右视图损失函数Lds是训练视差图的平...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。