一种高分辨率深度图获取方法及系统技术方案

本发明专利技术提供一种高分辨率深度图获取方法及系统，方法包括：将待处理低分辨率深度图分别输入到神经网络模型的主干网络和支路优化网络中，分别获取高级特征图和浅层特征图；将高级特征图和浅层特征图同时输入到神经网络模型的图像重建模块中，获取高分辨率深度图；其中，神经网络模型基于低分辨率深度图样本和对应的高分辨率深度图标签进行训练得到。本发明专利技术的神经网络模型中的主干网络为基于稠密连接网络思想搭建的深层网络，可多次特征复用，提高了特征的利用率；由于深度图本身可利用的特征较少，支路优化网络提取图像的浅层特征，为后续的图像重建模块提供了有效的图像全局先验信息，使得神经网络模型输出的HR深度图的分辨率更高。

【技术实现步骤摘要】
一种高分辨率深度图获取方法及系统
本专利技术涉及图像处理
，尤其涉及一种高分辨率深度图获取方法及系统。
技术介绍
低分辨率图像一般具有边缘模糊、细节缺失等缺点，当一张低分辨率的图像被放大时，图像细节部分往往无法很好的重现，因此，超分辨率重建的研究方向便应运而生。超分辨率重建技术旨在对于一组低分辨率、低质量的图像(或视频序列)经过算法处理得到高质量、高分辨率的图像。图像超分辨率重建的应用领域非常广泛，在监控安防、计算机视觉、自动驾驶、医疗影像、卫星遥感等领域有着广阔的应用前景。在三维视觉领域，深度图是二维图像到三维表示的桥梁，和常见的彩色图不同，深度图中保存的像素值为物体距离相机的距离。因此，在获取了深度图之后便可以计算出物体距相机的远近，从而可以进行三维重建或三维建模等工作，将二维图像中的物体在三维空间重新表示。但是受到相机硬件设备等条件的限制，往往无法直接采集高分辨率的深度图，因此通过超分辨率重建将采集得到的低分辨率深度图放大得到高质量的高分辨率深度图很有必要。由于受到硬件条件的制约，为了获取更高分辨率的深度图表本文档来自技高网...

【技术保护点】
1.一种高分辨率深度图获取方法，其特征在于，包括：/n将待处理低分辨率深度图分别输入到神经网络模型的主干网络和支路优化网络中，分别获取高级特征图和浅层特征图；/n将所述高级特征图和所述浅层特征图同时输入到所述神经网络模型的图像重建模块中，获取高分辨率深度图；/n其中，所述神经网络模型基于低分辨率深度图样本和对应的高分辨率深度图标签进行训练得到。/n

【技术特征摘要】
1.一种高分辨率深度图获取方法，其特征在于，包括：
将待处理低分辨率深度图分别输入到神经网络模型的主干网络和支路优化网络中，分别获取高级特征图和浅层特征图；
将所述高级特征图和所述浅层特征图同时输入到所述神经网络模型的图像重建模块中，获取高分辨率深度图；
其中，所述神经网络模型基于低分辨率深度图样本和对应的高分辨率深度图标签进行训练得到。


2.根据权利要求1所述的高分辨率深度图获取方法，其特征在于，所述主干网络包括低级特征提取模块、高级特征提取模块和上采样模块，相应地，所述高级特征图具体通过如下方式获取：
将所述待处理低分辨率深度图输入所述低级特征提取模块，获取低级特征图；
将所述低级特征图输入所述高级特征提取模块，获取初始高级特征图；
将所述初始高级特征图输入所述上采样模块，进行高和宽的上采样处理，获取所述高级特征图。


3.根据权利要求1所述的高分辨率深度图获取方法，其特征在于，所述支路优化网络包括双三次采样层和浅层网络，相应地，所述浅层特征图具体通过如下方式获得：
将所述低分辨率深度图输入到所述双三次采样层中，获取采样特征；
将所述采样特征输入到所述浅层网络中，获取所述浅层特征图。


4.根据权利要求1所述的高分辨率深度图获取方法，其特征在于，所述图像重建模块包括特征图拼接层和输出层网络，相应地，所述将所述高级特征图和所述浅层特征图同时输入到所述神经网络模型的图像重建模块中，获取高分辨率深度图，具体包括：
将所述高级特征图和所述浅层特征图输入至所述特征图拼接层，获取通道拼接特征图；
将所述通道拼接特征图输入所述输出层网络中，获取所述高分辨率深度图。


5.根据权利要求2所述的高分辨率深度图获取方法，其特征在于，所述低级特征提取模块为残差网络，所述残差网络包括三个3*3的卷积层，其中，后两个卷积层之间加入残差跳跃连接。


6.根据权利要求2所述的高分辨率深度图获取方法，其特征在于，所述高级特征提取模块包括多个稠密连接层和数量相等的多个过渡层，所述稠密连接层和所述过渡层间隔级...

【专利技术属性】
技术研发人员：户磊，季栋，薛远，曹天宇，王亚运，李绪琴，
申请(专利权)人：北京的卢深视科技有限公司，合肥的卢深视科技有限公司，
类型：发明
国别省市：北京;11