【技术实现步骤摘要】
一种基于深度网络与运动信息的单目室内深度估计算法
[0001]本专利技术涉及单目室内深度估计算法
,尤其涉及一种基于深度网络与运动信息的单目室内深度估计算法。
技术介绍
[0002]单目深度估计在目标识别、场景理解、导航定位等领域有重要的应用。传统的基于立体视觉的单目深度估计方法对场景具有一定的限制性。目前,用编解码网络的方法恢复图像的深度信息已经取得了广泛应用。但是,由于单目深度估计本身存在欠定性、真值数据存在低质性等问题,在实际应用场景中,还存在运动干扰等问题,物体运动带来的场景遮蔽、光学畸变、材质缺失区域对深度估计的精度存在很大影响,致使网络输出深度信息的纹理、边缘等细节信息存在丢失现象,大大降低了现有算法的鲁棒性。
技术实现思路
[0003]本专利技术目的就是为了弥补已有技术的缺陷,提供一种基于深度网络与运动信息的单目室内深度估计算法。
[0004]本专利技术是通过以下技术方案实现的:
[0005]一种基于深度网络与运动信息的单目室内深度估计算法,具体包括如下步骤:
[0006](2)对获取到的视频数据进行数据的预处理;
[0007](2)构建DenseNet选择特征提取器,在准确率上产生持续的改进;
[0008](3)设计分层压缩激励ASPP网络,使用具有不同采样步长的多个并行空洞卷积,对于不同采样步长下提取的特征在单独的分支中进一步处理,再融合各个空洞卷积形成多尺度特征。
[0009](4)对于动态场景中出现的移动物,结合双判别模式运动 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度网络与运动信息的单目室内深度估计算法,其特征在于:具体包括如下步骤:(1)获取室内环境的视频数据,对获取到的视频数据进行数据预处理;(2)构建选择特征提取器;(3)设计分层压缩激励ASPP网络,使用具有不同采样步长的多个并行空洞卷积,对于不同采样步长下提取的特征在单独的分支中进一步处理,再融合各个空洞卷积形成多尺度特征;(4)对于动态场景中出现的移动物,结合双判别模式运动估计块计算出其MV信息利用掩膜机制屏蔽非运动部分,对运动部分进行高斯去噪,将运动点作为深度线索求解其深度,实现对动态区域的深度有效估计;(5)构建能量函数;(6)实现ASPP网络与双判别模式运动估计的深度信息融合,实现室内各种场景下的深度估计。2.根据权利要求1所述的一种基于深度网络与运动信息的单目室内深度估计算法,其特征在于:步骤(1)所述的对获取到的视频数据进行数据预处理,具体如下:首先,对获取到的视频数据进行运动分析:利用成像设备采集到的视频数据,对视频数据进行逐帧分析,检测和识别不良的运动源,通过分析连续帧间的时空对应关系估计成像设备运动参数;其次,离群值删除:离群值检测器考虑两个相邻帧,并将所有不符合观测运动的位移标记为离群值,采用随机采样一致算法去除离群值。3.根据权利要求2所述的一种基于深度网络与运动信息的单目室内深度估计算法,其特征在于:步骤(2)所述的构建选择特征提取器,选择DenseNet
‑
121网络作为网络架构编码端的特征提取器。4.根据权利要求3所述的一种基于深度网络与运动信息的单目室内深度估计算法,其特征在于:步骤(3)所述的设计分层压缩激励ASPP网络,使用具有不同采样步长的多个并行空洞卷积,对于不同采样步长下提取的特征在单独的分支中进一步处理,再融合各个空洞卷积形成多尺度特征,具体如下:(a)感受野及膨胀卷积:ASPP网络通过多个并行结构的膨胀卷积产生多尺度特征;对于一个输入的二维特征图像x而言,经过空洞卷积操作后,输出的任意一点i如式(1)所示:其中,r表示空洞卷积的膨胀率,即采样步长;w表示卷积核;w(n)表示卷积核中有n个参数,N表示卷积核大小;第l层感受野R的计算如式(2)所示:其中,f
l
表示第l层的卷积核大小,表示从第1层到第l层卷积步长的累积;(b)H
‑
CE模块:采用全局平均池化技术,将特征图转换成1
×1×
C大小,让网络充分利用通道间的信息共享机制;全局平均池化技术计算方法如式(3)所示:
其中,f
k
表示卷积转换后在第k个卷积核的输出值;g
k
是全局池化之后的特征向量,W表示输入特征图的宽度,H表示输入特征图的高度,C表示输入特征图的通道数;对输出图像进行激励操作,捕获通道间的依赖关系,对特征权重自动调整;张量的扁平化处理使通道间的交互性增强,扁平化处理后的结果输入到激励操作的全连接层,将得到最后的特征向量;将特征图F与激励向量E利用各通道间的特征进行加权融合,计算公式如式(4)所示,最终得到H
‑
CE模块的输出Y其中,表示逐元素相乘运算,E
k
表示通过激励操作在第k个通道下得到的激励向量;(c)构建分层压缩激励ASPP结构块构造一个差值矩阵让网络获得全局最优解:首...
【专利技术属性】
技术研发人员:金兢,周永乐,廖志伟,赵玲娜,
申请(专利权)人:合肥工业大学,
类型:发明
国别省市:
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。