深度图获取方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了一种深度图获取方法、装置、电子设备及存储介质。所述方法包括：获取目标车辆对应的单目图像和稀疏深度图像；将所述单目图像和所述稀疏深度图像输入至深度图预测模型，所述深度图预测模型包括：特征提取层、特征聚合层和单目引导的降噪层；调用所述特征提取层提取所述单目图像的多个尺度的单目图像特征，及所述稀疏深度图像的稀疏深度图像特征；调用所述特征聚合层对每个尺度的所述单目图像特征分别与所述稀疏深度图像特征进行聚合处理，得到聚合特征图；调用所述单目引导的降噪层对所述聚合特征图进行降噪处理，得到所述目标车辆对应的预测深度图。本申请实施例可以提高生成深度图的质量，有效避免低分辨率和边缘毛刺问题。率和边缘毛刺问题。率和边缘毛刺问题。

【技术实现步骤摘要】
深度图获取方法、装置、电子设备及存储介质


[0001]本申请涉及车辆控制
，尤其涉及一种深度图获取方法、装置、电子设备及存储介质。

技术介绍

[0002]单目深度补全是一项计算机视觉任务，涉及从单个RGB图像，以及给定的稀疏深度真值补全场景的深度。该任务在机器人技术、增强现实、自动驾驶和虚拟现实等领域有几个重要的应用。单目深度补全的应用包括对象跟踪、场景重建和3D建模等等。
[0003]单目深度补全是自动驾驶系统的关键组成部分，因为它使车辆能够感知环境并根据该感知做出决策。通过准确补全环境中物体的深度，该系统可以确保安全高效的驾驶。同时单目深度预测不需要雷达或者是多视角摄像机，成本最低。在简单任务上有很好的推广价值。
[0004]目前，常用的单目深度补全方法利用了深度学习模型，例如卷积神经网络(CNN)。与传统的计算机视觉方法相比，这些模型显著提高了深度补全的准确性。一种流行的单目深度补全方法是基于使用CNN预测密集深度图。这些方法通常涉及在RGB
‑
D(深度)图像的大型数据集上训练CNN，并在CNN提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度图获取方法，其特征在于，所述方法包括：获取目标车辆对应的单目图像和稀疏深度图像；将所述单目图像和所述稀疏深度图像输入至深度图预测模型，所述深度图预测模型包括：特征提取层、特征聚合层和单目引导的降噪层；调用所述特征提取层提取所述单目图像的多个尺度的单目图像特征，及所述稀疏深度图像的稀疏深度图像特征；调用所述特征聚合层对每个尺度的所述单目图像特征分别与所述稀疏深度图像特征进行聚合处理，得到聚合特征图；调用所述单目引导的降噪层对所述聚合特征图进行降噪处理，得到所述目标车辆对应的预测深度图。2.根据权利要求1所述的方法，其特征在于，所述深度图预测模型还包括：图像切分层和位置嵌入层，在所述调用所述特征提取层提取所述单目图像的多个尺度的单目图像特征，及所述稀疏深度图像的稀疏深度图像特征之前，还包括：调用所述图像切分层对所述单目图像进行切分处理，得到所述单目图像对应的切分图像；调用所述位置嵌入层根据所述切分图像对应的位置信息，生成所述切分图像对应的位置向量，并将所述位置向量嵌入所述切分图像，得到切分图像单元。3.根据权利要求2所述的方法，其特征在于，所述调用所述特征提取层提取所述单目图像的多个尺度的单目图像特征，包括：调用所述特征提取层提取所述切分图像单元的多个尺度的切分图像特征；根据所述切分图像特征和所述切分图像单元对应的位置向量，得到所述单目图像对应的多个尺度的单目图像特征。4.根据权利要求1所述的方法，其特征在于，所述特征聚合层包括：自注意力模块和聚合模块，所述调用所述特征聚合层对每个尺度的所述单目图像特征分别与所述稀疏深度图像特征进行聚合处理，得到聚合特征图，包括：调用所述自注意力模块分别对每个尺度的所述单目图像特征进行处理，得到注意力特征；调用所述聚合模块对多个所述注意力特征进行聚合处理，输出所述聚合特征图。5.根据权利要求1所述的方法，其特征在于，所述单目引导的降噪层包括：单目条件去噪模块和深度图输出模块，所述调用所述单目引导的降噪层对所述聚合特征图进行降噪处理，得到所述目标车辆对应的预测深度图，包括：调用所述单目条件去噪模块根据所述聚合特征图对深度隐变量进行迭代优化处理，得到优化深度隐变量；调用所述深度图输出模块对所述优化深度隐变量和所述聚合特征图进行处理，得到所述预测深度图。6.一种深度图获取装置，其特征在于，所述装置包括：
单目图像获取模块，用于获取目标车辆对应的单目图像和稀疏深度图像；单目图像输入模块，用于将所述单目图像和所述稀疏深度图像输入至深度图...

【专利技术属性】
技术研发人员：段逸群，国显达，朱政，都大龙，
申请(专利权)人：北京鉴智科技有限公司，
类型：发明
国别省市：