CN110570468A - 一种基于深度学习的双目视觉深度估计方法及其*** - Google Patents
一种基于深度学习的双目视觉深度估计方法及其*** Download PDFInfo
- Publication number
- CN110570468A CN110570468A CN201910759790.4A CN201910759790A CN110570468A CN 110570468 A CN110570468 A CN 110570468A CN 201910759790 A CN201910759790 A CN 201910759790A CN 110570468 A CN110570468 A CN 110570468A
- Authority
- CN
- China
- Prior art keywords
- image information
- module
- scale feature
- information
- disparity value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims description 33
- 230000004927 fusion Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20228—Disparity calculation for image-based rendering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明是有关于一种基于深度学习的双目视觉深度估计方法及其***，所述方法包括：通过第一相机和第二相机同时采集目标物体的图像信息，其中，第一相机采集多张目标物体的第一图像信息，第二相机采集多张目标物体的第二图像信息；通过读取模块读取第一图像信息和第二图像信息；当判断模块判断出读取模块同时读取到第一图像信息和第二图像信息时，发送目标指令至计算模块；通过计算模块利用神经网络计算第一图像信息和第二图像信息之间的视差值，并将视差值转换为目标图像深度信息；本发明利用深度神经网络，略去相机共面转换，优化了disparity map计算中特征匹配的问题，得到相对传统方法更加精准的深度估计结果。
Description
技术领域
本发明涉及双目视觉技术领域，更具体地，涉及一种基于深度学习的双目视觉深度估计方法及其***。
背景技术
双目相机深度估计在自动驾驶中具有广泛的应用，深度估计能够获取每个像素的深度值，便于障碍物位置估计。传统的双目相机深度估计方法首先需要通过标定获取得到相机的内外参以及相机基线距离，然后计算左右相机的disparity map，根据disparitymap以及相机基线距离计算相应点的深度信息，而disparity map的精度直接关系着深度计算的精度。Disparity map的计算需要对图像去畸变并校正，使得两个相机完全共面，然后利用极线约束规则以及特征匹配，找到真实空间中同一个点在两个相机中的成像位置；在这个过程中，相机完全共面是非常难的，此外，图像的特征匹配受光照影响严重，距离越远，两个相机之间的视差越小等各种因素都影响disparity map的精度，进一步影响深度估计的精度。
发明内容
针对现有技术中存在的上述弊端，本发明的目的是提供一种基于深度学习的双目视觉深度估计方法及其***，旨在解决现有技术存在的问题。
本发明的目的及解决其技术问题是采用以下技术方案来实现的。
依据本发明提出的一种基于深度学习的双目视觉深度估计方法，包括如下步骤：通过第一相机和第二相机同时采集目标物体的图像信息，其中，所述第一相机采集多张所述目标物体的第一图像信息，所述第二相机采集多张所述目标物体的第二图像信息；通过读取模块读取所述第一图像信息和所述第二图像信息；通过处理模块中的判断模块判断所述读取模块是否同时读取到所述第一图像信息和所述第二图像信息，当所述判断模块判断出所述读取模块同时读取到所述第一图像信息和所述第二图像信息时，发送目标指令至计算模块；通过所述计算模块利用神经网络计算所述第一图像信息和所述第二图像信息之间的视差值，并将所述视差值转换为目标图像深度信息；以及通过通信模块将所述目标图像深度信息发送至外界设备。
在本发明的一实施例中，还包括：当所述判断模块判断出所述读取模块未同时读取到所述第一图像信息和所述第二图像信息时，进一步判断是否连续多次未同时读取到所述第一图像信息和所述第二图像信息；若是，则发送第一指令至退出模块；若否，则发送第二指令至警告模块。
在本发明的一实施例中，通过所述退出模块退出基于深度学习的双目视觉深度估计***，其中所述第一指令为退出指令。
在本发明的一实施例中，通过所述警告模块发出异常警告信息，其中，所述第二指令为警告指令。
在本发明的一实施例中，当所述警告模块发出异常警告信息后，返回执行所述第一相机和所述第二相机同时采集目标物体的图像信息的动作。
在本发明的一实施例中，在通过所述计算模块利用神经网络计算所述第一图像信息和所述第二图像信息之间的视差值，并将所述视差值转换为目标图像深度信息的步骤中还包括：通过提取模块对所述目标物体的图像信息进行特征提取，得到三个不同尺度的特征，分别是第一尺度特征、第二尺度特征和第三尺度特征，其中，所述第一尺度特征为所述目标物体的图像大小的1/16，所述第二尺度特征为所述目标物体的图像大小的1/8，所述第三尺度特征为所述目标物体的图像大小的1/4；通过所述计算模块依据所述第一尺度特征计算所述第一尺度特征的视差值，及将所述第一尺度特征的视差值信息与所述第二尺度特征进行信息融合，计算出所述第二尺度特征的视差值，以及将所述第二尺度特征的视差值信息与所述第三尺度特征进行信息融合，计算出所述第三尺度特征的视差值，以及将所述第一尺度特征的视差值、所述第二尺度特征的视差值和所述第三尺度特征的视差值进行上采样并融合，输出特定视差值，以及根据所述特定视差值与相机基线计算出所述目标图像深度信息。
本发明的目的及解决其技术问题是还采用以下技术方案来实现的。
依据本发明提出的一种基于深度学习的双目视觉深度估计***，包括：双目相机，包括第一相机和第二相机，所述第一相机和所述第二相机用于同时采集目标物体的图像信息，其中，所述第一相机采集多张所述目标物体的第一图像信息，所述第二相机采集多张所述目标物体的第二图像信息；读取模块，用于分别读取所述第一图像信息和所述第二图像信息；处理模块，包括判断模块，用于判断所述读取模块是否同时读取到所述第一图像信息和所述第二图像信息；计算模块，用于当所述判断模块判断出所述读取模块同时读取到所述第一图像信息和所述第二图像信息时，利用神经网络计算所述第一图像信息和所述第二图像信息之间的视差值，并将所述视差值转换为目标图像深度信息；以及通信模块，用于将所述目标图像深度信息发送至外界设备。
在本发明的一实施例中，所述判断模块还用于判断出所述读取模块未同时读取到所述第一图像信息和所述第二图像信息时，进一步判断是否连续多次未同时读取到所述第一图像信息和所述第二图像信息；若是，则发送第一指令至退出模块；若否，则发送第二指令至警告模块；所述退出模块用于退出所述基于深度学习的双目视觉深度估计***，其中所述第一指令为退出指令；所述警告模块用于发出异常警告信息，其中，所述第二指令为警告指令。
在本发明的一实施例中，还包括提取模块，所述提取模块用于对所述目标物体的图像信息进行特征提取，得到三个不同尺度的特征，分别是第一尺度特征、第二尺度特征和第三尺度特征，其中，所述第一尺度特征为所述目标物体的图像大小的1/16，所述第二尺度特征为所述目标物体的图像大小的1/8，所述第三尺度特征为所述目标物体的图像大小的1/4；所述计算模块还用于依据所述第一尺度特征计算所述第一尺度特征的视差值，及将所述第一尺度特征的视差值信息与所述第二尺度特征进行信息融合，计算出所述第二尺度特征的视差值，以及将所述第二尺度特征的视差值信息与所述第三尺度特征进行信息融合，计算出所述第三尺度特征的视差值，以及将所述第一尺度特征的视差值、所述第二尺度特征的视差值和所述第三尺度特征的视差值进行上采样并融合，输出特定视差值，以及根据所述特定视差值与相机基线计算出所述目标图像深度信息。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于深度学习的双目视觉深度估计程序，所述基于深度学习的双目视觉深度估计程序被处理器执行时实现上述所述的基于深度学习的双目视觉深度估计方法的步骤。
藉由以上技术方案，本发明所达到的有益效果是：通过第一相机和第二相机同时采集目标物体的图像信息，其中，所述第一相机采集多张所述目标物体的第一图像信息，所述第二相机采集多张所述目标物体的第二图像信息；通过读取模块读取所述第一图像信息和所述第二图像信息；通过判断模块判断所述读取模块是否同时读取到所述第一图像信息和所述第二图像信息，当所述判断模块判断出所述读取模块同时读取到所述第一图像信息和所述第二图像信息时，发送目标指令至计算模块；通过所述计算模块利用神经网络计算所述第一图像信息和所述第二图像信息之间的视差值，并将所述视差值转换为目标图像深度信息；以及通过通信模块将所述目标图像深度信息发送至外界设备；对比传统深度估计方法，本发明利用深度神经网络，采用end-to-end的思路，略去相机共面转换，优化了disparity map计算中特征匹配的问题，得到相对传统方法更加精准的深度估计结果。
附图说明
图1为本发明实施例一提供的基于深度学习的双目视觉深度估计***的结构示意图；
图2为本发明实施例二提供的基于深度学习的双目视觉深度估计方法的步骤流程图；
图3为本发明实施例三提供的基于深度学习的双目视觉深度估计方法的步骤流程图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种基于深度学习的双目视觉深度估计方法及其***其具体实施方式、结构、特征及其功效，详细说明如后。显然，所描述的实施例为本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
如图1所示，为本发明实施例一提供的基于深度学习的双目视觉深度估计***的结构示意图，包括：双目相机110，包括第一相机111和第二相机112，所述第一相机111和所述第二相机112用于同时采集目标物体的图像信息，其中，所述第一相机111采集多张所述目标物体的第一图像信息，所述第二相机112采集多张所述目标物体的第二图像信息；读取模块120，用于分别读取所述第一图像信息和所述第二图像信息；处理模块130，包括判断模块131，用于判断所述读取模块120是否同时读取到所述第一图像信息和所述第二图像信息；计算模块140，用于当所述判断模块131判断出所述读取模块同时读取到所述第一图像信息和所述第二图像信息时，利用神经网络计算所述第一图像信息和所述第二图像信息之间的视差值，并将所述视差值转换为目标图像深度信息；以及通信模块150，用于将所述目标图像深度信息发送至外界设备。
在本发明的一实施例中，所述判断模块131还用于判断出所述读取模块120未同时读取到所述第一图像信息和所述第二图像信息时，进一步判断是否连续多次未同时读取到所述第一图像信息和所述第二图像信息；若是，则发送第一指令至退出模块；若否，则发送第二指令至警告模块；所述退出模块用于退出所述基于深度学习的双目视觉深度估计***，其中所述第一指令为退出指令；所述警告模块用于发出异常警告信息，其中，所述第二指令为警告指令。
在本发明的一实施例中，还包括提取模块160，所述提取模块160用于对所述目标物体的图像信息进行特征提取，得到三个不同尺度的特征，分别是第一尺度特征、第二尺度特征和第三尺度特征，其中，所述第一尺度特征为所述目标物体的图像大小的1/16，所述第二尺度特征为所述目标物体的图像大小的1/8，所述第三尺度特征为所述目标物体的图像大小的1/4；所述计算模块140还用于依据所述第一尺度特征计算所述第一尺度特征的视差值，及将所述第一尺度特征的视差值信息与所述第二尺度特征进行信息融合，计算出所述第二尺度特征的视差值，以及将所述第二尺度特征的视差值信息与所述第三尺度特征进行信息融合，计算出所述第三尺度特征的视差值，以及将所述第一尺度特征的视差值、所述第二尺度特征的视差值和所述第三尺度特征的视差值进行上采样并融合，输出特定视差值，以及根据所述特定视差值与相机基线计算出所述目标图像深度信息。
实施例二
如图2所示，为本发明实施例二提供的基于深度学习的双目视觉深度估计方法的步骤流程图，包括如下步骤:
步骤S210：通过第一相机和第二相机同时采集目标物体的图像信息；其中，所述第一相机采集多张所述目标物体的第一图像信息，所述第二相机采集多张所述目标物体的第二图像信息；
步骤S220：通过读取模块读取所述第一图像信息和所述第二图像信息；
步骤S230：通过处理模块中的判断模块判断所述读取模块是否同时读取到所述第一图像信息和所述第二图像信息，当所述判断模块判断出所述读取模块同时读取到所述第一图像信息和所述第二图像信息时，发送目标指令至计算模块；
步骤S240：通过所述计算模块利用神经网络计算所述第一图像信息和所述第二图像信息之间的视差值，并将所述视差值转换为目标图像深度信息；
步骤S250：通过通信模块将所述目标图像深度信息发送至外界设备；
通过所述计算模块140将转换得到的图像深度信息打包成所述通信模块150需要的格式，并将该信息发送到通信模块150广播出去，使得其他模块能够使用。
在本发明的一实施例中，还包括：当所述判断模块131判断出所述读取模块120未同时读取到所述第一图像信息和所述第二图像信息时，进一步判断是否连续多次未同时读取到所述第一图像信息和所述第二图像信息；若是，则发送第一指令至退出模块；若否，则发送第二指令至警告模块。
在本发明的一实施例中，还包括：通过所述退出模块退出基于深度学习的双目视觉深度估计***，其中所述第一指令为退出指令。
在本发明的一实施例中，还包括：通过所述警告模块发出异常警告信息，其中，所述第二指令为警告指令。
在本发明的一实施例中，还包括：当所述警告模块发出异常警告信息后，返回执行所述第一相机和所述第二相机同时采集目标物体的图像信息的动作。
在本发明的一实施例中，在通过所述计算模块140利用神经网络计算所述第一图像信息和所述第二图像信息之间的视差值，并将所述视差值转换为目标图像深度信息的步骤中还包括：通过提取模块160对所述目标物体的图像信息进行特征提取，得到三个不同尺度的特征，分别是第一尺度特征、第二尺度特征和第三尺度特征，其中，所述第一尺度特征为所述目标物体的图像大小的1/16，所述第二尺度特征为所述目标物体的图像大小的1/8，所述第三尺度特征为所述目标物体的图像大小的1/4；通过所述计算模块140依据所述第一尺度特征计算所述第一尺度特征的视差值，及将所述第一尺度特征的视差值信息与所述第二尺度特征进行信息融合，计算出所述第二尺度特征的视差值，以及将所述第二尺度特征的视差值信息与所述第三尺度特征进行信息融合，计算出所述第三尺度特征的视差值，以及将所述第一尺度特征的视差值、所述第二尺度特征的视差值和所述第三尺度特征的视差值进行上采样并融合，输出特定视差值，以及根据所述特定视差值与相机基线计算出所述目标图像深度信息。
具体的，将得到的所述第一尺度特征接入DisparityNet，及通过所述计算模块140计算所述第一尺度特征的视差值；其中，DisparityNet结构设计如下：第一,计算特征相似性矩阵：分别计算所述第一图像信息、所述第二图像信息以及特征图的差异性，使用L1loss，并根据特征图像大小在上下MxM距离范围内进行计算，M的设定与特征图大小有关，特征图越小，抽象层越高，理论上对距离较远的物体效果更好，而距离越远Disparity越小；第二，3D卷积：对上述计算得到的相似性矩阵进行3D卷积特征提取；第三，Disparity map回归：直接end-to-end回归Disparity map。
实施例三
如图3所示，为本发明实施例三提供的基于深度学习的双目视觉深度估计方法的步骤流程图，包括如下步骤:
步骤S310：通过第一相机和第二相机同时采集目标物体的图像信息；其中，所述第一相机采集多张所述目标物体的第一图像信息，所述第二相机采集多张所述目标物体的第二图像信息；
步骤S320：通过读取模块读取所述第一图像信息和所述第二图像信息；
步骤S330：通过判断模块判断所述读取模块是否同时读取到所述第一图像信息和所述第二图像信息，若是，执行步骤S340；若否，执行步骤S360；
步骤S340：通过计算模块利用神经网络计算所述第一图像信息和所述第二图像信息之间的视差值，并将所述视差值转换为目标图像深度信息；
步骤S350：通过通信模块将所述目标图像深度信息发送至外界设备；
步骤S360：通过判断模块判断是否连续多次未同时读取到所述第一图像信息和所述第二图像信息，若是，执行步骤S370；若否，执行步骤S380；
步骤S370：异常退出；
步骤S380：发出异常警告信息，然后返回执行步骤S310；若只是短暂未同时收到所述第一图像信息和所述第二图像信息，则发出异常警告信息，然后继续执行步骤S310。
本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于深度学习的双目视觉深度估计程序，所述基于深度学习的双目视觉深度估计程序被处理器执行时实现第二实施例和第三实施例所述的基于深度学习的双目视觉深度估计方法的步骤。
本发明为一种基于深度学***台上部署。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (10)
1.一种基于深度学习的双目视觉深度估计方法，其特征在于，包括如下步骤：
通过第一相机和第二相机同时采集目标物体的图像信息，其中，所述第一相机采集多张所述目标物体的第一图像信息，所述第二相机采集多张所述目标物体的第二图像信息；
通过读取模块读取所述第一图像信息和所述第二图像信息；
通过处理模块中的判断模块判断所述读取模块是否同时读取到所述第一图像信息和所述第二图像信息，当所述判断模块判断出所述读取模块同时读取到所述第一图像信息和所述第二图像信息时，发送目标指令至计算模块；
通过所述计算模块利用神经网络计算所述第一图像信息和所述第二图像信息之间的视差值，并将所述视差值转换为目标图像深度信息；以及
通过通信模块将所述目标图像深度信息发送至外界设备。
2.根据权利要求1所述的基于深度学习的双目视觉深度估计方法，其特征在于，还包括：当所述判断模块判断出所述读取模块未同时读取到所述第一图像信息和所述第二图像信息时，进一步判断是否连续多次未同时读取到所述第一图像信息和所述第二图像信息；若是，则发送第一指令至退出模块；若否，则发送第二指令至警告模块。
3.根据权利要求2所述的基于深度学习的双目视觉深度估计方法，其特征在于，通过所述退出模块退出基于深度学习的双目视觉深度估计***，其中所述第一指令为退出指令。
4.根据权利要求2所述的基于深度学习的双目视觉深度估计方法，其特征在于，通过所述警告模块发出异常警告信息，其中，所述第二指令为警告指令。
5.根据权利要求4所述的基于深度学习的双目视觉深度估计方法，其特征在于，当所述警告模块发出异常警告信息后，返回执行所述第一相机和所述第二相机同时采集目标物体的图像信息的动作。
6.根据权利要求1所述的基于深度学习的双目视觉深度估计方法，其特征在于，在通过所述计算模块利用神经网络计算所述第一图像信息和所述第二图像信息之间的视差值，并将所述视差值转换为目标图像深度信息的步骤中还包括:
通过提取模块对所述目标物体的图像信息进行特征提取，得到三个不同尺度的特征，分别是第一尺度特征、第二尺度特征和第三尺度特征，其中，所述第一尺度特征为所述目标物体的图像大小的1/16，所述第二尺度特征为所述目标物体的图像大小的1/8，所述第三尺度特征为所述目标物体的图像大小的1/4；
通过所述计算模块依据所述第一尺度特征计算所述第一尺度特征的视差值，及将所述第一尺度特征的视差值信息与所述第二尺度特征进行信息融合，计算出所述第二尺度特征的视差值，以及将所述第二尺度特征的视差值信息与所述第三尺度特征进行信息融合，计算出所述第三尺度特征的视差值，以及将所述第一尺度特征的视差值、所述第二尺度特征的视差值和所述第三尺度特征的视差值进行上采样并融合，输出特定视差值，以及根据所述特定视差值与相机基线计算出所述目标图像深度信息。
7.一种基于深度学习的双目视觉深度估计***，其特征在于，包括：
双目相机，包括第一相机和第二相机，所述第一相机和所述第二相机用于同时采集目标物体的图像信息，其中，所述第一相机采集多张所述目标物体的第一图像信息，所述第二相机采集多张所述目标物体的第二图像信息；
读取模块，用于分别读取所述第一图像信息和所述第二图像信息；
处理模块，包括判断模块，用于判断所述读取模块是否同时读取到所述第一图像信息和所述第二图像信息；
计算模块，用于当所述判断模块判断出所述读取模块同时读取到所述第一图像信息和所述第二图像信息时，利用神经网络计算所述第一图像信息和所述第二图像信息之间的视差值，并将所述视差值转换为目标图像深度信息；以及
通信模块，用于将所述目标图像深度信息发送至外界设备。
8.根据权利要求7所述的基于深度学习的双目视觉深度估计***，其特征在于，所述判断模块还用于判断出所述读取模块未同时读取到所述第一图像信息和所述第二图像信息时，进一步判断是否连续多次未同时读取到所述第一图像信息和所述第二图像信息；若是，则发送第一指令至退出模块；若否，则发送第二指令至警告模块；
所述退出模块用于退出所述基于深度学习的双目视觉深度估计***，其中所述第一指令为退出指令；
所述警告模块用于发出异常警告信息，其中，所述第二指令为警告指令。
9.根据权利要求7所述的基于深度学习的双目视觉深度估计***，其特征在于，还包括提取模块，所述提取模块用于对所述目标物体的图像信息进行特征提取，得到三个不同尺度的特征，分别是第一尺度特征、第二尺度特征和第三尺度特征，其中，所述第一尺度特征为所述目标物体的图像大小的1/16，所述第二尺度特征为所述目标物体的图像大小的1/8，所述第三尺度特征为所述目标物体的图像大小的1/4；
所述计算模块还用于依据所述第一尺度特征计算所述第一尺度特征的视差值，及将所述第一尺度特征的视差值信息与所述第二尺度特征进行信息融合，计算出所述第二尺度特征的视差值，以及将所述第二尺度特征的视差值信息与所述第三尺度特征进行信息融合，计算出所述第三尺度特征的视差值，以及将所述第一尺度特征的视差值、所述第二尺度特征的视差值和所述第三尺度特征的视差值进行上采样并融合，输出特定视差值，以及根据所述特定视差值与相机基线计算出所述目标图像深度信息。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于深度学习的双目视觉深度估计程序，所述基于深度学习的双目视觉深度估计程序被处理器执行时实现如权利要求1至6中任一项所述的基于深度学习的双目视觉深度估计方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910759790.4A CN110570468A (zh) | 2019-08-16 | 2019-08-16 | 一种基于深度学习的双目视觉深度估计方法及其*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910759790.4A CN110570468A (zh) | 2019-08-16 | 2019-08-16 | 一种基于深度学习的双目视觉深度估计方法及其*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110570468A true CN110570468A (zh) | 2019-12-13 |
Family
ID=68775570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910759790.4A Pending CN110570468A (zh) | 2019-08-16 | 2019-08-16 | 一种基于深度学习的双目视觉深度估计方法及其*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110570468A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021217444A1 (zh) * | 2020-04-28 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 深度图生成方法、电子设备、计算处理设备及存储介质 |
| CN113643347A (zh) * | 2020-07-20 | 2021-11-12 | 黑芝麻智能科技(上海)有限公司 | 利用弱对准的异构相机的立体视觉 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767413A (zh) * | 2017-09-20 | 2018-03-06 | 华南理工大学 | 一种基于卷积神经网络的图像深度估计方法 |
| CN108230384A (zh) * | 2017-11-28 | 2018-06-29 | 深圳市商汤科技有限公司 | 图像深度计算方法、装置、存储介质和电子设备 |
-
2019
- 2019-08-16 CN CN201910759790.4A patent/CN110570468A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767413A (zh) * | 2017-09-20 | 2018-03-06 | 华南理工大学 | 一种基于卷积神经网络的图像深度估计方法 |
| CN108230384A (zh) * | 2017-11-28 | 2018-06-29 | 深圳市商汤科技有限公司 | 图像深度计算方法、装置、存储介质和电子设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021217444A1 (zh) * | 2020-04-28 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 深度图生成方法、电子设备、计算处理设备及存储介质 |
| CN113643347A (zh) * | 2020-07-20 | 2021-11-12 | 黑芝麻智能科技(上海)有限公司 | 利用弱对准的异构相机的立体视觉 |
| CN113643347B (zh) * | 2020-07-20 | 2024-02-09 | 黑芝麻智能科技(上海)有限公司 | 利用弱对准的异构相机的立体视觉 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022083402A1 (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
| EP3506161A1 (en) | Method and apparatus for recovering point cloud data | |
| US10909395B2 (en) | Object detection apparatus | |
| CN105627932A (zh) | 一种基于双目视觉的测距方法及装置 | |
| CN107886477A (zh) | 无人驾驶中立体视觉与低线束激光雷达的融合矫正方法 | |
| US20220051425A1 (en) | Scale-aware monocular localization and mapping | |
| CN105335955A (zh) | 对象检测方法和对象检测装置 | |
| CN104677330A (zh) | 一种小型双目立体视觉测距*** | |
| CN104574393A (zh) | 一种三维路面裂缝图像生成***和方法 | |
| CN113160327A (zh) | 一种点云补全的实现方法和*** | |
| CN112802092B (zh) | 一种障碍物感知方法、装置以及电子设备 | |
| AU2021103300A4 (en) | Unsupervised Monocular Depth Estimation Method Based On Multi- Scale Unification | |
| CN111047634A (zh) | 场景深度的确定方法、装置、设备及存储介质 | |
| CN110570468A (zh) | 一种基于深度学习的双目视觉深度估计方法及其*** | |
| CN112241978A (zh) | 一种数据处理的方法和装置 | |
| US11348271B2 (en) | Image processing device and three-dimensional measuring system | |
| CN114919584A (zh) | 机动车定点目标测距方法、装置及计算机可读存储介质 | |
| CN113240750A (zh) | 三维空间信息测算方法及装置 | |
| KR101459522B1 (ko) | 모바일 기반의 부가정보를 이용한 위치 보정 방법 | |
| KR102410300B1 (ko) | 스테레오 카메라를 이용한 카메라 위치 측정 장치 및 방법 | |
| CN115546216A (zh) | 一种托盘检测方法、装置、设备及存储介质 | |
| CN115683046A (zh) | 测距方法、装置、传感器及计算机可读存储介质 | |
| CN104296690A (zh) | 一种基于图像融合的多线结构光三维测量方法 | |
| CN114359891A (zh) | 一种三维车辆检测方法、***、装置及介质 | |
| CN113014899B (zh) | 一种双目图像的视差确定方法、装置及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |
|
| RJ01 | Rejection of invention patent application after publication |