CN112802080A - 基于深度学习的单目绝对深度估计方法和装置 - Google Patents

基于深度学习的单目绝对深度估计方法和装置 Download PDF

Info

Publication number
CN112802080A
CN112802080A CN202110098807.3A CN202110098807A CN112802080A CN 112802080 A CN112802080 A CN 112802080A CN 202110098807 A CN202110098807 A CN 202110098807A CN 112802080 A CN112802080 A CN 112802080A
Authority
CN
China
Prior art keywords
depth
absolute depth
model
absolute
initial model
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
Application number
CN202110098807.3A
Other languages
English (en)
Inventor
徐枫
唐瑞杰
杨东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202110098807.3A priority Critical patent/CN112802080A/zh
Publication of CN112802080A publication Critical patent/CN112802080A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于深度学习的单目绝对深度估计方法和装置，其中，方法包括：获取样本RGB图片对应的深度数据和绝对深度；将样本RGB图片的相对深度输入初始模型，获取初始模型输出的参考绝对深度；根据预设的第一损失函数计算参考绝对深度和相对深度对应的绝对深度的损失值；若损失值大于预设阈值，则调整初始模型，直至损失值小于预设阈值时，训练完成与初始模型对应的目标模型；根据目标模型计算场景的绝对深度。由此，可以较好地应用于自动驾驶等对场景深度测算要求较高的场景中。

Description

基于深度学习的单目绝对深度估计方法和装置
技术领域
本发明涉及计算机视觉、深度学习技术领域，尤其涉及一种基于深度学习的单目绝对深度估计方法和装置。
背景技术
单目深度估计技术是计算机视觉领域中一个重要的领域，它在自动驾驶等领域有着非常广泛的应用。在深度学习引入之前，自动驾驶中要对前方物体的距离进行测算需要使用雷达等昂贵设备，这使得其技术成本非常高。在引入深度学习之后，汽车上只需要安装多个甚至单个相机来获取前方场景的RGB图片，进而通过神经网络算法获得前方场景的深度信息，即和汽车之间的距离。这一应用使得自动驾驶的技术成本大大降低，也进一步推动了自动驾驶的发展。
然而现今的单目深度估计技术存在一个隐性问题——估计出的深度并不是绝对深度而是相对深度，即模型对场景估计出的深度尺度(即距离单位)是不确定的并且随场景变化而变化。当今自动驾驶中使用的单目绝对深度估计模型实质上是通过使用统一尺度(以米为单位)的图片-深度数据进行训练以解决尺度的模糊性问题，而这种数据的获取仍然需要依靠雷达等设备，大量获取的成本非常昂贵；容易获取的图片-深度数据往往都是通过SFM计算得到的深度，这种深度的尺度是不确定的，无法直接应用到自动驾驶等需要绝对深度的场景中。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种基于深度学习的单目绝对深度估计方法，以实现降低自动驾驶领域的技术成本的效果。
本发明的第二个目的在于提出一种基于深度学习的单目绝对深度估计装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
为达上述目的，本发明第一方面实施例提出了一种基于深度学习的单目绝对深度估计方法，包括：获取样本RGB图片对应的深度数据和绝对深度；
将所述样本RGB图片的相对深度输入初始模型，获取所述初始模型输出的参考绝对深度；
根据预设的第一损失函数计算所述参考绝对深度和所述相对深度对应的绝对深度的损失值；
若所述损失值大于预设阈值，则调整所述初始模型，直至所述损失值小于所述预设阈值时，训练完成与所述初始模型对应的目标模型；
根据所述目标模型计算场景的绝对深度。
为达上述目的，本发明第二方面实施例提出了一种基于深度学习的单目绝对深度估计装置，包括：第一获取模块，用于获取样本RGB图片对应的深度数据和绝对深度；
第二获取模块，用于将所述样本RGB图片的相对深度输入初始模型，获取所述初始模型输出的参考绝对深度；
计算模块，用于根据预设的第一损失函数计算所述参考绝对深度和所述相对深度对应的绝对深度的损失值；
训练模块，用于在所述损失值大于预设阈值时，调整所述初始模型，直至所述损失值小于所述预设阈值时，训练完成与所述初始模型对应的目标模型；
处理模块，用于根据所述目标模型计算场景的绝对深度。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述第一方面实施例所述的基于深度学习的单目绝对深度估计方法。
为了实现上述目的，本发明第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面实施例所述的基于深度学习的单目绝对深度估计方法。
为了实现上述目的，本发明第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，实现如上述第一方面实施例所述的基于深度学习的单目绝对深度估计方法。
本发明的实施例，至少具有如下的技术效果：
基于深度学习的单目绝对深度估计，模型输入为场景的单张RGB图片，发明中的方法能够估计出对应的以米为单位的场景深度。该方法只需要少量图片-绝对深度数据，大部分数据都是容易获取的图片-相对深度数据，通过特别设计的损失函数使得相对深度数据也能用于训练绝对深度估计模型，最终得到一个能应用于各种场景的单目绝对深度估计模型。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所提供的一种基于深度学习的单目绝对深度估计方法的流程示意图；
图2为本发明实施例所提供的一种具体的基于深度学习的单目绝对深度估计场景示意图；以及
图3为本发明实施例所提供的一种基于深度学习的单目绝对深度估计装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
随着深度学习的广泛应用，计算机视觉的很多领域都得到了极大的发展，并且一些传统方法无法解决的问题也能够基于大量数据的先验知识使用深度学习来进行解决，比如单目深度估计通过场景的单张RGB图片估计场景的深度问题。本发明提出了一种更严格的问题：单目绝对深度估计通过场景单张RGB图片估计场景的绝对深度(比如以米为单位)并给出了基于深度学习的一种解决方案，该发明可以较好地应用于自动驾驶等对场景深度测算要求较高的场景中。
下面参考附图描述本发明实施例的基于深度学习的单目绝对深度估计方法和装置。
具体而言，本发明提出了一种单目绝对深度估计方法，仅需少量深度为绝对尺度的数据，辅以大量深度为相对尺度的数据来训练模型，使得模型能够通过单张RGB图片估计场景的绝对深度，不仅能有效降低自动驾驶领域的技术成本，也能以更强的泛用性应用到各种需要绝对深度的场景中。
图1为本发明实施例所提供的一种基于深度学习的单目绝对深度估计方法方法的流程示意图。
如图1所示，该基于深度学习的单目绝对深度估计方法包括以下步骤：
步骤101，获取样本RGB图片对应的深度数据和绝对深度。
本实施例中，收集相对深度数据和绝对深度数据以用于模型训练，使用DeMoN数据集和MegaDepth数据集作为相对深度数据集。数据集中每个样本包含一张RGB图片以及通过SFM方法计算得到的尺度不确定的相对深度；另外使用KITTI数据集作为绝对深度数据集。数据集中每个样本包含一张RGB图片以及通过雷达采集获得的以米为单位的绝对深度。
步骤102，将所述样本RGB图片的相对深度输入初始模型，获取所述初始模型输出的参考绝对深度。
使用收集的数据进行模型训练。本发明方法使用U-Net作为训练模型(初始模型)，输入为场景的一张RGB图片，输出其对应的擦参考绝对深度。
步骤103，根据预设的第一损失函数计算所述参考绝对深度和所述相对深度对应的绝对深度的损失值。
训练过程中模型预测的结果会与场景真实的绝对/相对深度计算误差，进而通过反向传播算法更新模型参数。对于不同的样本，在计算误差时的方法也不相同。对于绝对深度样本，损失函数设计为下述公式(1)：
Figure BDA0002915291910000041
其中，D为真实的绝对深度，
Figure BDA0002915291910000042
为模型估计的参考绝对深度，N为图片像素的总数。
步骤104，若所述损失值大于预设阈值，则调整所述初始模型，直至所述损失值小于所述预设阈值时，训练完成与所述初始模型对应的目标模型。
在本实施例中，若所述损失值大于预设阈值，则调整所述初始模型，直至所述损失值小于所述预设阈值时，训练完成与所述初始模型对应的目标模型。
在本发明的一个实施例中，对于相对深度样本，损失函数设计为公式(2):
Figure BDA0002915291910000043
其中，
Figure BDA0002915291910000044
为真实的相对深度结果的平均值，
Figure BDA0002915291910000045
为参考相对深度的平均值。
在本发明的一个实施例中，为了进一步对目标模型优化，将所述样本RGB图片的绝对深度输入所述初始模型，获取所述模型输出的参考相对深度，根据预设的第二损失函数对计算所述参考相对深度和所述绝对深度对应的相对深度的损失值，若所述损失值大于预设阈值，则调整所述目标模型，直至所述损失值小于所述预设阈值时，完成对所述目标模型的训练。
通过这种方法，使得模型估计的深度结果只需要在比例上和真实结果相近，从而避免了对尺度估计的要求。在实际训练过程中，大量的相对深度数据使得模型能够估计场景物体间的相对距离，而具体的尺度信息则由绝对深度数据来确定，最终使得模型能够估计场景的绝对深度。
步骤105，根据所述目标模型计算场景的绝对深度。
在本实施例中，在模型训练完成之后，给定一张新的场景的RGB图片，通过输入到模型即可得到场景对应的绝对深度。
本发明的应用场景如图2所示，主要面向自动驾驶领域。在使用时，通过在汽车上安装单个相机，在汽车驾驶过程中相机不断拍摄前方场景的RGB图片，然后将RGB图片输入到训练好的神经网络模型中得到场景的绝对深度，进而指导自动驾驶系统的操作执行。
综上，本发明实施例的基于深度学习的单目绝对深度估计方法,能够应用到各种需要绝对深度的场景中。本发明中的方法首先利用大量相对深度数据和少量绝对深度数据对模型进行训练，同时通过设计一种损失函数来消除相对深度数据的尺度模糊性，使得模型训练拥有大量可以使用的数据，最终训练出一个泛化性能强的单目绝对深度估计模型，可以降低自动驾驶领域的技术成本，也能够有效应用到其他需要绝对深度的场景中。
为了实现上述实施例，本发明还提出一种基于深度学习的单目绝对深度估计装置。
图3为本发明实施例提供的一种基于深度学习的单目绝对深度估计装置的结构示意图。
如图3所示，该基于深度学习的单目绝对深度估计装置包括：第一获取模块310、第二获取模块320、计算模块330、训练模块340、处理模块350，其中，
第一获取模块310，用于获取样本RGB图片对应的深度数据和绝对深度；
第二获取模块320，用于将所述样本RGB图片的相对深度输入初始模型，获取所述初始模型输出的参考绝对深度；
计算模块330，用于根据预设的第一损失函数计算所述参考绝对深度和所述相对深度对应的绝对深度的损失值；
训练模块340，用于在所述损失值大于预设阈值时，调整所述初始模型，直至所述损失值小于所述预设阈值时，训练完成与所述初始模型对应的目标模型；
处理模块350，用于根据所述目标模型计算场景的绝对深度。
需要说明的是，前述对基于深度学习的单目绝对深度估计方法实施例的解释说明也适用于该实施例的基于深度学习的单目绝对深度估计装置，此处不再赘述。
为了实现上述实施例，本发明还提出一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例所描述的基于深度学习的单目绝对深度估计方法。
为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例所描述的基于深度学习的单目绝对深度估计方法。
为了实现上述实施例，本发明还提出一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，实现如上述实施例所描述的基于深度学习的单目绝对深度估计方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于深度学习的单目绝对深度估计方法,其特征在于，包括以下步骤：
获取样本RGB图片对应的深度数据和绝对深度；
将所述样本RGB图片的相对深度输入初始模型，获取所述初始模型输出的参考绝对深度；
根据预设的第一损失函数计算所述参考绝对深度和所述相对深度对应的绝对深度的损失值；
若所述损失值大于预设阈值，则调整所述初始模型，直至所述损失值小于所述预设阈值时，训练完成与所述初始模型对应的目标模型；
根据所述目标模型计算场景的绝对深度。
2.如权利要求1所述的方法，其特征在于，所述预设的第一损失函数为：
Figure FDA0002915291900000011
其中，D为真实的绝对深度，
Figure FDA0002915291900000012
为模型估计的参考绝对深度，N为图片像素的总数。
3.如权利要求1所述的方法，其特征在于，在所述根据所述目标模型计算场景的绝对深度之后，还包括：
将所述样本RGB图片的绝对深度输入所述初始模型，获取所述模型输出的参考相对深度；
根据预设的第二损失函数对计算所述参考相对深度和所述绝对深度对应的相对深度的损失值；
若所述损失值大于预设阈值，则调整所述目标模型，直至所述损失值小于所述预设阈值时，完成对所述目标模型的训练。
4.如权利要求3所述的方法，其特征在于，所述第二损失函数，包括：
Figure FDA0002915291900000013
其中，
Figure FDA0002915291900000014
为真实的相对深度结果的平均值，
Figure FDA0002915291900000015
参考相对深度的平均值。
5.如权利要求1所述的方法，其特征在于，所述调整所述初始模型，包括：
根据反向传播法调整所述初始模型的模型参数。
6.如权利要求1所述的方法，其特征在于，所述根据所述目标模型计算场景的绝对深度，包括：
获取所述场景的目标图像；
将所述目标图像输入所述目标模型获取所述场景的绝对深度。
7.一种基于深度学习的单目绝对深度估计装置，其特征在于，包括：
第一获取模块，用于获取样本RGB图片对应的深度数据和绝对深度；
第二获取模块，用于将所述样本RGB图片的相对深度输入初始模型，获取所述初始模型输出的参考绝对深度；
计算模块，用于根据预设的第一损失函数计算所述参考绝对深度和所述相对深度对应的绝对深度的损失值；
训练模块，用于在所述损失值大于预设阈值时，调整所述初始模型，直至所述损失值小于所述预设阈值时，训练完成与所述初始模型对应的目标模型；
处理模块，用于根据所述目标模型计算场景的绝对深度。
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-6中任一所述的方法。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
10.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令由处理器执行时，实现如权利要求1-6中任一所述的方法。
CN202110098807.3A 2021-01-25 2021-01-25 基于深度学习的单目绝对深度估计方法和装置 Pending CN112802080A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110098807.3A CN112802080A (zh) 2021-01-25 2021-01-25 基于深度学习的单目绝对深度估计方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110098807.3A CN112802080A (zh) 2021-01-25 2021-01-25 基于深度学习的单目绝对深度估计方法和装置

Publications (1)

Publication Number Publication Date
CN112802080A true CN112802080A (zh) 2021-05-14

Family

ID=75811636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110098807.3A Pending CN112802080A (zh) 2021-01-25 2021-01-25 基于深度学习的单目绝对深度估计方法和装置

Country Status (1)

Country Link
CN (1) CN112802080A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797432A (zh) * 2023-01-05 2023-03-14 荣耀终端有限公司 估计图像绝对深度的方法和装置
CN117422751A (zh) * 2023-12-19 2024-01-19 中科华芯(东莞)科技有限公司 一种非机动车安全驾驶辅助方法、系统及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797432A (zh) * 2023-01-05 2023-03-14 荣耀终端有限公司 估计图像绝对深度的方法和装置
CN117422751A (zh) * 2023-12-19 2024-01-19 中科华芯(东莞)科技有限公司 一种非机动车安全驾驶辅助方法、系统及电子设备
CN117422751B (zh) * 2023-12-19 2024-03-26 中科华芯(东莞)科技有限公司 一种非机动车安全驾驶辅助方法、系统及电子设备

Similar Documents

Publication Publication Date Title
EP2584309B1 (en) Image capture device and image capture method
US20120127275A1 (en) Image processing method for determining depth information from at least two input images recorded with the aid of a stereo camera system
CN110443874B (zh) 基于卷积神经网络的视点数据生成方法和装置
CN112802080A (zh) 基于深度学习的单目绝对深度估计方法和装置
EP2511875A1 (en) Apparatus and method for refining a value of a similarity measure
CN110942484B (zh) 基于遮挡感知和特征金字塔匹配的相机自运动估计方法
CN111476812A (zh) 地图分割方法、装置、位姿估计方法和设备终端
CN110345875A (zh) 标定及测距方法、装置、电子设备及计算机可读存储介质
CN112132925A (zh) 用于重建水下图像颜色的方法和装置
US20230384085A1 (en) Phase unwrapping method based on multi-view constraints of light field and related components
CN113793356A (zh) 车道线检测方法和装置
CN116385520A (zh) 融合全光源图像的磨损表面形貌光度立体重建方法及系统
CN114782507A (zh) 一种基于无监督学习的非对称双目立体匹配方法及系统
CN112347896B (zh) 基于多任务神经网络的头部数据处理方法及装置
CN113763276A (zh) 一种水下成像方法及其系统
KR101129220B1 (ko) 레인지 영상의 노이즈 제거장치 및 방법
US7751613B2 (en) Method for rapidly establishing image space relation using plane filtering constraint
CN113781312B (zh) 视频增强方法、装置、计算机设备和存储介质
Shabanian et al. A new hybrid stereo disparity estimation algorithm with guided image filtering-based cost aggregation
CN116385369A (zh) 深度图像质量评价方法、装置、电子设备及存储介质
CN103618904B (zh) 基于像素的运动估计方法及装置
CN117671020A (zh) 鱼眼相机的标定方法、全景影像的获取方法及车辆
CN115330849A (zh) 弱纹理的多阶段稠密重建网络方法、装置及存储介质
CN101836203B (zh) 用于自动比较两个度量值组的方法和装置
CN114549429A (zh) 基于超图结构的深度数据质量评价方法及装置

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: 20210514

RJ01 Rejection of invention patent application after publication