CN113205549B - 深度估计方法及装置、电子设备和存储介质 - Google Patents

深度估计方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113205549B
CN113205549B CN202110495016.4A CN202110495016A CN113205549B CN 113205549 B CN113205549 B CN 113205549B CN 202110495016 A CN202110495016 A CN 202110495016A CN 113205549 B CN113205549 B CN 113205549B
Authority
CN
China
Prior art keywords
depth
depth map
value
map
image data
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.)
Active
Application number
CN202110495016.4A
Other languages
English (en)
Other versions
CN113205549A (zh
Inventor
张展鹏
杨凯
吴华栋
高鸣岐
成慧
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.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
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 Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202110495016.4A priority Critical patent/CN113205549B/zh
Publication of CN113205549A publication Critical patent/CN113205549A/zh
Application granted granted Critical
Publication of CN113205549B publication Critical patent/CN113205549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/50Depth or shape recovery
    • G06T7/55Depth or shape recovery from multiple images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/80Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10028Range image; Depth image; 3D point clouds
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing
    • G06T2207/10044Radar image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20212Image combination
    • G06T2207/20221Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种深度估计方法及装置、电子设备和存储介质,所述方法包括:获取移动执行设备采集的同一场景的图像数据及点云数据;对图像数据的深度进行估计,得到图像数据的第一深度图;根据点云数据与图像数据之间的映射关系,将点云数据映射为与图像数据对应的第二深度图;根据第一深度图与第二深度图,生成目标深度图,以使移动执行设备根据目标深度图进行作业,第二绝对深度信息的密度大于第一绝对深度信息的密度。本公开实施例有利于得到较高密度的绝对深度信息。

Description

深度估计方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域,尤其涉及一种深度估计方法及装置、电子设备和存储介质。
背景技术
扫地机器人是智能家居的一种移动执行设备。智能化的扫地机器人需要估计空间中物体的绝对深度信息以进行自定位、建图、障碍物分析、地面地形分析等导航作业,从而可完成智能化的清扫。
而相关技术中,获得空间中物体的绝对深度信息的方式,可能存在绝对深度信息稀疏的问题,使得移动执行设备在进行导航作业的作业精度不高,例如,建图精度不高。
发明内容
本公开提出了一种深度估计技术方案。
根据本公开的一方面,提供了一种深度估计方法,包括:获取移动执行设备采集的同一场景的图像数据及点云数据;对所述图像数据的深度进行估计,得到所述图像数据的第一深度图,所述第一深度图表征所述场景中物体与所述移动执行设备之间的相对深度信息;根据所述点云数据与所述图像数据之间的映射关系,将所述点云数据映射为与所述图像数据对应的第二深度图,所述第二深度图表征所述场景中物体与所述移动执行设备之间的第一绝对深度信息;根据所述第一深度图与所述第二深度图,生成目标深度图,以使所述移动执行设备根据所述目标深度图进行作业,其中,所述目标深度图表征所述场景中物体与所述移动执行设备之间的第二绝对深度信息,所述第二绝对深度信息的密度大于所述第一绝对深度信息的密度。通过该方式,从而有利于得到较高密度的绝对深度信息,使移动执行设备在根据较高密度的绝对深度信息进行作业时,能够提高作业的精度。
在一种可能的实现方式中,根据所述第一深度图与所述第二深度图,生成目标深度图,包括:根据所述第二深度图中的第一非空深度值,确定在所述第一深度图中与所述第一非空深度值对应的第一深度值;根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数;根据所述深度参数调整所述第一深度图中的深度值,得到所述目标深度图。通过该方式,能够便捷地得到稠密的目标深度图。
在一种可能的实现方式中,根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数,包括:确定所述第一非空深度值与所述第一深度值之间的第一比值,所述深度参数包括所述第一比值的平均值或中值。通过该方式,可便捷地得到深度参数。
在一种可能的实现方式中,所述方法通过深度估计网络对所述图像数据的深度进行估计,所述深度估计网络还用于生成所述第一深度图中各深度值的置信度,其中,根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数,包括:根据所述第一深度值的置信度,确定所述第一非空深度值与所述第一深度值之间的第一比值的加权平均值,所述深度参数还包括所述加权平均值。通过该方式,能够使可靠程度较高的第一深度值所对应的第一比值的权重增加,从而提高深度参数的精度,进而提高目标深度图的精度。
在一种可能的实现方式中,所述方法通过深度估计网络对所述图像数据的深度进行估计,所述深度估计网络还用于生成所述第一深度图中各深度值的置信度,其中,根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数,还包括:根据所述第一深度值的置信度,从所述第一深度值中确定出置信度超过预设阈值的第二深度值;从所述第一非空深度值中确定出与所述第二深度值对应的第二非空深度值;根据所述第二非空深度值与所述第二深度值之间的第二比值,确定所述第一深度图的深度参数,所述深度参数包括所述第二比值的平均值或中值。通过该方式,能够依据置信度筛选出可靠程度较高的第二深度值,从而提高依据第二深度值所确定出的深度参数的精度,进而提高目标深度图的精度。
在一种可能的实现方式中,所述移动执行设备上设置有激光雷达以及一个或多个单目相机,所述激光雷达用于采集所述场景的点云数据,所述单目相机用于采集所述场景的图像数据,所述映射关系包括所述激光雷达与所述单目相机的映射矩阵。
在一种可能的实现方式中,所述方法还包括:在单目相机为多个的情况下,根据所述多个单目相机与所述激光雷达之间的相对位置,拼接所述多个单目相机采集的多个方位的图像数据,得到所述场景的图像数据。
在一种可能的实现方式中,所述方法还包括:根据所述目标深度图,构建针对所述场景的三维地图,以使所述移动执行设备根据所述三维地图进行自定位、避障、路径规划中的至少一种作业。
根据本公开的一方面,提供了一种深度估计装置,包括:获取模块,用于获取移动执行设备采集的同一场景的图像数据及点云数据;估计模块,用于对所述图像数据的深度进行估计,得到所述图像数据的第一深度图,所述第一深度图表征所述场景中物体与所述移动执行设备之间的相对深度信息;映射模块,用于根据所述点云数据与所述图像数据之间的映射关系,将所述点云数据映射为与所述图像数据对应的第二深度图,所述第二深度图表征所述场景中物体与所述移动执行设备之间的第一绝对深度信息;生成模块,用于根据所述第一深度图与所述第二深度图,生成目标深度图,以使所述移动执行设备根据所述目标深度图进行作业,其中,所述目标深度图表征所述场景中物体与所述移动执行设备之间的第二绝对深度信息,所述第二绝对深度信息的密度大于所述第一绝对深度信息的密度。
在一种可能的实现方式中,生成模块,包括:第一确定子模块,用于根据所述第二深度图中的第一非空深度值,确定在所述第一深度图中与所述第一非空深度值对应的第一深度值;第二确定子模块,用于根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数;调整子模块,用于根据所述深度参数调整所述第一深度图中的深度值,得到所述目标深度图。
在一种可能的实现方式中,根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数,包括:确定所述第一非空深度值与所述第一深度值之间的第一比值,所述深度参数包括所述第一比值的平均值或中值。
在一种可能的实现方式中,所述装置通过深度估计网络对所述图像数据的深度进行估计,所述深度估计网络还用于生成所述第一深度图中各深度值的置信度,其中,根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数,包括:根据所述第一深度值的置信度,确定所述第一非空深度值与所述第一深度值之间的第一比值的加权平均值,所述深度参数还包括所述加权平均值。
在一种可能的实现方式中,所述装置通过深度估计网络对所述图像数据的深度进行估计,所述深度估计网络还用于生成所述第一深度图中各深度值的置信度,其中,根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数,还包括:根据所述第一深度值的置信度,从所述第一深度值中确定出置信度超过预设阈值的第二深度值;从所述第一非空深度值中确定出与所述第二深度值对应的第二非空深度值;根据所述第二非空深度值与所述第二深度值之间的第二比值,确定所述第一深度图的深度参数,所述深度参数包括所述第二比值的平均值或中值。
在一种可能的实现方式中,所述移动执行设备上设置有激光雷达以及一个或多个单目相机,所述激光雷达用于采集所述场景的点云数据,所述单目相机用于采集所述场景的图像数据,所述映射关系包括所述激光雷达与所述单目相机的映射矩阵。
在一种可能的实现方式中,所述装置还包括:拼接模块,用于在单目相机为多个的情况下,根据所述多个单目相机与所述激光雷达之间的相对位置,拼接所述多个单目相机采集的多个方位的图像数据,得到所述场景的图像数据。
在一种可能的实现方式中,所述装置还包括:构建模块,用于根据所述目标深度图,构建针对所述场景的三维地图,以使所述移动执行设备根据所述三维地图进行自定位、避障、路径规划中的至少一种作业。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,基于图像数据得到的第一深度图,能够反映场景中物体与移动执行设备之间的稠密的相对深度信息,基于点云数据得到的第二深度图可反映物体与移动执行设备之间的稀疏的第一绝对深度信息,这样结合相对深度信息与第一绝对深度信息得到的第二绝对深度信息的密度大于第一绝对深度信息的密度,从而有利于得到较高密度的绝对深度信息,使移动执行设备在根据较高密度的绝对深度信息进行作业时,能够提高作业的精度,例如,提高构建三维地图的精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的深度估计方法的流程图。
图2a示出根据本公开实施例的图像数据的示意图。
图2b示出根据本公开实施例的第一深度图的示意图。
图3示出根据本公开实施例的第二深度图的示意图。
图4示出根据本公开实施例的第一深度图的示意图。
图5示出根据本公开实施例的深度估计系统的框图。
图6示出根据本公开实施例的深度估计装置的框图。
图7示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
应当理解,本公开的权利要求、说明书及附图中的术语“第一”、“第二”及“第三”等是用于区别不同对象,而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
在本公开实施例中,深度信息可表征物体之间的距离,如物体A与移动执行设备之间的深度信息,可表征物体A与移动执行设备之间的距离。其中,距离可包括相对距离及绝对距离,深度信息可包括相对深度信息及绝对深度信息。
相对深度信息可表征物体之间的相对距离,例如,物体A的相对深度信息为0.2,物体B的相对深度信息为0.1,这可代表物体A相对于物体B距离移动执行设备更远,并不表征物体A、B与移动执行设备的实际距离。
绝对深度信息可表征物体与移动执行设备之间的绝对距离,也即实际距离,例如,物体C的绝对深度信息为2,可代表物体C与移动执行设备之间的实际距离为2米。
考虑到,单目相机与激光雷达的成本较低,为实现移动执行设备对场景中物体的深度估计,在本公开实施例中,可在移动执行设备上部署单目相机与激光雷达,以通过单目相机采集场景的图像数据,通过激光雷达采集同一场景的点云数据,进而结合图像数据及点云数据进行深度估计。
其中,激光雷达可以是基于飞行时间法(Time of flight,TOF),通过向周围360度方向发送激光脉冲,用传感器接收反射回的激光,通过探测发送激光与接收激光的往返飞行时间来实现探测距离。激光雷达可采用单线激光雷达或多线激光雷达,对此本公开实施例不作限制。
其中,基于单目相机采集的图像数据是二维数据,无法直接得到场景中物体的绝对深度信息,但可间接得到物体的相对深度信息;基于激光雷达采集的点云数据是三维数据,虽可表征场景中物体的绝对深度信息,但由于采集的点云数据的数据点稀疏,稀疏的点云数据通常无法满足移动执行设备的作业需求。
根据本公开实施例中的深度估计方法,能够基于图像数据得到物体与移动执行设备之间的稠密的相对深度信息,基于点云数据得到物体与移动执行设备之间的稀疏的绝对深度信息,进而利用稠密的相对深度信息以及稀疏的绝对深度信息进行融合,可得到稠密的绝对深度信息,从而可满足移动执行设备针对场景的三维地图构建、自定位、障碍物分析、路径规划等作业需求。其中,稠密、稀疏可理解为深度信息中信息量的密度大小。
根据本公开实施例中的深度估计方法,可由移动执行设备执行,移动执行设备可包括:智能扫地机器人、智能清洁机器人、智能割草机器人、智能送货运输机器人等各类移动机器人、自动驾驶车辆等需要估计场景中物体的绝对深度信息的设备。
所述方法还可由处理器(如移动执行设备的处理器),调用存储器中存储的计算机可读指令的方式来实现。应理解的是,移动执行设备上的单目相机与激光雷达可与处理器进行通信,以将采集的图像数据以及点云数据发送至处理器和/或存储器中,从而实现本公开实施例中的深度估计方法。
图1示出根据本公开实施例的深度估计方法的流程图,如图1所示,所述深度估计方法包括:
在步骤S11中,获取移动执行设备采集的同一场景的图像数据及点云数据;
在步骤S12中,对图像数据的深度进行估计,得到图像数据的第一深度图,第一深度图表征场景中物体与移动执行设备之间的相对深度信息;
在步骤S13中,根据点云数据与图像数据之间的映射关系,将点云数据映射为与图像数据对应的第二深度图,第二深度图表征场景中物体与移动执行设备之间的第一绝对深度信息;
在步骤S14中,根据第一深度图与第二深度图,生成目标深度图,以使移动执行设备根据目标深度图进行作业。
其中,目标深度图表征场景中物体与移动执行设备之间的第二绝对深度信息,第二绝对深度信息的密度大于第一绝对深度信息的密度。第二绝对深度信息的密度大于第一绝对深度信息的密度,可理解为,第二绝对深度信息的信息量大于第一绝对深度信息的信息量。
如上所述,可通过移动执行设备上设置的单目相机以及激光雷达获取深度估计所需的数据,激光雷达用于采集场景的点云数据,单目相机用于采集场景的图像数据。单目相机采集的图像数据以及激光雷达采集的点云数据,也即为移动执行设备采集的同一场景的图像数据及点云数据。
考虑到,单目相机的视场角(即拍摄区域)有限,而激光雷达可覆盖的区域较广。移动执行设备上的单目相机可包括一个或多个。多个单目相机可分别设置在移动执行设备的不同方位,例如,可在移动执行设备的前后左右四个方位设置单目相机。
应理解的是,单目相机与激光雷达在移动执行设备上的位置可固定,激光雷达的激光发射区域可大于或等于一个或多个单目相机的拍摄区域。
在一种可能的实现方式中,在单目相机为多个的情况下,根据多个单目相机与激光雷达之间的相对位置,拼接多个单目相机采集的多个方位的图像数据,得到场景的图像数据。通过该方式,可实现对场景中大范围内物体的深度估计。
其中,多个单目相机与激光雷达之间的相对位置,可反映多个单目相机的所处方位,从而可依据该相对位置对多个方位的图像数据进行拼接。应理解的是,可采用任何已知的图像拼接技术,实现对多个方位的图像数据的拼接,对此本公开实施例不作限制。
在一种可能的实现方式中,在步骤S12中,可采用深度估计网络对图像数据的深度进行估计,得到图像数据的第一深度图。其中,对于深度估计网络的网络类型、网络结构以及训练方式,本公开实施例不作限制。图2a示出根据本公开实施例的图像数据的示意图,图2b示出根据本公开实施例的第一深度图的示意图。采用深度估计网络对如图2a示出的图像数据的深度进行估计,可得到如图2b示出第一深度图,其中,灰度的深浅可反映图像数据中各物体的深度大小。
在一种可能的实现方式中,可采用自监督单目深度估计技术,实现对深度估计网络构建以及训练。相较于现有的基于人工设计特征点进行双目立体匹配的方式,利用深度估计网络进行自监督学习相对深度信息,可提高针对图像数据中纹理较少的物体(例如白墙)进行深度估计的精度,从而提高相对深度信息以及第二绝对深度信息的精度。
在一种可能的实现方式中,在步骤S12中,点云数据与图像数据之间的映射关系,可理解为,三维数据到二维数据之间的映射关系。
例如,激光雷达采集的三维点云数据的坐标为(x,y,z),单目相机采集的图像数据的坐标为(u,v),点云数据与图像数据之间的映射关系可表示为公式(1):
其中,K代表单目相机的内参矩阵,代表映射矩阵,R代表旋转矩阵,t代表平移矩阵,[]T代表矩阵转置。其中,单目相机的内参矩阵已知,例如可通过现有的相机标定方法预先得到;映射矩阵可通过现有的激光雷达和单目相机的联合标定技术得到。
如上所述,激光雷达与单目相机在移动执行设备上的位置固定,在一种可能的实现方式中,可通过现有的激光雷达和单目相机的联合标定技术,对激光雷达与单目相机进行标定,得到激光雷达与单目相机的映射矩阵,点云数据与图像数据之间的映射关系包括该激光雷达与单目相机的映射矩阵,其中映射矩阵包括旋转矩阵及平移矩阵。
在一种可能的实现方式中,在步骤S12中,根据点云数据与图像数据之间的映射关系,将点云数据映射为与图像数据对应的第二深度图,可包括:根据该映射关系,将点云数据映射到图像数据的坐标系中,或者说将点云数据映射到图像数据的图像空间中,这样可得到点云数据与图像数据中对应的数据点,进而得到与图像数据对应的第二深度图。
需要说明的是,上述基于映射矩阵确定映射关系的方式,是本公开实施例公开的一种实现方式,实际上,本领域技术人员可采用任何已知的技术,得到点云数据到图像数据之间的映射关系,例如,还可通过插值拟合点云数据与图像数据之间的线性函数(如样条函数),得到点云数据与图像数据之间的映射关系,对此本公开实施例不作限制。
在一种可能的实现方式中,第一深度图中的深度值,可用来表征相对深度信息,第二深度图中的深度值可表征第一绝对深度信息。基于此,第二绝对深度信息的密度大于第一绝对深度信息的密度,也可理解为,第二深度图中深度值的数据量,大于第二深度图中深度值的数据量。
应理解的是,映射得到的第二深度图与第一深度图中的深度值是对应的,或者说,第二深度图与第一深度图中深度值的位置是对应的。举例来说,第一深度图中深度值a表征物体上某点m与移动执行设备的相对深度信息,第二深度图中深度值b表征物体上该点m与移动执行设备的绝对深度信息,那么深度值a与深度值b是对应的,深度值a与深度值b分别在第一深度图以及第二深度图上的位置是对应的,深度值a与深度值b可分别表征同一点m的相对深度信息及绝对深度信息。
在一种可能的实现方式中,第二深度图中的深度值,可以是点云数据中表征物体与移动执行设备之间距离的坐标值(例如坐标(x,y,z)中的z值),这样第二深度图可直接表征场景中物体与移动执行设备之间的第一绝对深度信息。
图3示出根据本公开实施例的第二深度图的示意图,如图3所示,第二深度图中的非空深度值可表征物体上的点与移动执行设备之间的距离。其中,应理解的是,点云数据的密度相较于图像数据要小,因此,第二深度图中可能存在空缺值。
在一种可能的实现方式中,在步骤S13中,根据第一深度图与第二深度图,生成目标深度图,例如可包括:通过融合网络对第一深度图与第二深度图进行融合,得到目标深度图。其中,融合网络例如可采用卷积神经网络,对于融合网络的网络结构、网络类型以及训练方式,本公开实施例不作限制。通过该方式,可有效得到表征场景中物体与移动执行设备之间密度大于第一绝对深度信息的第二绝对深度信息。
应理解的是,由于第二绝对深度信息的密度大于第一绝对深度信息,可使移动执行设备根据目标深度图进行作业时,满足移动执行设备在作业时对于场景中物体的绝对深度信息的使用需求,能够提高作业精度。
在一种可能的实现方式中,移动执行设备可基于目标深度图,针对场景进行三维地图构建,进而基于构建的三维地图,进行自定位、避障、路径规划等导航作业。也可直接利用目标深度图中表征绝对深度信息的深度值,进行自定位,避障、路径规划等作业,对于目标深度图的应用场景,本公开实施例不作限制。应理解的是,稠密的绝对深度信息,能够提高三维地图构建、自定位、避障、路径规划等作业的精度。
在本公开实施例中,基于图像数据得到的第一深度图,能够反映场景中物体与移动执行设备之间的稠密的相对深度信息,基于点云数据得到的第二深度图可反映物体与移动执行设备之间的稀疏的第一绝对深度信息,这样结合相对深度信息与第一绝对深度信息得到的第二绝对深度信息的密度大于第一绝对深度信息的密度,从而有利于得到较高密度的绝对深度信息,使移动执行设备在根据较高密度的绝对深度信息进行作业时,能够提高作业的精度,例如,提高构建三维地图的精度。
在一种可能的实现方式中,在步骤S13中,根据第一深度图与第二深度图,生成目标深度图,可包括:
根据第二深度图中的第一非空深度值,确定在第一深度图中与第一非空深度值对应的第一深度值;
根据第一非空深度值与第一深度值,确定第一深度图的深度参数;
根据深度参数调整第一深度图中的深度值,得到目标深度图。
如上所述,由于点云数据的密度相较于图像数据要小,因此,第二深度图中可能存在空缺值,而第二深度图与第一深度图中的深度值在位置上是对应的,基于此,可根据第二深度图中的第一非空深度值,确定第一深度图中对应的第一深度值。
举例来说,图4示出根据本公开实施例的第一深度图的示意图,根据如图3示出的第二深度图中的第一非空深度值b1的位置,可对应得到第一深度图中与第一非空深度值b1对应的第一深度值a8,以此类推,与第一非空深度值b2、b3、b4、b5、b6、b7、b8、b9分别对应的第一深度值为a9、a15、a16、a22、a23、a24、a28、a34。
在一种可能的实现方式中,根据第一非空深度值与第一深度值,确定第一深度图的深度参数,可包括:确定第一非空深度值与第一深度值之间的第一比值,深度参数包括第一比值的平均值或中值。通过该方式,可便捷地得到深度参数。
沿用上述图3及图4示出的例子,第一非空深度值与第一深度值之间的第一比值可包括:m1=b1/a8、m2=b2/a9、m3=b3/a15、m4=b4/a16、m5=b5/a22、m6=b6/a23、m7=b7/a24、m8=b8/a28、m9=b9/a34。深度参数可是m1、m2、m3、m4、m5、m6、m7、m8、m9的平均值或中值。
在一种可能的实现方式中,根据深度参数调整第一深度图中的深度值,例如可以是将深度参数与第一深度图中的深度值相乘,包括将深度参数与第一深度图中部分或全部深度值相乘,得到目标深度图。
在一种可能的实现方式中,根据深度参数调整第一深度图中的深度值,例如还可按照预设尺寸及预设移动步长的移动窗,对第一深度图中的深度值进行划分,计算移动窗内深度值的平均值与深度参数的乘积,得到目标深度图,其中,预设尺寸可包括2×2,预设移动步长可设为1。
例如,沿用图4示出的例子,设c表征深度参数,预设尺寸为2×2,预设移动步长为1,那么计算出的移动窗内深度值的平均值与深度参数的乘积,可包括:c(a1+a2+a7+a8)/4、c(a2+a3+a9+a10)/4、……、c(a7+a8+a13+a14)/4、……、c(a29+a30+a35+a36)/4。
在本公开实施例中,能够便捷地得到稠密的目标深度图,也即得到密度较第一绝对深度信息的第二绝对深度信息。
如上所述,可通过深度估计网络对图像数据的深度进行估计,在一种可能的实现方式中,所述深度估计网络还用于生成第一深度图中各深度值的置信度,其中,所述根据第一非空深度值与第一深度值,确定第一深度图的深度参数,包括:
根据第一深度值的置信度,确定第一非空深度值与第一深度值之间的第一比值的加权平均值,深度参数还包括加权平均值。
其中,各深度值的置信度,可表征第一深度图中各深度值的可靠程度。应理解的是,置信度越高,可代表第一深度图中各深度值的可靠程度越高。基于置信度,可设置第一比值的权重与置信度正相关,由此对第一比值进行加权平均,可使可靠程度较高的第一深度值所对应的第一比值的权重增加,从而提高深度参数的精度。
其中,第一非空深度值与第一深度值之间的第一比值可参照上述本公开实施例的方式确定,在此不做赘述。
沿用上述第一比值m1至m9的例子,假设第一深度值a9、a15、a16、a22、a23、a24、a28、a34的置信度为:s1、s2、s3、s4、s5、s6、s7、s8、s9,则根据第一深度值的置信度,确定出的第一比值的加权平均值,可为:(s1m1+s2m2+s3m3+s4m4+s5m5+s6m6+s7m7+s8m8+s9m9)/(s1+s2+s3+s4+s5+s6+s7+s8+s9)。
在本公开实施例中,能够使可靠程度较高的第一深度值所对应的第一比值的权重增加,从而提高深度参数的精度,进而提高目标深度图的精度。
如上所述,可通过深度估计网络对所述图像数据的深度进行估计,深度估计网络还用于生成第一深度图中各深度值的置信度,在一种可能的实现方式中,根据第一非空深度值与第一深度值,确定第一深度图的深度参数,还包括:
根据第一深度值的置信度,从第一深度值中确定出置信度超过预设阈值的第二深度值;
从第一非空深度值中确定出与第二深度值对应的第二非空深度值;
根据第二非空深度值与第二深度值之间的第二比值,确定第一深度图的深度参数,深度参数包括第二比值的平均值或中值。
其中,预设阈值的数值,可根据深度估计网络的训练效果确定,例如,当深度估计网络的损失收敛时、和/或输出精度达到网络评估指标时,将深度估计网络输出的置信度的平均值或最小值等作为该预设阈值,对此本公开实施例不作限制。
如上所述,各深度值的置信度,可表征第一深度图中各深度值的可靠程度。应理解的是,置信度越高,可代表第一深度图中各深度值的可靠程度越高。那么从第一深度值中确定出置信度超过预设阈值的第二置信度,可意味着,第二深度值的可靠程序较高,依据较高可靠程度的第二深度值,能够提高所确定出的深度参数的精度。
应理解的是,第二深度值可以是部分或全部第一深度值。基于此,可基于第二深度值的位置,从第一非空深度值中确定出对应的第二非空深度值,也即,从第二深度图中确定出与第二深度值对应的第二非空深度值。
沿用上述图3及图4示出的例子,若根据第一深度值a9、a15、a16、a22、a23、a24、a28、a34分别对应的置信度,确定出超过预设阈值的第二深度值为a16、a22、a23、a24、a28、a34,则可从第一非空深度值b2、b3、b4、b5、b6、b7、b8、b9中,确定出与第二深度值对应的第二非空深度值为b4、b5、b6、b7、b8、b9。
其中,根据第二非空深度值与第二深度值之间的第二比值,确定第一深度图的深度参数,可参照上述本公开实施例中根据第一比值确定深度参数的方式,在此不做赘述。
在本公开实施例中,能够依据置信度筛选出可靠程度较高的第二深度值,从而提高依据第二深度值所确定出的深度参数的精度,进而提高目标深度图的精度。
如上所述,移动执行设备可根据目标深度图进行作业。在一种可能的实现方式中,所述方法还包括:
根据目标深度图,构建针对场景的三维地图,以使移动执行设备根据三维地图进行自定位、避障、路径规划中的至少一种作业。
其中,可采用已知的三维地图构建技术,实现根据目标深度图,构建针对场景的三维地图,例如,可采用即时定位与地图构建(Simultaneous Localization And Mapping,SLAM)技术,实现针对场景的三维地图构建,对此本公开实施例不作限制。
其中,自定位,可理解为,确定移动执行设备自身在场景中的位置;避障,可理解为,躲避场景中的障碍物;路径规划,可理解为,规划移动执行设备的移动轨迹。
应理解的是,自定位、避障、路径规划等,通常需要知晓场景中物体的绝对深度信息。在一种可能的实现方式中,自定位、避障、路径规划等作业,也可直接依据目标深度图实现,对于目标深度图的应用场景,本公开实施例不作限制。
图5示出根据本公开实施例的深度估计系统的框图。如图5所示,所述系统可应用于移动执行设备,所述系统包括:
单目相机模块,用于采集图像数据(如RGB图像),并将图像数据发送至单目深度估计模块;
单目深度估计模块,用于对图像数据的深度进行估计,得到第一深度图,并将第一深度图发送至融合模块;
单线激光雷达模块,用于将单线激光雷达采集的点云数据映射至第一深度图的图像空间,得到第二深度图,并将第二深度图发送至融合模块;
融合模块,用于根据第一深度图以及第二深度图,生成目标深度图。
其中,单目相机模块,可包括一个或多个单目相机;单线激光雷达模块可包括单线激光雷达。
其中,所述系统中各模块的处理过程,可参照上述本公开实施例的深度估计方法,在此不做赘述。
根据本公开的实施例,能够解决深度信息稀疏、针对纹理较少的物体(如白墙等)进行深度估计的适应性不好、精度不高的问题;能够降低移动执行设备的硬件成本;能够得到稠密的带物理深度(绝对深度信息)的深度图,便于移动执行设备进行建图、自定位以及路径规划等导航功能的实现。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了深度估计装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种深度估计方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图6示出根据本公开实施例的深度估计装置的框图,如图6所示,所述装置包括:
获取模块101,用于获取移动执行设备采集的同一场景的图像数据及点云数据;
估计模块102,用于对所述图像数据的深度进行估计,得到所述图像数据的第一深度图,所述第一深度图表征所述场景中物体与所述移动执行设备之间的相对深度信息;
映射模块103,用于根据所述点云数据与所述图像数据之间的映射关系,将所述点云数据映射为与所述图像数据对应的第二深度图,所述第二深度图表征所述场景中物体与所述移动执行设备之间的第一绝对深度信息;
生成模块104,用于根据所述第一深度图与所述第二深度图,生成目标深度图,以使所述移动执行设备根据所述目标深度图进行作业,其中,所述目标深度图表征所述场景中物体与所述移动执行设备之间的第二绝对深度信息,所述第二绝对深度信息的密度大于所述第一绝对深度信息的密度。
在一种可能的实现方式中,生成模块104,包括:第一确定子模块,用于根据所述第二深度图中的第一非空深度值,确定在所述第一深度图中与所述第一非空深度值对应的第一深度值;第二确定子模块,用于根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数;调整子模块,用于根据所述深度参数调整所述第一深度图中的深度值,得到所述目标深度图。
在一种可能的实现方式中,根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数,包括:确定所述第一非空深度值与所述第一深度值之间的第一比值,所述深度参数包括所述第一比值的平均值或中值。
在一种可能的实现方式中,所述装置通过深度估计网络对所述图像数据的深度进行估计,所述深度估计网络还用于生成所述第一深度图中各深度值的置信度,其中,根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数,包括:根据所述第一深度值的置信度,确定所述第一非空深度值与所述第一深度值之间的第一比值的加权平均值,所述深度参数还包括所述加权平均值。
在一种可能的实现方式中,所述装置通过深度估计网络对所述图像数据的深度进行估计,所述深度估计网络还用于生成所述第一深度图中各深度值的置信度,其中,根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数,还包括:根据所述第一深度值的置信度,从所述第一深度值中确定出置信度超过预设阈值的第二深度值;从所述第一非空深度值中确定出与所述第二深度值对应的第二非空深度值;根据所述第二非空深度值与所述第二深度值之间的第二比值,确定所述第一深度图的深度参数,所述深度参数包括所述第二比值的平均值或中值。
在一种可能的实现方式中,所述移动执行设备上设置有激光雷达以及一个或多个单目相机,所述激光雷达用于采集所述场景的点云数据,所述单目相机用于采集所述场景的图像数据,所述映射关系包括所述激光雷达与所述单目相机的映射矩阵。
在一种可能的实现方式中,所述装置还包括:拼接模块,用于在单目相机为多个的情况下,根据所述多个单目相机与所述激光雷达之间的相对位置,拼接所述多个单目相机采集的多个方位的图像数据,得到所述场景的图像数据。
在一种可能的实现方式中,所述装置还包括:构建模块,用于根据所述目标深度图,构建针对所述场景的三维地图,以使所述移动执行设备根据所述三维地图进行自定位、避障、路径规划中的至少一种作业。
在本公开实施例中,基于图像数据得到的第一深度图,能够反映场景中物体与移动执行设备之间的稠密的相对深度信息,基于点云数据得到的第二深度图可反映物体与移动执行设备之间的稀疏的第一绝对深度信息,这样结合相对深度信息与第一绝对深度信息得到的第二绝对深度信息的密度大于第一绝对深度信息的密度,从而有利于得到较高密度的绝对深度信息,使移动执行设备在根据较高密度的绝对深度信息进行作业时,能够提高作业的精度,例如,提高构建三维地图的精度。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的深度估计方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的深度估计方法的操作。
电子设备可以被提供为终端、移动执行设备或其它形态的设备。
图7示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动执行设备,或移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)、第三代移动通信技术(3G)、长期演进技术(Long Term Evolution、LTE)或第五代移动通信技术(5G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (11)

1.一种深度估计方法,其特征在于,包括:
获取移动执行设备采集的同一场景的图像数据及点云数据;
对所述图像数据的深度进行估计,得到所述图像数据的第一深度图,所述第一深度图表征所述场景中物体与所述移动执行设备之间的相对深度信息;
根据所述点云数据与所述图像数据之间的映射关系,将所述点云数据映射为与所述图像数据对应的第二深度图,所述第二深度图表征所述场景中物体与所述移动执行设备之间的第一绝对深度信息;
根据所述第一深度图与所述第二深度图,生成目标深度图,以使所述移动执行设备根据所述目标深度图进行作业,其中,所述目标深度图表征所述场景中物体与所述移动执行设备之间的第二绝对深度信息,所述第二绝对深度信息的密度大于所述第一绝对深度信息的密度。
2.根据权利要求1所述的方法,其特征在于,根据所述第一深度图与所述第二深度图,生成目标深度图,包括:
根据所述第二深度图中的第一非空深度值,确定在所述第一深度图中与所述第一非空深度值对应的第一深度值;
根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数;
根据所述深度参数调整所述第一深度图中的深度值,得到所述目标深度图。
3.根据权利要求2所述的方法,其特征在于,根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数,包括:
确定所述第一非空深度值与所述第一深度值之间的第一比值,所述深度参数包括所述第一比值的平均值或中值。
4.根据权利要求2或3所述的方法,其特征在于,所述方法通过深度估计网络对所述图像数据的深度进行估计,所述深度估计网络还用于生成所述第一深度图中各深度值的置信度,
其中,根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数,包括:
根据所述第一深度值的置信度,确定所述第一非空深度值与所述第一深度值之间的第一比值的加权平均值,所述深度参数还包括所述加权平均值。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述方法通过深度估计网络对所述图像数据的深度进行估计,所述深度估计网络还用于生成所述第一深度图中各深度值的置信度,
其中,根据所述第一非空深度值与所述第一深度值,确定所述第一深度图的深度参数,还包括:
根据所述第一深度值的置信度,从所述第一深度值中确定出置信度超过预设阈值的第二深度值;
从所述第一非空深度值中确定出与所述第二深度值对应的第二非空深度值;
根据所述第二非空深度值与所述第二深度值之间的第二比值,确定所述第一深度图的深度参数,所述深度参数包括所述第二比值的平均值或中值。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述移动执行设备上设置有激光雷达以及一个或多个单目相机,所述激光雷达用于采集所述场景的点云数据,所述单目相机用于采集所述场景的图像数据,所述映射关系包括所述激光雷达与所述单目相机的映射矩阵。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在单目相机为多个的情况下,根据所述多个单目相机与所述激光雷达之间的相对位置,拼接所述多个单目相机采集的多个方位的图像数据,得到所述场景的图像数据。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述方法还包括:
根据所述目标深度图,构建针对所述场景的三维地图,以使所述移动执行设备根据所述三维地图进行自定位、避障、路径规划中的至少一种作业。
9.一种深度估计装置,其特征在于,包括:
获取模块,用于获取移动执行设备采集的同一场景的图像数据及点云数据;
估计模块,用于对所述图像数据的深度进行估计,得到所述图像数据的第一深度图,所述第一深度图表征所述场景中物体与所述移动执行设备之间的相对深度信息;
映射模块,用于根据所述点云数据与所述图像数据之间的映射关系,将所述点云数据映射为与所述图像数据对应的第二深度图,所述第二深度图表征所述场景中物体与所述移动执行设备之间的第一绝对深度信息;
生成模块,用于根据所述第一深度图与所述第二深度图,生成目标深度图,以使所述移动执行设备根据所述目标深度图进行作业,其中,所述目标深度图表征所述场景中物体与所述移动执行设备之间的第二绝对深度信息,所述第二绝对深度信息的密度大于所述第一绝对深度信息的密度。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至8中任意一项所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
CN202110495016.4A 2021-05-07 2021-05-07 深度估计方法及装置、电子设备和存储介质 Active CN113205549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110495016.4A CN113205549B (zh) 2021-05-07 2021-05-07 深度估计方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110495016.4A CN113205549B (zh) 2021-05-07 2021-05-07 深度估计方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113205549A CN113205549A (zh) 2021-08-03
CN113205549B true CN113205549B (zh) 2023-11-28

Family

ID=77030200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110495016.4A Active CN113205549B (zh) 2021-05-07 2021-05-07 深度估计方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113205549B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689391B (zh) * 2021-08-16 2024-07-19 炬佑智能科技(苏州)有限公司 ToF设备的安装参数获取方法、系统和ToF设备
CN113706598B (zh) * 2021-09-06 2024-07-26 Oppo广东移动通信有限公司 图像处理方法、模型训练方法及装置、介质和电子设备
CN114612544B (zh) * 2022-03-11 2024-01-02 北京百度网讯科技有限公司 图像处理方法、装置、设备和存储介质
CN114862931A (zh) * 2022-05-31 2022-08-05 小米汽车科技有限公司 深度距离确定方法、装置、车辆、存储介质与芯片
CN115049717B (zh) * 2022-08-15 2023-01-06 荣耀终端有限公司 一种深度估计方法及装置
CN116091572B (zh) * 2022-10-21 2023-10-03 荣耀终端有限公司 获取图像深度信息的方法、电子设备及存储介质
CN117804449B (zh) * 2024-02-29 2024-05-28 锐驰激光(深圳)有限公司 割草机地面感知方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340864A (zh) * 2020-02-26 2020-06-26 浙江大华技术股份有限公司 基于单目估计的三维场景融合方法及装置
CN111563923A (zh) * 2020-07-15 2020-08-21 浙江大华技术股份有限公司 获得稠密深度图的方法及相关装置
WO2020258297A1 (zh) * 2019-06-28 2020-12-30 深圳市大疆创新科技有限公司 图像语义分割方法、可移动平台及存储介质
US10937178B1 (en) * 2019-05-09 2021-03-02 Zoox, Inc. Image-based depth data and bounding boxes
US10984543B1 (en) * 2019-05-09 2021-04-20 Zoox, Inc. Image-based depth data and relative depth data
WO2021084530A1 (en) * 2019-10-27 2021-05-06 Ramot At Tel-Aviv University Ltd. Method and system for generating a depth map

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9514537B2 (en) * 2013-12-27 2016-12-06 Xerox Corporation System and method for adaptive depth map reconstruction
CN109300190B (zh) * 2018-09-06 2021-08-10 百度在线网络技术(北京)有限公司 三维数据的处理方法、装置、设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10937178B1 (en) * 2019-05-09 2021-03-02 Zoox, Inc. Image-based depth data and bounding boxes
US10984543B1 (en) * 2019-05-09 2021-04-20 Zoox, Inc. Image-based depth data and relative depth data
WO2020258297A1 (zh) * 2019-06-28 2020-12-30 深圳市大疆创新科技有限公司 图像语义分割方法、可移动平台及存储介质
WO2021084530A1 (en) * 2019-10-27 2021-05-06 Ramot At Tel-Aviv University Ltd. Method and system for generating a depth map
CN111340864A (zh) * 2020-02-26 2020-06-26 浙江大华技术股份有限公司 基于单目估计的三维场景融合方法及装置
CN111563923A (zh) * 2020-07-15 2020-08-21 浙江大华技术股份有限公司 获得稠密深度图的方法及相关装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
三维点云数据获取技术;袁红照;李勇;何方;;安阳师范学院学报(02);全文 *

Also Published As

Publication number Publication date
CN113205549A (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
CN113205549B (zh) 深度估计方法及装置、电子设备和存储介质
CN113284240B (zh) 地图构建方法及装置、电子设备和存储介质
CN111340766B (zh) 目标对象的检测方法、装置、设备和存储介质
CN111983635B (zh) 位姿确定方法及装置、电子设备和存储介质
CN109584362B (zh) 三维模型构建方法及装置、电子设备和存储介质
CN111105454B (zh) 一种获取定位信息的方法、装置及介质
CN106778773B (zh) 图片中目标物的定位方法及装置
CN112001321A (zh) 网络训练、行人重识别方法及装置、电子设备和存储介质
US20220084249A1 (en) Method for information processing, electronic equipment, and storage medium
CN112945207B (zh) 目标定位方法及装置、电子设备和存储介质
CN112362047A (zh) 定位方法及装置、电子设备和存储介质
CN111860373B (zh) 目标检测方法及装置、电子设备和存储介质
CN112837372A (zh) 数据生成方法及装置、电子设备和存储介质
CN112767541A (zh) 三维重建方法及装置、电子设备和存储介质
CN113052900A (zh) 一种位置确定方法及装置、电子设备和存储介质
CN113192145B (zh) 设备标定方法及装置、电子设备和存储介质
CN112148815B (zh) 一种基于共享地图的定位方法及装置、电子设备和存储介质
CN117115244A (zh) 云端重定位方法、装置及存储介质
CN113469036A (zh) 活体检测方法及装置、电子设备和存储介质
CN109543544B (zh) 跨光谱图像匹配方法及装置、电子设备和存储介质
CN110941265A (zh) 地图录入方法、装置、计算机设备和存储介质
CN112837361B (zh) 一种深度估计方法及装置、电子设备和存储介质
CN116664887A (zh) 定位精度确定方法、装置、电子设备及可读存储介质
CN113138660B (zh) 信息的获取方法、装置、移动终端及存储介质
CN116934840A (zh) 目标检测方法、装置、电子设备、存储介质和程序产品

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
GR01 Patent grant
GR01 Patent grant