收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

图像深度估计算法研究

杨涛  
【摘要】:对客观世界三维场景的感知和重建是计算机视觉领域的重要研究方向,获取图像深度信息可以使得计算机更准确地从二维图像中认知、模拟真实三维场景,从而服务于计算机视觉领域其他任务的研究以及自动驾驶、虚拟现实等工业领域的应用。由于普通成像设备只能获取二维图像,缺失深度信息,而现有的深度采集硬件受到感知距离有限、深度估计值稀疏、造价昂贵等因素的限制,很难广泛应用。因此,论文将围绕如何准确高效地从一幅或多幅二维平面图像中估计出深度信息这一问题进行全面研究。论文首先调研并阐述了单目、双目深度估计的研究趋势和原理模型;其次,分别针对双目深度估计的核心问题,即立体匹配,以及单目深度估计的核心问题,即像素级的回归、分类,分别展开研究讨论。在双目深度估计任务中,针对现实环境中最常见的亮度差异较大的立体匹配问题,提出了基于多亮度图层的遗传优化立体匹配算法;并且分析了卷积神经网络在双目立体匹配的应用,提出了快速空洞多尺度立体匹配卷积神经网络算法;在单目深度估计任务中,讨论其与语义分割任务的内在关系,将深度估计由回归问题转化为分类问题,提出一种基于空间金字塔上采样模块的编码解码结构实现单目图像深度信息预测。针对这些研究内容的主要创新点包括:1.提出了一种基于多亮度图层的遗传优化立体匹配算法。算法首先根据图像直方图拟合曲线的局部极值建立和匹配多亮度图层,并在匹配图层对上进行立体匹配和特征点匹配,以此减弱亮度差异。接着提出快速分割局部立体匹配算法,利用其它步骤需要进行特征点匹配的便利,结合尺度不变特征点(Scale-invariant feature transform,SIFT),用高密度特征点间距代替固定的视差搜索范围,提升了立体匹配准确度且加快了计算速度。在此基础上结合改进的立体匹配遗传优化算法,将多个由亮度图层对得到的视差图作为基因,设置连续性与准确性适应度函数和符合立体匹配特点的交叉、突变操作。在Middlebury和KITTI数据集上验证结果表明,多亮度图层机制可以削弱80%以上的平均亮度差异对立体匹配的影响;在不同光照、视差、旋转、放缩条件下,对比尺度不变特征变换多目标适应度函数遗传算法,深度估计准确率提高了4%以上、计算时间减少34%以上。2.提出了一种快速空洞多尺度卷积网络立体匹配算法。算法使用卷积神经网络进行立体匹配代价初始化计算,针对小卷积核覆盖到的特征区域较小这一缺点,使用空洞卷积核在少量增加参数的基础上提高立体匹配准确性;并使用多尺度网络结构,在不同的尺度上分别计算损失函数,进一步提高匹配准确度。提出权重多级、点积复合损失函数网络结构,并结合深度可分离卷积操作,使神经网络计算速度大幅提升。权重多级复合损失函数针对多尺度网络,并将占用时间较大的全连接层替换为直接点积变换计算损失函数,可大幅减小网络参数,降低计算时间。在KITTI数据集上验证结果表明,对比同类卷积网络立体匹配最优算法,深度估计错误率最大减小了0.17%、计算速度提高了6倍左右。3.提出了一种基于空间金字塔上采样机制和分类策略的单目深度估计编码解码算法。首先提出了一种具有学习能力的空间金字塔上采样机制,将上采样和多尺度特征提取功能整合在一个模块中,比非学习方法的上采样更多地利用了数据间互信息。并设计了一种单目深度估计编码解码框架,编码器使用密集连接Dense Net提取特征,解码器使用级联的空间金字塔上采样模块恢复图像,并结合瓶颈结构(Bottleneck)和深度可分离卷积(Depthwise Separable Convolution,DSC)操作简化整体框架参数量,提高估计效率。在NYU Depth V2数据集中验证结果表明,对比同样采用分类策略的软权值推理扩张残差网络算法,深度估计平均相对误差减少了2.4%。在Make3D数据集中验证结果表明,对比采用回归策略的全卷积残差网络算法(Fully Convolutional Residual Networks,FCRN),深度估计平均相对误差减少了5.7%。


知网文化
【相似文献】
中国期刊全文数据库 前13条
1 彭涛;胡智程;刘军平;张自力;黄子杰;;基于注意力机制的自监督单目图像深度估计[J];现代计算机;2021年19期
2 杨若扬;;移动设备载体上的图像深度应用[J];中国公共安全;2015年09期
3 张蕾;王园宇;张文涛;;融合感知损失的单幅雾霾图像深度估计[J];计算机工程与科学;2022年03期
4 吕建威;钱锋;韩昊男;张葆;;结合光源分割和线性图像深度估计的夜间图像去雾[J];中国光学;2022年01期
5 佟超;韩勇;冯巍;李伟铭;陶丽新;郭秀花;;医学图像深度学习处理方法的研究进展[J];北京生物医学工程;2021年02期
6 何钦;李根;严永煜;于文静;王嵘;;基于图像深度学习的牛个体的识别与统计[J];电子测试;2021年21期
7 张蓓蕾;刘洪玮;;基于马尔可夫随机场的单目图像深度估计[J];微型电脑应用;2010年11期
8 张海永;;基于图像深度学习的电力计量设备故障监测方法[J];电子设计工程;2021年09期
9 周浩;胡广芹;张新峰;;基于舌图像深度特征融合的中医体质分类方法研究[J];北京生物医学工程;2020年03期
10 刘杰平;温竣文;梁亚玲;;基于多尺度注意力导向网络的单目图像深度估计[J];华南理工大学学报(自然科学版);2020年12期
11 吴迪;张旭东;张骏;范之国;孙锐;;3D遮挡模型引导的光场图像深度获取[J];中国图象图形学报;2021年04期
12 马利;曹一铭;牛斌;;应用残差稠密网络的无监督单幅图像深度估计[J];小型微型计算机系统;2019年11期
13 李耀宇;王宏民;张一帆;卢汉清;;基于结构化深度学习的单目图像深度估计[J];机器人;2017年06期
中国重要会议论文全文数据库 前7条
1 安国艳;温静;;基于视觉深度迁移学习的有参考单目图像深度估计[A];2018中国自动化大会(CAC2018)论文集[C];2018年
2 姜吉祥;屈玉福;;双目视觉立体匹配算法对比研究[A];全国射线数字成像与CT新技术研讨会论文集[C];2012年
3 赵亮亮;黎宁;;一种基于全局约束的立体匹配算法[A];第十三届全国图象图形学学术会议论文集[C];2006年
4 贾波;章毓晋;张宁;林行刚;;一种二维搜索的立体匹配算法[A];中国图象图形科学技术新进展——第九届全国图象图形科技大会论文集[C];1998年
5 夏泽邑;刘冲;王跃宗;沙里瓦特;;基于平均局部熵的显微立体匹配算法[A];中国仪器仪表学会第五届青年学术会议论文集[C];2003年
6 高月芳;朱同林;张佑生;偶春生;;一种改进的立体匹配算法[A];全国第13届计算机辅助设计与图形学(CAD/CG)学术会议论文集[C];2004年
7 刘世敏;李睿;苏晓杰;;基于深度学习的多鱼眼全向视图深度估计方法[A];2021中国自动化大会论文集[C];2021年
中国博士学位论文全文数据库 前14条
1 杨涛;图像深度估计算法研究[D];中国科学院大学(中国科学院西安光学精密机械研究所);2021年
2 何立新;单目视觉图像深度测量方法研究[D];中国科学技术大学;2018年
3 张康;基于图像深度感知中的立体匹配和深度增强算法研究[D];清华大学;2015年
4 周东翔;图像绘制及其深度提取技术研究[D];中国人民解放军国防科学技术大学;2000年
5 陈彬;实时双目立体匹配算法研究与实现[D];武汉科技大学;2014年
6 朱程涛;基于图像滤波的精确立体匹配算法研究[D];天津大学;2019年
7 张翔;基于可编程片上系统的实时立体匹配算法研究[D];浙江大学;2014年
8 曹晓倩;面向病态场景图像对的立体匹配算法研究[D];中国科学院研究生院(西安光学精密机械研究所);2014年
9 施陈博;快速图像配准和高精度立体匹配算法研究[D];清华大学;2011年
10 翟振刚;立体匹配算法研究[D];北京理工大学;2010年
11 池凌鸿;立体匹配算法的研究和应用[D];中国科学技术大学;2011年
12 马浩;典型立体匹配算法精化方法研究[D];武汉大学;2018年
13 姚鹏;立体视觉中精确立体匹配算法的研究[D];天津理工大学;2019年
14 李婕;盲人导航系统中双目立体匹配算法的研究[D];武汉大学;2013年
中国硕士学位论文全文数据库 前20条
1 史春秀;基于深度学习的单目图像深度估计研究[D];北京化工大学;2020年
2 张晓娜;基于深度学习的单目图像深度估计[D];河北师范大学;2020年
3 冯朝旭;基于深度学习的单目图像深度估计[D];宁夏大学;2020年
4 李智宏;基于深度学习的单目图像深度估计问题研究[D];山西大学;2021年
5 安国艳;单目图像深度估计算法研究[D];山西大学;2019年
6 刘逸颖;基于深层卷积神经网络的单目图像深度估计[D];西安电子科技大学;2019年
7 尤加庚;基于深度学习的单目图像深度恢复[D];浙江工业大学;2019年
8 张全英;基于Markov随机场图像深度计算及应用研究[D];山东师范大学;2019年
9 贾英;抗遮挡的光场图像深度估计算法研究[D];中国科学技术大学;2018年
10 王媛媛;基于卷积神经网络的图像深度估计研究[D];西安理工大学;2018年
11 孙丹;基于遮挡判定和布局约束的单目图像深度拓扑结构研究[D];合肥工业大学;2018年
12 李成云;遮挡场景的光场图像深度估计方法研究[D];合肥工业大学;2018年
13 朱沛贤;基于卷积神经网络的单目图像深度估计研究[D];南京邮电大学;2018年
14 赵轩;大规模人脸属性图像深度描述子的提取和检索[D];南京航空航天大学;2018年
15 张凝;立体图像深度估计关键技术研究[D];天津大学;2018年
16 高建;单幅图像深度估计的弱监督学习方法[D];吉林大学;2018年
17 李格;基于深度学习模型的单目图像深度估计[D];华南理工大学;2018年
18 张擎宇;面向检索的图像深度表示和编码[D];中国科学技术大学;2017年
19 赵雪;基于迁移学习的单目图像深度估计[D];山西大学;2017年
20 曹一铭;基于残差稠密网络的单幅图像深度估计方法研究[D];辽宁大学;2020年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978