基于单目纹理图的深度估计算法研究

发布时间：2022-01-05 11:14

　　随着人工智能,3D应用的发展,对于场景信息的获取也越来越重要,深度作为场景中的最重要的信息之一,如何获得深度信息一直是计算机视觉领域的一个重要问题。在深度采集设备不能大规模普及的情况下,针对已经存有的大量的彩色图,依据这些单目图像来估计深度就是一个具有挑战性的任务。对于单目图像的深度估计问题,从场景分类出发,本文分别基于室外图像和室内图像进行了研究工作。基于室外图像,本文借鉴由粗到细的深度估计过程,设计了粗尺度结构化随机森林结合细尺度的结构化随机森林的结构,通过粗尺度的结构化森林来估计全局的粗糙的深度信息,将预测结果上采样之后送入到细尺度的结构化森林中,从而进行局部的精细的深度估计。针对室内图像丰富的场景结构,以及深度线索信息,本文提出了一个多尺度特征融合的深度学习网络,分为特征提取网络和特征融合网络。特征提取网络基于全卷积神经网络提取多层次的全局,局部特征,并减少了网络参数。特征融合网络则利用跳转结构,逐步融合特征,将特征提取网络的浅层局部特征和高层全局特征结合起来,并采用快速反卷积将特征图上采样到原图大小来进行单目深度估计。总体而言,基于室外图像,本文提出了一个由粗到细的基于结构化... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

初级人工智能

华 中 科 技 大 学 硕 士 学 位 论 文器，通常用于自动驾驶汽车领域当中。由于利用了高频率的激抗干扰能力强，便于携带等优点，但是也存在着一些缺点，由天气影响，而且其结构复杂成本较高，限制了它的推广。而 Minect 传感器（图 1-2），具有 1 个彩色相机，以及 2 个红外相机，通过向物体表面投射设计过的结构光，接受并解析反射回来深度信息[1]。由于结构光技术计算简单，所需的设备少所以 K较小，价格较为低廉，便于安装维护，而且可以跨平台操作，但测量范围较小，受光照影响较大的问题。目前而言，市面上现有着各自的不足，并不适合进行大规模的推广。

了单目深度估计的一些深度线索之后，就需要对一张图像提取相像由多个像素点排列而成，可以从像素点中提取出边缘，纹理，局特征而言，可以对整个图像来计算提取特征，而对于局部特征行分块，然后再来提取其局部特征。要采用了纹理，颜色，边缘，暗通道等。由于纹理变化信息主要度通道中，因此将图像转化为 YCbCr 空间中，其中 Y 分量代表着和 Cr 分量则代表着图像的两个色彩通道，YCbCr 等可以作为所CN 特征征可以测量图像中的纹理能量，Saxena[11]等人使用 SCN 特征用于 SCN 特征的卷积核由公式( 2-2 )中的向量组合而成，卷积核如图 用于检测局部均值， E 3向量用于检测边缘， S 3向量用于检测点。

【参考文献】：
期刊论文
[1]电影2D/3D转换技术概述[J]. 刘伟,吴毅红,胡占义.  计算机辅助设计与图形学学报. 2012(01)
[2]基于多尺度纹理能量测度的单幅图像深度估计[J]. 蓝建梁,丁友东,黄东晋,吴冏.  计算机工程与设计. 2011(01)
[3]基于单幅建筑物图像的三维信息提取[J]. 丁伟利,朱枫,郝颖明.  仪器仪表学报. 2008(09)
[4]未标定单幅结构场景图像的三维重构[J]. 杨敏,沈春林.  中国图象图形学报. 2004(04)



本文编号：3570248