基于深度学习模型的单目图像深度估计

《基于深度学习模型的单目图像深度估计》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于深度学习模型的单目图像深度估计作者姓名李格学科专业通信与信息系统冯久超教授指导教师余翔宇副教授所在学院电子与信息学院论文提交日期2018年4月MonocularImageDepthEstimationBasedonDeepLearningModelADissertationSubmittedfortheDegreeofMasterCandidate:LiGeSupervisor:Prof.FengJiuchaoAssociateProf.YuXiangyuSouthChinaUniversityofTechnologyGua

2、ngzhou,China摘要单目图像深度估计是计算机视觉领域近年的炙手可热的一个研究方向，也是3D场景解析的一个重要组成部分。它的目标是根据单目可见光图估计每个像素点的景深，即景物离摄像头的距离。这是一项具有挑战性的任务。本文把单目图像深度估计任务分为两个阶段——粗估阶段，精估阶段，改进了一个以denseblock为单元的FC-DenseNet深度卷积神经网络结构模拟单目图像和深度图之间的模糊映射。为了进一步提高FC-DenseNet输出深度图的质量，在精估阶段采取超像素算法SLIC分割单目图像，提出了依赖相邻超像素块的相似度Neighbo

3、ringSimilarityWeightCNN模型与CRFasRNN相结合的网络结构。该过程先以场景RGB图的超像素块为单元提取出局部二进制模式LBP特征、图像颜色差异特征、图像颜色直方图分布差异特征等三种特征，然后归一化三种特征下的特征图并以此对粗估输出的深度图进行线性滤波，随后将此滤波结果输入作为联合滤波器的CNN网络作进一步图像增强。该CNN自适应更新权值计算出最优的、融合了三种近邻超像素块相似度因子的特征图从而增强图像中的三维场景信息，以此改善深度图全局的准确率。最后将此初步优化的深度图输入CRFasRNN模块，在联合NSW-CNN

4、进行端到端的训练过程中同时结合条件随机场CRF和CNN两者的优势，凭借概率图模型强大的建模能力完成深度图的像素级优化。关键词：深度估计；卷积神经网络；条件随机场；超像素分割；IAbstractAsanimportantpartof3Dsceneanalysis,monocularimagedepthestimationisalsoahotresearchtopicinthefieldofcomputervisioninrecentyears.Itsgoalistoestimatethedepthoffieldofeachpixelbased

5、onthemonocularvisiblelightmap,thatis,thedistanceofthescenefromthecamera.Thisisachallengingtask.Thisthesisdividesthemonocularimagedepthestimationtaskintotwosteps,roughestimationandprecisionestimation.Intheroughestimationstage,thisthesisimprovestheFC-DenseNetdeepconvolutiona

6、lneuralnetworkstructurewithdenseblockasaunittosimulatethefuzzymappingbetweenmonocularimageanddepthmap.InordertofurtherimprovethequalityoftheFC-DenseNetoutputdepthmap,superpixelalgorithmSLICisusedtosegmentthemonocularimageinthesecondstep,andanetworkstructurethatdependsonthe

7、similarityofadjacentsuperpixelblocksCNNmodelcalledNSW-CNNandCRFasRNNmoduleisproposed.TheprocessfirstlyextractsthreefeaturesofthelocalbinarypatternLBPfeatures,imagecolordifferencefeatures,imagecolorhistogramdistributiondifferencefeaturesinthesuperpixelblockofthesceneRGBmap,

8、andthennormalizesthefeaturemapsunderthethreecharacteristics.Inthisway,thedepthmapoftherou