基于深度学习的单目图像深度恢复.pdf

基于深度学习的单目图像深度恢复
作者 : 尤加庚
学位授予单位 : 浙江工业大学
学位名称 : 硕士
导师姓名 : 何通能
学位年度 : 2019
关键词 : 深度恢复；卷积神经网络；多尺度；DenseNet；嵌入式人工智能
摘要 : 三维重建一直是计算机视觉领域的研究热点之一,深度信息的获取更是其中极为重要的环节。传统的深度信息获取方法为立体视觉,利用几何关系得到深度信息,但该方法对环境条件要求苛刻,限制诸多。因此,更贴近实际场景、更具鲁棒性的单目图像深度恢复方法有着极大的研究价值。由于卷积神经网络有强大的自主学习特征的能力,因此,针对单目图像深度恢复,本文提出了一种基于深度学习的单目图像深度恢复方法。首先,本文搭建了一种新颖的卷积神经网络模型,该网络模型将特征采集拆分为多个尺度,对图像同时进行全局特征的粗糙采样与局部特征的细致采样;其次,本文在网络模型中加入了改进的DenseNet结构,利用稠密连接的强特征传递、特征重用等特点,提高了特征采集效率,实现特征的多级综合高效利用;最终,本文在NYU Depth V2数据集上验证了模型的有效性与优越性。实验结果表明,该方法的预测结果平均相对误差为0.119,均方根误差为0.547,对数空间平均误差为0.052。此外,本文将网络模型移植到了嵌入式设备上并成功运行,实现了简单的嵌入式人工智能,但运行速度仍有很大的进步空间。综上所述,本文将卷积神经网络应用到了单目图像深度恢复的方法中,该方法能够利用单目图像直接获取深度信息,为三维重建提供了新的思路。此外,本文的网络模型采用的是监督学习的训练方法,后续会在无监督学习的方向上进一步尝试。