CN115423857B 一种用于可穿戴头盔的单目图像深度估计方法 （中国矿业大学）

一种用于可穿戴头盔的单目图像深度估计本发明公开了一种用于可穿戴头盔的单目立进行单目深度估计的深度卷积神经网络模型本发明基于能预测井下图像深度图的平面系数2步骤b，对步骤a得到的初始井下图像深度图进p所述提取风格特征作为额外信号来约束估计的深度具体为：将预测的初始深度D和平p面深度分别送入卷积神经网络中编码器提取它们的风格特征以得到两者的格拉姆矩所述步骤a中通过平面系数恢复出初始井下图像深度图对于描绘平面三维表面的图像区域，逆深度是像素位置的仿射函3步骤b2，基于步骤b1中从二维图像提取的灭点v，根据图像中结构线估计提取主导方步骤b4，采用曼哈顿法向检测来检测分类属于主平pp其中1和0分别代表曼哈顿和非曼哈顿区域，因此本方法4根据矿井下信息所依据几何信息较多，对颜色信息差异性和几何5面区域内三维点进行平面拟合，通过求解最小二乘问题得到平面参数θ=_n/d∈R3，,其中其中X∈R3XN表示平面区域内的三维点；然后将逆深度ρp转换为深度D,",使用从平面拟合获得的深度提取风格特征6穿戴式头盔用于单目图像深度估计方法及系统是保证煤矿人员安全至关重深度学习的方法。基于传统机器学习的单目深度估计方法一般使用马尔可夫随机场(MRF)部分工作研究多任务的联合预测方法；第2层级为绝对深度预测方法与相对深度关系预测7在矿井下的复杂结构中通过利用具有均匀颜色的区域是平面的特征来检测平面区域而导相机内部和三维平面进行编码；通过引入并将和8pp9两组相互正交的平行直线的四个交点的图像坐标，然后根据四个交点的坐标和灭点的定[0044]进一步地，所述步骤b11中采用的直线检测方法为：先进行非微分边缘检测算子p_dq|[0069]然后将逆深度ρp转换为深度D,",使用从平面拟合获得的深度提取风格p初始深度D和平面深度分别送入卷积神经网络中编码器提取它们的风格特征以得到p再预测出深度图，从数学方面间接预测的深度图效果远比直接预测矿井下图像深度效果[0075]2.目前的利用矿井下结构规律是用所有平面的可能法向量与预测的主法向量进通过利用具有均匀颜色的区域是平面的特征来检测平面区域而导致的图像的错误检测和[0080]图3为本发明的实施例所述的共平面法向深度约束估计步骤中的颜色一几何信息[0081]图4为本发明的实施例所述的共平面法向深度约束估计步骤中的风格矩阵(gram)[0084]如图1所示，本发明所述的一种用于可穿戴头盔的单目图像深度估计方法的整体井下图像深度图。所述映射fθ可以准确地表达为f,=ho(g,,p),在每个像素处应用上述公组相互正交的平行直线的四个交点的图像坐标，然后根据四个交点的坐标和灭点的定义，的法向量np和每个可能主方向ηk之间的差异，并选择具有最佳相似性的一个作为该点的曼pppp[0107]假设像素p的三维坐标Xp位于法线为对齐法线的平面内，则平面到原点的距离计p_dq|[0129]然后将逆深度ρp转换为深度使用从平面拟合获得的深度提取风格p[0130]在风格迁移中，格拉姆(Gramianmatrix)矩阵能够很好地反映不同特征之间的组合，因此本实施例接着将预测的初始深度D和平面深度分别送入卷积神经网络中编p[0133]结合图5所示的对比图，表1为本发明对比MovingIndoor(2019)、Monodepth22Net(2020)和Structdepth(2021)在NYUv2数据