一种融合连续性特征的单目深度估计方法，包括如下步骤：对原图进行预处理，使图像间存在隐性关系；同时输入三种图像，经过包含四个阶段以及四个尺度不同的并行子网的编码器与解码器，获得深度图输出。其损失函数包含最小光度误差损失、平滑损失、跨尺度一致性损失以及连续性损失。本发明在保持轻量化的基础上，通过结合尺度不变性与连续性特征，有效提高了深度测量的精度；并且由于其自监督的特性，对数据集的要求低，使得训练门槛低。
📄 2023103709409
📂 G06T7_55
👤 浙江工业大学
📅 2023-04-10
本发明公开了一种基于单目相机的目标深度与高度测量方法及装置，调整单目相机使得目标成像在单目相机成像平面竖直中垂线的两侧并且目标成像在成像平面横向中垂线下方，拍摄目标获得目标图像，在目标图像中标记处目标底点C和对应的顶点D，获取底点C和顶点D的像素坐标，将所述底点C和顶点D的像素坐标转换为图像坐标，通过图像坐标系计算出测量所需要的参数，然后保持单目相机状态不变，旋转单目相机镜头，得到不同的目标图像，测量得到目标距离和目标高度。本发明技术方案不仅对测量设备和测量环境要求低，而且操作简单，测量成本低，计算速率快，结果较准确，可以广泛运用于人工智能或是工程测量中，发展前景好。
📄 2021107273688
📂 G06T7_55
👤 浙江工业大学
📅 2021-06-29
本发明公开了一种基于全卷积神经网络FCN的单目图像深度估计方法，包括步骤：获取训练图像数据；将训练图像数据输入全卷积神经网络FCN，池化层依次输出得到特征图像；及从最后一个池化层开始将其输出特征图像进行放大处理，获得与其前一池化层输出特征图像尺寸一致的特征图像并将二者的特征图像融合；从后向前依次对每个池化层的输出特征图像融合以获得最终预测深度图像；且训练中利用随机梯度下降法SGD对全卷积神经网络FCN中的参数训练；获取需要预测深度的RGB图像输入训练后的全卷积神经网络FCN，获得对应的预测深度图像。本发明可以改善卷积过程中输出图像分辨率较低的问题，且采用全卷积网络的形式，去除了全连接层，有效减少了网络的参数量。
📄 2017106499341
📂 G06T7_55
👤 南京邮电大学
📅 2017-08-02
本发明公开了一种基于相机阵列合成孔径成像的遮挡背景估计方法，用于解决现有背景估计方法精度差的技术问题。技术方案是充分利用多视角信息，通过相机阵列合成孔径成像聚焦任意不同深度的能力，将聚焦平面移置背景平面，解决利用SIFT方法匹配时不同深度像素点对匹配结果的影响问题，最后利用Graph cuts结合像素标记方法，实现前景与遮挡像素点标记，进而去除遮挡。本发明通过相机阵列合成孔径成像聚焦任意不同深度，将聚焦平面移置背景平面；充分利用相机阵列多视角信息的优势，从不同视角的图像片段选取适当的像素值进行计算，实现了前景与遮挡像素点标记，能够去除遮挡，同时提高了背景估计的精度。
📄 2016100438674
📂 G06T7_55
👤 陕西师范大学
📅 2016-01-22
本发明公开了一种基于级联遮挡滤除滤波器的光场相机深度估计方法。本发明根据遮挡信息在光线级、像素级和图像级中的不同表现形式，通过从光线级到像素级再到图像级的三层级联遮挡滤除滤波，滤除或保持原始光场图像数据中可能的遮挡信息，减少光场相机深度估计中的歧义性判断，实现精确的深度估计。本发明的主要特点在于通过光线级遮挡滤除滤波器滤除可能被遮挡的光线，通过像素级遮挡滤除滤波器保持处于深度不连续边缘处像素的遮挡特性，通过图像级遮挡滤除滤波器提取像素间的图像级遮挡信息，从而在深度估计中排除具有歧义性的遮挡信息，提高估计精度。
📄 2016108282109
📂 G06T7_55
👤 杭州电子科技大学
📅 2016-09-18
本发明公开了一种基于遮挡几何互补模型的光场相机深度估计方法。本发明利用光场光流理论得到光场图像多个视角的遮挡信息，再利用了相对的两个视角中，所看到遮挡区域具有互补关系的性质，通过求两个视角的遮挡信息，对两部分信息进行融合，从而实现精确的光场图像深度估计。本发明能够对具有丰富纹理变化的区域实现很好的遮挡结果，并且得到精确的深度图。
📄 2016112624522
📂 G06T7_55
👤 杭州电子科技大学
📅 2016-12-30
本发明公开了一种基于方向和尺度自适应卷积神经网络的光场深度估计方法。本发明包括如下步骤：步骤1.准备光场数据集，制作训练集和测试集；步骤2.搭建方向和尺度自适应的卷积神经网络SOA‑EPN；步骤3.使用训练集训练搭建好的SOA‑EPN网络；步骤4.使用练好的SOA‑EPN网络在测试集上进行测试；本发明借助于尺度和方向感知卷积神经网络来预测光场深度，不仅利用了多方向，而且很好的处理了遮挡等问题，得到准确的深度估计结果。
📄 2018103174253
📂 G06T7_557
👤 杭州电子科技大学
📅 2018-04-10
本发明公开了一种基于人工神经网络的实时场景布局识别及重建方。本发明用人工神经网络模型对输入序列进行处理，并通过寻找单帧之间的相关性，得到室内场景的布局识别后，在曼哈顿世界假设下，利用空间中一点在像素坐标系下存在唯一投影的原理，迭代优化，得到场景中每个平面的单位法向量和该平面到相机中心的距离，并在OpenGL下渲染平面。本发明利用人工神经网络，并寻找帧与帧间的联系，使得网络输出结果和三维重建结果更为精确；使用单目的RGB信息还原三维信息，减少硬件成本，同时利用每帧得到的布局信息，使用优化算法求解得到场景中每个平面的法向量和到相机中心距离。
📄 2018104811598
📂 G06T7_55
👤 杭州电子科技大学
📅 2018-05-18
本发明提出了一种基于卷积神经网络的双目立体匹配方法，通过改进现有的用于视差估计的DispNet网络模型，利用亚像素卷积来替代原本网络模型中的上采样层。相比于原上采样操作在较高的分辨率图像上进行，亚像素卷积直接在低分辨率图像上进行卷积计算，这不仅提高了计算效率，对于整个网络而言则加快了匹配速度，同时它还提高了网络模型的良好性能，增加了丰富的细节信息，解决了病态区域无法正确匹配的问题。
📄 2018108422688
📂 G06T7_55
👤 杭州电子科技大学
📅 2018-07-27
本发明提出了一种基于级联几何上下文神经网络的双目视差估计方法；本发明设计了一种新的级联卷积神经网络Cascaded GCNet(CGCNet)，该网络主要通过改进GCNet,通过将3d卷积和原有的2d卷积操作结合，得到了较好的视差图特征表述，有利于后续网络训练；并且利用RefineNet对GCnet网络输出的粗糙视差图进行优化，迭代求精，提高了视差图的预测精度；RefineNet优化过程中，利用难例挖掘使得网络模型专注于难得样本学习，以此提高本网络对于不同复杂度图像对的视差估计精度。
📄 2018110381737
📂 G06T7_55
👤 杭州电子科技大学
📅 2018-09-06
本公开揭示了一种基于非对称深度卷积神经网络的多视角深度预测方法,包括:构建一种非对称深度卷积神经网络;结合参考图像,将相邻图像构造为平面扫描卷;在现有数据集上预先训练第一神经网络;使用第一神经网络的模型参数进一步初始化第二神经网络这一非对称深度卷积神经网络;最终通过第二神经网络完成多视角深度预测。本公开允许输入任意数量和任意分辨率的不同视角的图像,减少了繁琐的手工操作,也减少限制约束,从而实现了对多目图像所产生的不同视角图像的深度的高精度预测。
📄 201910998790X
📂 G06T7_557
👤 陕西师范大学
📅 2019-10-18
本发明公开了一种软体碰撞检测方法，具体为：对虚拟环境中的运动物体和静止物体建立Sphere包围盒；当运动物体向静止物体靠近时，确定碰撞方向向量；根据静止物体或运动物体的中心点及碰撞方向向量分别建立空间切割平面，确定静止物体和运动物体的预估碰撞范围；对预估碰撞范围构建空间层次体模型，再建立两棵结构树，判断碰撞相交并对相交包围盒内重叠部分进行空间分割；针对获得的含有两个模型的公共点集的小立方体中的基本几何元素进行相交测试，找到碰撞点；根据碰撞点，确定形变区域。本发明通过预估出碰撞范围后再构建软体碰撞检测的空间数据结构模型来提高软件碰撞检测的效率、提升软体碰撞检测的精确度，解决软体检测的瓶颈问题。
📄 2019111535633
📂 G06T7_55
👤 西安理工大学
📅 2019-11-22
柿子坊 · 知识产权运营
柿子坊知识产权运营平台