申请/专利权人：安徽大学

申请日：2023-12-20

公开（公告）日：2024-03-22

公开（公告）号：CN117437363B

主分类号：G06T17/00

分类号：G06T17/00;G06N3/0442;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.02.09#实质审查的生效;2024.01.23#公开

摘要：本发明公开一种基于深度感知迭代器的大规模多视图立体方法，首先提取多尺度特征；然后，计算像素级视图权重、深度图和置信图；其次，构造深度感知迭代器；再次，构造混合损失策略，优化深度图；最后，融合深度图，即可获得点云模型。本发明充分利用基于深度感知迭代器的由粗到细的深度图计算方法，有效地将上下文引导的深度几何信息融合到代价体中计算出高质量的深度图，进而计算出精确的点云模型。

主权项：1.一种基于深度感知迭代器的大规模多视图立体方法，其特征在于，包括以下步骤：步骤S1、输入多视角图像数据和摄像机参数；中的幅多视角图像包括一幅参考视图和幅源视图；其中，为中多视角图像和中摄像机的序号，为中多视角图像和中摄像机的数量；，表示第个摄像机的内部参数矩阵，表示第0个摄像机和第个摄像机之间的旋转矩阵，表示第0个摄像机和第个摄像机之间的平移向量；步骤S2、对于中的幅图像，使用一个包含3个阶段的特征金字塔网络FPN来计算多视角图像的多尺度特征，在每个阶段，均使用FPN提取幅多视角图像的特征图，以及参考视图的上下文特征，其中k=0，1，2；步骤S3、使用基于三维CNN正则化的多视图立体网络，来计算图像18分辨率下的像素级视图权重，然后通过像素级视图权重计算得到初始的深度图和置信图；步骤S4、基于步骤S3中的初始深度图，执行可微分单应性变换并构建一个深度感知的代价体，得到深度感知迭代器，具体方法为：步骤S4.1、在个阶段上采用级联的2DConvGRUs来进行深度优化：首先从上下文特征中提取当前隐藏状态，然后将其与深度感知代价体DACV结合并输入到ConvGRU中进行处理，从而得到更新后的隐藏状态； 其中，表示非线性激活函数，表示一个小型的2DCNN，和分别表示当前状态GRU单元的更新门和重置门，表示中间隐藏状态，分别表示与CNN相关的更新门，重置门和中间隐藏状态的参数，表示深度感知代价体，⊙表示哈达玛积；步骤S4.2、对应用2DCNNs操作以获得残差深度值，然后将其添加到当前深度以进行更新； ；步骤S4.3、在第个阶段进行次迭代，在每个阶段的最后一次迭代之后，基于当前的隐藏状态对深度图进行上采样操作，=3；步骤S5、构造混合损失策略，优化深度图；步骤S6、融合所有视角图像的深度图，以输出点云模型。

全文数据：

权利要求：

百度查询： 安徽大学 基于深度感知迭代器的大规模多视图立体方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD