1.一种基于深度图像的双流卷积神经网络回归学习的目标定位方法,其特征在于,S1,在每个参考位置处,双目相机收集灰度图像及其对应的深度图像;S2使用图像预处理技术,灰度图像和深度图像被转换为三通道图像;S3具有共享权重系数的双流CNN用于离线回归学习得到了基于距离的回归模型;S4在灰度图像和深度图像的预处理之后,通过基于距离的回归模型来估计最终距离;
步骤S3中基于距离的回归模型的建设过程具体为:
S3.1:把定位区域划分成若干区参考点,把目标位于每个参考点上,双目相机采集不同参考点上目标的灰度图像信息和深度图像信息;
S3.2:灰度图像预处理,将图像的数据类型转换为uint8,将单通道的灰度信息复制到三个通道,并将图像裁剪为指定大小;
S3.3:深度图像预处理,将图像的数据类型转换为unit8,再利用渲染工具将深度图像渲染为彩色图像,并将图像裁剪为指定大小;
S3.4:搭建卷积层融合的双流卷积神经网络;
S3.5:目标的位置回归学习,利用基于卷积层融合的双流卷积神经网络对数据库进行基于位置标签的回归学习,得到基于位置的回归模型;
步骤S4具体为,S4.1:双目相机采集目标的普通灰度和深度图像;
S4.2:灰度图像预处理,将图像的数据类型转换为uint8,将单通道的灰度信息复制到三个通道,并将图像裁剪为指定大小,得到三通道灰度图像;
S4.3:深度图像预处理,将图像的数据类型转换为unit8,再利用渲染工具将深度图像渲染为彩色图像,并将图像裁剪为指定大小,得到渲染图像;
S4.4:目标位置估计,将三通道灰度图像和渲染后的深度图像送入步骤S3得到的基于位置的回归模型,进而得到目标位置。
2.根据权利要求1所述的基于深度图像的双流卷积神经网络回归学习的目标定位方法,其特征在于:S2中,图像预处理技术具体为:将两个不同模态的三通道图像分别输入两个单流卷积神经网络中,两个卷积神经网络间权值共享,经过数次卷积和池化得到各自特征后,对两个卷积网络最后一层的神经元使用相同的卷积核进行卷积,对卷积结果进行融合,然后继续使用卷积核提取融合后的特征,最后通过数层全连接层得到输出。
3.根据权利要求1所述的基于深度图像的双流卷积神经网络回归学习的目标定位方法,其特征在于,数据库包括:位置信息,三通道灰度图像,渲染图像。
4.根据权利要求1所述的一种基于深度图像的双流卷积神经网络回归学习的目标定位方法,其特征在于,将深度图像信息渲染为彩色图像,构建数据集。