1.一种单目图像深度估计方法,其特征在于,包括:
获取训练图像;
将所获取的训练图像输入预先构建的深度预测网络中进行训练,得到对应的预测深度图;
将所得到的预测深度图与对应的GT深度图采用排序损失、多尺度结构相似损失和多尺度尺度不变梯度匹配损失的联合损失函数进行联合损失计算,得到对应的单目深度估计图。
2.根据权利要求1所述的单目图像深度估计方法,其特征在于,在将所获取的训练图像输入预先构建的深度预测网络中进行训练之前,还包括:将所述训练图像进行扩充,得到第一训练图像;
将扩充后的训练图像调整至分辨率,得到第二训练图像;
将所述第二训练图像进行归一化处理,得到预处理后的训练图像。
3.根据权利要求2所述的单目图像深度估计方法,其特征在于,所述将所述训练图像进行扩充,包括:将所述训练图像进行缩放、旋转和随机水平翻转处理中至少一项。
4.根据权利要求2或3所述的单目图像深度估计方法,其特征在于,所述将所获取的训练图像输入预先构建的深度预测网络中进行训练,包括:将所述预处理后的训练图像输入预设的ResNet50网络,得到分辨率依次下降的多个特定层特征图像;
对所述多个特定层特征图像执行逆序遍历,获取遍历至的当前特定层特征图像;
将当前特定层特征图像与对应的特征融合图像进行合并,生成与前一位序的特定层特征图像分辨率相同的图像,直至所述多个特定层特征图像遍历完成;其中,所述对应的特征融合图像为对下一特定层特征图像执行残差卷积后与下一特定层特征图像后的特定层特征图像的双线性上采样图像进行融合得到。
5.根据权利要求4所述的单目图像深度估计方法,其特征在于,所述联合损失函数为:L=Lrank+αLms-ssim+βLgrad;
其中,L表示所述联合损失函数,Lrank表示基于随机采样的排序损失,Lms-ssim表示多尺度结构相似损失函数,Lgrad表示多尺度尺度不变梯度匹配损失函数,α表示多尺度结构相似损失函数的平衡因子,β表示多尺度尺度不变梯度匹配损失函数的平衡因子。
6.根据权利要求4所述的单目图像深度估计方法,其特征在于,所述特定层特征图像的数量为4个。
7.根据权利要求1所述的单目图像深度估计方法,其特征在于,所述GT深度图利用flownet2.0获得双目图像的光流的水平分量。