申请/专利权人：安徽大学

申请日：2024-03-04

公开（公告）日：2024-06-21

公开（公告）号：CN118229872A

主分类号：G06T17/00

分类号：G06T17/00;G06N3/0464;G06N3/048;G06N3/0499;G06N3/082;G06T7/55;G06T7/80;G06V10/44

优先权：

专利状态码：在审-公开

法律状态：2024.06.21#公开

摘要：本发明公开一种基于双重不确定性估计的多视图立体方法，根据输入的多视角图像和摄像机参数，计算多视角图像的多尺度特征；构造相邻阶段不确定性估计器，计算多阶段深度图和置信图；构造两两阶段不确定性估计器，计算不确定图；再次，根据不确定图和多阶段深度图，计算混合损失；融合深度图计算高质量的点云。本发明充分挖掘级联结构的深度神经网络模型在多视图立体重建中的潜力，通过在级联结构中嵌入相邻阶段不确定性估计器和两两阶段不确定性估计器，减少误差，提升生成深度图的准确性，最终生成高质量的点云模型。

主权项：1.一种基于双重不确定性估计的多视图立体方法，其特征在于，包括以下步骤：步骤S1、输入多视角场景的图像数据以及摄像机对应的内部参数和外部参数，且每个场景至少包含3幅图像，每一幅图像都带有相机的内部参数和相机的外部参数；每一组图像数据中均包含有N幅宽为W、高为H的图像，i表示图像的序号，i＝0时I0是指参考图像，是指源图像，第i幅图像的相机内部参数为Ki、相机的外部参数为Ti；步骤S2、计算多视角图像的多尺度特征，通过使用特征金字塔网络FPN提取图像中不同尺度的特征，且每个卷积层使用不同大小的卷积核；对于每一幅图像均提取其三种不同尺度的图像特征三种图像特征的尺寸依次为和H×W后，然后将这三种特征分别用于级联网络结构中的不同阶段，s＝0,1,2分别表示第一阶段、第二阶段和第三阶段，且各阶段的深度图的分辨率为步骤S3、构造相邻阶段不确定性估计器，计算多尺度深度图和置信图，具体计算步骤如下：首先基于步骤S2中的图像特征构造第一阶段的概率体P0，并预测生成的深度图D0和置信图Conf0；然后，将概率体P0与预测的深度图D0共同输入相邻阶段不确定性估计器中，为第二阶段生成深度假设值；第三阶段重复上述步骤，最终得到多阶段深度图集合和置信图集合j表示阶段的序号，s＝0,1,2分别表示第一阶段、第二阶段和第三阶段；步骤S4、构造两两阶段不确定性估计器，两两阶段不确定性估计器包括多层感知机MLP和激活函数，具体步骤为：首先，对于步骤S3中得到的多阶段深度图对其两两差分配对；然后，将差分配对后的数据输入两两阶段不确定性估计器即可获得不确定图Ut；步骤S5、计算混合损失Loss，Loss＝Lossreg+Lossunc+Losseda；Lossreg为深度真实值与深度预测值之间的深度图回归损失，Lossunc为由不确定图Ut引入的不确定性损失，Losseda为由不确定图Ut引入的误差分布感知损失；步骤S6、重复步骤S2至步骤S5，计算出所有深度图，融合深度图即获得点云模型。

全文数据：

权利要求：

百度查询： 安徽大学 基于双重不确定性估计的多视图立体方法

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