[发明专利]一种深度图恢复方法

权利要求书

1.一种深度图恢复方法，其特征在于，所述方法包括：

A1：由各类物体的深度图构成训练集；

A2：建立卷积神经网络，采取核分离方法，获得隐藏层的参数，建立卷积网络结构，利用训练集中的深度图训练网络结构、调整网络权重；

A3：在卷积神经网络的输出层，针对所述输出层输出的结果建立自回归模型，并建立评价指标；

A4：将深度传感器获得的原始深度图输入卷积神经网络中，通过去噪、分类后，由自回归模型恢复，通过评价指标检测，若不合要求则将结果图输入A2中，直到得到高质量深度图或终止循环；

其中，在经过参数设计并且训练的卷积神经网络结构后，得到进行过矫正和去噪的深度图并且将其分类为最主要的四种退化模型中的一种，再选择相应的设计好参数的自回归模型进行深度恢复处理；所述四种退化模型为：由于下采样而造成的退化对应的模型、随机深度信息丢失造成的退化对应的模型、结构深度信息丢失造成的退化对应的模型、附加噪点导致的深度图退化对应的模型。

2.如权利要求1所述的深度图恢复方法，其特征在于，所述步骤A1中各类物体的深度图是用于训练和测试的，构成训练集的方法包括：用数据集来对各类物体的细节进行拟合，深度学习对数据集进行分层处理，由像素组成基础单元，再由基础单元组成图像细节，图像细节描绘出图像。

3.如权利要求2所述的深度图恢复方法，其特征在于，所述步骤A1中还包括的如下步骤：对图像的每层进行分类和识别，并对每层图像进行拟合，通过大量图像集合的数据集的训练，以有效地去噪。

4.如权利要求1所述的方法，其特征在于，所述步骤A2中通过以下几步建立卷积神经网络：

建立卷积神经网络的模型，h₃＝W₃*h₂；h_l＝σ(W_l*h_l-1+b_l-1)，l∈{1,2}；其中，表示输入的内容，h₀为输入层，h₃为输出层，h_l为隐藏层，h_l‐1表示隐藏层h_l的前一层，W_l表示从l-1层到l层的映射系数，W₃表示从第2层网络到第3层网络的映射系数，b_l-1是一个偏移向量，σ(·)是logistic函数；

通过一个1×1×38的核进行核分解，得到38个121×1和38个1×121的一维核；通过38个121×1的一维核得到第一个隐藏层h₁，用38个1×121的一维核得到第二个隐藏层h₂；

训练网络权重，进行有监督的学习训练，得到主要的四种深度图退化模型分类。

5.如权利要求1所述的方法，其特征在于，所述步骤A3中的建立自回归模型包括如下步骤：

对于自回归模型，针对信号特征设计的系数紧密地拟合深度信息，进行深度图的恢复；由已知分类的四种深度图退化模型，分别进行系数的设计。