基于深度学习的测距方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种基于深度学习的测距方法、装置、设备及存储介质，该方法包括：在接收到各个观测点针对同一观测对象分别捕获的各个待识别测距图像时，将所述各个待识别测距图像关联，得到目标关联测距图像集合；将所述目标关联测距图像集合输入至预设深度学习网络模型中，以确定所述观测对象的目标位置，其中，所述预设深度学习网络模型是已经训练完成的基于关联测距图像集合确定观测对象位置的模型；输出所述观测对象的目标位置。本发明专利技术解决现有技术中需要繁琐的标定过程才能测距的技术问题。

Ranging Method, Device, Equipment and Storage Media Based on Deep Learning

The invention discloses a distance measurement method, device, device and storage medium based on depth learning. The method includes: when receiving each range image captured separately by each observation point for the same observation object, associating each range image to be recognized to obtain a set of target correlation range image; and inputting the set of target correlation range image to a preset set. In the deep learning network model, the target position of the observed object is determined, in which the preset deep learning network model is a model that has been trained to determine the position of the observed object based on the set of correlated ranging images, and the target position of the observed object is output. The invention solves the technical problem that in the prior art, tedious calibration process is needed to locate the distance.

【技术实现步骤摘要】
基于深度学习的测距方法、装置、设备及存储介质
本专利技术涉及深度学习
，尤其涉及一种基于深度学习的测距方法、装置、设备及存储介质。
技术介绍
目前，许多需要检测的场合如车检等都要用到光学测量来定位待跟踪物体的位置及姿态，在使用光学测量来定位待跟踪物体的位置及姿态过程中，主要原理是采用多个摄像头，根据摄像头之间的位置关系，摄像头与测距标志之间的位置关系通过三角测量等方法进行测距，然而，由于摄像头之间的位置关系，摄像头与测距标志之间的位置关系等常常需要繁琐的标定过程，降低了测距效率。
技术实现思路
本专利技术的主要目的在于提供一种基于深度学习的测距方法、装置、设备及存储介质，旨在解决现有技术中需要繁琐的标定过程才能测距的技术问题。为实现上述目的，本专利技术提供一种基于深度学习的测距方法，所述基于深度学习的测距方法包括：在接收到各个观测点针对同一观测对象分别捕获的各个待识别测距图像时，将所述各个待识别测距图像关联，得到目标关联测距图像集合；将所述目标关联测距图像集合输入至预设深度学习网络模型中，以确定所述观测对象的目标位置，其中，所述预设深度学习网络模型是已经训练完成的基于关联测距图像集合确定观测对象位置的模型；输出所述观测对象的目标位置。可选地，所述将所述目标关联测距图像集合输入至预设深度学习网络模型中，以确定所述观测对象的目标位置步骤之前包括：获取预设的视觉测距图像的图像用例，挑选预设比例的所述图像用例设为第一用例，将所述图像用例中所述第一用例外的其他用例设为第二用例；将所述第一用例作为训练用例进行所述预设深度学习网络模型对应基础识别网络模型的调整训练，以调整训练所述基础识别网络模型中针对所述视觉测距图像的测距函数中的标定参数，以及校正拟合函数；将所述第二用例作为测试用例进行调整训练后的所述基础识别网络模型的测试，以最终得到所述预设深度学习网络模型。可选地，所述将所述第一用例作为训练用例进行所述预设深度学习网络模型对应基础识别网络模型的调整训练，以调整训练所述基础识别网络模型中针对所述视觉测距图像的测距函数中的标定参数，以及校正拟合函数步骤包括：将所述第一用例作为训练用例输入至所述基础识别网络模型中；对所述第一用例中的各个关联测距图像集合中的各个关联测距图像分别进行预设次数的卷积与最大池化交替处理，得到初始处理结果；基于预设的各个各个观测点之间的位置关系、每个关联测距图像集合中所述初始处理结果中的图像大小，以及每个关联测距图像集合分别对应的观测对象的确定位置，有序调整训练所述基础识别网络模型中针对所述视觉测距图像的测距函数中的标定参数，以及校正拟合函数。可选地，所述对所述第一用例中的各个关联测距图像集合中的各个关联测距图像分别进行预设次数的卷积与最大池化交替处理，得到初始处理结果步骤包括：获取预设的各个观测对象的各个图像权值矩阵，根据所述各个图像权值矩阵对所述各个关联测距图像分别进行卷积处理，得到卷积处理结果；对所述卷积处理结果进行最大池化处理，以得到最大池化处理结果；根据所述预设次数，对所述最大池化处理结果再次进行相应次数的卷积与最大池化交替处理，并进行预设激活函数的激活处理以得到初始处理结果。可选地，所述对所述卷积处理结果进行最大池化处理，以得到最大池化处理结果步骤包括：将所述卷积处理结果分割为多个大小一致的预设尺寸的图像矩阵；获取所述预设尺寸的图像矩阵中的最大像素值，将所述最大像素值代替所述预设尺寸的图像矩阵，以得到新的图像矩阵；将所述新的图像矩阵设为所述最大池化处理结果。可选地，所述在接收到各个观测点针对同一观测对象分别捕获的各个待识别测距图像时，将所述各个待识别测距图像关联，得到目标关联测距图像集合步骤包括：在接收到两个观测点的双目摄像机针对同一观测对象分别捕获的两个待识别测距图像时，将所述两个待识别测距图像关联，得到目标关联测距图像集合；在接收到两个以上观测点的多目摄像机针对同一观测对象分别捕获的多个待识别测距图像时，将所述多个待识别测距图像关联，得到目标关联测距图像集合。本专利技术还提供一种基于深度学习的测距装置，所述基于深度学习的测距装置包括：接收模块，用于在接收到各个观测点针对同一观测对象分别捕获的各个待识别测距图像时，将所述各个待识别测距图像关联，得到目标关联测距图像集合；输入模块，用于将所述目标关联测距图像集合输入至预设深度学习网络模型中，以确定所述观测对象的目标位置，其中，所述预设深度学习网络模型是已经训练完成的基于关联测距图像集合确定观测对象位置的模型；输出模块，用于输出所述观测对象的目标位置。可选地，所述基于深度学习的测距装置包括：获取模块，用于获取预设的视觉测距图像的图像用例，挑选预设比例的所述图像用例设为第一用例，将所述图像用例中所述第一用例外的其他用例设为第二用例；调整训练模块，用于将所述第一用例作为训练用例进行所述预设深度学习网络模型对应基础识别网络模型的调整训练，以调整训练所述基础识别网络模型中针对所述视觉测距图像的测距函数中的标定参数，以及校正拟合函数；测试模块，用于将所述第二用例作为测试用例进行调整训练后的所述基础识别网络模型的测试，以最终得到所述预设深度学习网络模型。可选地，所述调整训练模块包括：输入单元，用于将所述第一用例作为训练用例输入至所述基础识别网络模型中；交替处理单元，用于对所述第一用例中的各个关联测距图像集合中的各个关联测距图像分别进行预设次数的卷积与最大池化交替处理，得到初始处理结果；调整单元，用于基于预设的各个各个观测点之间的位置关系、每个关联测距图像集合中所述初始处理结果中的图像大小，以及每个关联测距图像集合分别对应的观测对象的确定位置，有序调整训练所述基础识别网络模型中针对所述视觉测距图像的测距函数中的标定参数，以及校正拟合函数。可选地，所述交替处理单元包括：获取子单元，用于获取预设的各个观测对象的各个图像权值矩阵，根据所述各个图像权值矩阵对所述各个关联测距图像分别进行卷积处理，得到卷积处理结果；最大池化处理子单元，用于对所述卷积处理结果进行最大池化处理，以得到最大池化处理结果；激活子单元，用于根据所述预设次数，对所述最大池化处理结果再次进行相应次数的卷积与最大池化交替处理，并进行预设激活函数的激活处理以得到初始处理结果。可选地，所述对最大池化处理子单元用于实现：将所述卷积处理结果分割为多个大小一致的预设尺寸的图像矩阵；获取所述预设尺寸的图像矩阵中的最大像素值，将所述最大像素值代替所述预设尺寸的图像矩阵，以得到新的图像矩阵；将所述新的图像矩阵设为所述最大池化处理结果。可选地，所述接收模块包括：第一接收单元，用于在接收到两个观测点的双目摄像机针对同一观测对象分别捕获的两个待识别测距图像时，将所述两个待识别测距图像关联，得到目标关联测距图像集合；第二接收单元，用于在接收到两个以上观测点的多目摄像机针对同一观测对象分别捕获的多个待识别测距图像时，将所述多个待识别测距图像关联，得到目标关联测距图像集合。此外，为实现上述目的，本专利技术还提供一种基于深度学习的测距设备，所述基于深度学习的测距设备包括：存储器、处理器，通信总线以及存储在所述存储器上的基于深度学习的测距程序，所述通信总线用于实现处理器与存储器间的通信连接；所述处理器用于执行所述基于深度学习的本文档来自技高网...

【技术保护点】
1.一种基于深度学习的测距方法，其特征在于，所述基于深度学习的测距方法包括：在接收到各个观测点针对同一观测对象分别捕获的各个待识别测距图像时，将所述各个待识别测距图像关联，得到目标关联测距图像集合；将所述目标关联测距图像集合输入至预设深度学习网络模型中，以确定所述观测对象的目标位置，其中，所述预设深度学习网络模型是已经训练完成的基于关联测距图像集合确定观测对象位置的模型；输出所述观测对象的目标位置。

【技术特征摘要】
1.一种基于深度学习的测距方法，其特征在于，所述基于深度学习的测距方法包括：在接收到各个观测点针对同一观测对象分别捕获的各个待识别测距图像时，将所述各个待识别测距图像关联，得到目标关联测距图像集合；将所述目标关联测距图像集合输入至预设深度学习网络模型中，以确定所述观测对象的目标位置，其中，所述预设深度学习网络模型是已经训练完成的基于关联测距图像集合确定观测对象位置的模型；输出所述观测对象的目标位置。2.如权利要求1所述的基于深度学习的测距方法，其特征在于，所述将所述目标关联测距图像集合输入至预设深度学习网络模型中，以确定所述观测对象的目标位置步骤之前包括：获取预设的视觉测距图像的图像用例，挑选预设比例的所述图像用例设为第一用例，将所述图像用例中所述第一用例外的其他用例设为第二用例；将所述第一用例作为训练用例进行所述预设深度学习网络模型对应基础识别网络模型的调整训练，以调整训练所述基础识别网络模型中针对所述视觉测距图像的测距函数中的标定参数，以及校正拟合函数；将所述第二用例作为测试用例进行调整训练后的所述基础识别网络模型的测试，以最终得到所述预设深度学习网络模型。3.如权利要求2所述的基于深度学习的测距方法，其特征在于，所述将所述第一用例作为训练用例进行所述预设深度学习网络模型对应基础识别网络模型的调整训练，以调整训练所述基础识别网络模型中针对所述视觉测距图像的测距函数中的标定参数，以及校正拟合函数步骤包括：将所述第一用例作为训练用例输入至所述基础识别网络模型中；对所述第一用例中的各个关联测距图像集合中的各个关联测距图像分别进行预设次数的卷积与最大池化交替处理，得到初始处理结果；基于预设的各个各个观测点之间的位置关系、每个关联测距图像集合中所述初始处理结果中的图像大小，以及每个关联测距图像集合分别对应的观测对象的确定位置，有序调整训练所述基础识别网络模型中针对所述视觉测距图像的测距函数中的标定参数，以及校正拟合函数。4.如权利要求3所述的基于深度学习的测距方法，其特征在于，所述对所述第一用例中的各个关联测距图像集合中的各个关联测距图像分别进行预设次数的卷积与最大池化交替处理，得到初始处理结果步骤包括：获取预设的各个观测对象的各个图像权值矩阵，根据所述各个图像权值矩阵对所述各个关联测距图像分别进行卷积处理，得到卷积处理结果；对所述卷积处理结果进行最大池化处理，以得到最大池化处理结果；根据所述预设次数，对所述最大池化处理结果再次进行相应次数的卷积与最大池化交替处理，并进行预设激活函数的激活处理以得到初始处理结果。5.如权利要求4所述的基于深度学习的测距方法，其特征在于，所述对所述卷...

【专利技术属性】
技术研发人员：陈小明，张小龙，刘志愿，
申请(专利权)人：深圳市未来感知科技有限公司，
类型：发明
国别省市：广东,44