不规则道路的单目深度估计方法及装置、存储介质、终端与流程

1.本发明涉及图像处理技术领域，特别是涉及一种不规则道路的单目深度估计方法及装置、存储介质、终端。


背景技术：

2.单目深度估计是基于单个图像采集设备采集到的图像，对图像中目标与图像采集设备之间的距离进行估算的一种图像分析方法。现有单目深度估计方法是基于图像中的路面、植被、车辆的全部特征确定图像中目标车辆的距离，主要适用于道路条件比较规则的公路。但当无人驾驶设备面对不规则的道路，例如，矿区道路时，由于道路结构不规则，路面情况比较复杂，崖壁、土丘等与道路特征极为接近，导致无法得到单目深度估计结果。


技术实现要素：

3.有鉴于此，本发明提供一种不规则道路的单目深度估计方法及装置、存储介质、终端，主要目的在于解决现有不规则道路的单目深度估计方法在矿区环境下单目深度估计的准确度低的问题。
4.依据本发明一个方面，提供了一种不规则道路的单目深度估计方法，包括：
5.从图像采集设备获取初始图像，并通过对所述初始图像进行有效目标提取得到唯一包含目标车辆的目标图像；
6.利用已完成训练的单目深度估计网络模型对所述目标图像进行深度信息提取，得到所述目标图像的深度图像，所述已完成训练的单目深度估计网络模型是基于高维卷积网络提取的高维信息训练得到的；
7.通过对所述深度图像中的目标车辆深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离。
8.进一步地，所述通过对所述初始图像进行有效目标提取得到唯一包含目标车辆的目标图像，包括：
9.对所述初始图像进行目标检测，若检测到目标，则确定所述初始图像中的至少一个目标车辆；
10.根据所述目标车辆的图像区域，确定非目标车辆图像区域，并通过对所述初始图像中的所述非目标车辆图像区域进行掩膜处理，得到目标图像；
11.若未检测到目标，则重新获取初始图像。
12.进一步地，所述利用已完成训练的单目深度估计网络模型对所述目标图像进行深度信息提取，得到所述目标车辆的深度图像之前，所述方法还包括：
13.构建包含至少五层卷积网络的初始单目深度估计网络模型；
14.对训练样本图像集中的每个样本图像分别进行掩膜处理，得到掩膜处理后的训练样本图像集；
15.利用所述掩膜处理后的训练样本图像集对所述初始单目深度估计网络模型进行
训练，得到已完成训练的单目深度估计网络模型。
16.进一步地，所述利用所述掩膜处理后的训练样本图像集对所述初始单目深度估计网络模型进行训练，得到已完成训练的单目深度估计网络模型，包括：
17.利用所述初始单目深度估计网络模型对掩膜处理后的训练样本图像进行高维信息提取，得到高维信息，并通过所述高维信息进行图像重构得到所述训练样本图像的重构图；
18.根据所述重构图与所述训练样本图像的相似度确定损失函数；
19.利用所述损失函数对所述初始单目深度估计网络模型进行训练，得到已完成训练的单目深度估计网络模型。
20.进一步地，所述利用所述初始单目深度估计网络模型对训练样本图像进行高维信息提取，得到高维信息，包括：
21.利用所述初始单目深度估计网络模型对所述目标图像进行深度信息提取，并提取初始单目深度估计网络模型中高维卷积网络输出的高维抽象特征；
22.通过对所述高维抽象特征进行上采样、特征融合得到高维信息。
23.进一步地，所述利用所述掩膜处理后的训练样本图像集对所述初始单目深度估计网络模型进行训练之前，所述方法还包括：
24.获取连续帧图像样本，并对所述连续帧图像样本进行等时间间隔抽帧处理，得到对应多个图像帧的训练样本图像；
25.根据所述训练样本图像构建训练样本图像集。
26.进一步地，所述通过对所述深度图像中目标车辆深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离，包括：
27.对所述深度图像中的目标车辆深度信息进行离散点像素过滤处理，得到过滤处理后的目标车辆的深度信息；
28.利用距离直方图分布算法对所述过滤处理后的目标车辆的深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离。
29.依据本发明另一个方面，提供了一种不规则道路的单目深度估计装置，包括：
30.获取模块，用于从图像采集设备获取初始图像，并通过对所述初始图像进行有效目标提取得到唯一包含目标车辆的目标图像；
31.提取模块，用于利用已完成训练的单目深度估计网络模型对所述目标图像进行深度信息提取，得到所述目标图像的深度图像，所述已完成训练的单目深度估计网络模型是基于高维卷积网络提取的高维信息训练得到的；
32.确定模块，用于通过对所述深度图像中的目标车辆深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离。
33.进一步地，所述获取模块，包括：
34.目标检测单元，用于对所述初始图像进行目标检测，若检测到目标，则确定所述初始图像中的至少一个目标车辆；
35.掩膜处理单元，用于根据所述目标车辆的图像区域，确定所述初始图像中的非目标车辆图像区域，并通过对所述非目标车辆图像区域进行掩膜处理，得到目标图像；
36.获取单元，用于若未检测到目标，则重新获取初始图像。
37.进一步地，所述装置还包括：
38.构建模块，用于构建包含至少五层卷积网络的初始单目深度估计网络模型；
39.掩膜处理模块，用于对训练样本图像集中的每个样本图像分别进行掩膜处理，得到掩膜处理后的训练样本图像集；
40.训练模块，用于利用所述掩膜处理后的训练样本图像集对所述初始单目深度估计网络模型进行训练，得到已完成训练的单目深度估计网络模型。
41.进一步地，所述训练模块，包括：
42.重构单元，用于利用所述初始单目深度估计网络模型对掩膜处理后的训练样本图像进行高维信息提取，得到高维信息，并通过所述高维信息进行图像重构得到所述训练样本图像的重构图；
43.确定单元，用于根据所述重构图与所述训练样本图像的相似度确定损失函数；
44.训练单元，用于利用所述损失函数对所述初始单目深度估计网络模型进行训练，得到已完成训练的单目深度估计网络模型。
45.进一步地，在具体应用场景中，所述训练单元，用于利用所述初始单目深度估计网络模型对所述目标图像进行深度信息提取，并提取初始单目深度估计网络模型中高维卷积网络输出的高维抽象特征；
46.通过对所述高维抽象特征进行上采样、特征融合得到高维信息。
47.进一步地，所述装置还包括：
48.所述获取模块，还用于获取连续帧图像样本，并对所述连续帧图像样本进行等时间间隔抽帧处理，得到对应多个图像帧的训练样本图像；
49.所述构建模块，还用于根据所述训练样本图像构建训练样本图像集。
50.进一步地，所述确定模块，包括：
51.过滤单元，用于对所述深度图像中的目标车辆深度信息进行离散点像素过滤处理，得到过滤处理后的目标车辆的深度信息；
52.拟合单元，用于利用距离直方图分布算法对所述过滤处理后的目标车辆的深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离。
53.根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述不规则道路的单目深度估计方法对应的操作。
54.根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
55.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述不规则道路的单目深度估计方法对应的操作。
56.借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
57.本发明提供了一种不规则道路的单目深度估计方法及装置、存储介质、终端，本发明实施例通过从图像采集设备获取初始图像，并通过对所述初始图像进行有效目标提取得到唯一包含目标车辆的目标图像；利用已完成训练的单目深度估计网络模型对所述目标图像进行深度信息提取，得到所述目标图像的深度图像，所述已完成训练的单目深度估计网络模型是基于高维卷积网络提取的高维信息训练得到的；通过对所述深度图像中的目标车
辆深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离，大大减少了矿区环境对图像特征提取的干扰，使模型能够稳定收敛，降低了模型的训练难度，同时，又确保了深度信息提取的准确性，从而大大提高单目深度估计对矿区环境的适用性。
58.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
59.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
60.图1示出了本发明实施例提供的一种不规则道路的单目深度估计方法流程图；
61.图2示出了本发明实施例提供的另一种不规则道路的单目深度估计方法流程图；
62.图3示出了本发明实施例提供的又一种不规则道路的单目深度估计方法流程图；
63.图4示出了本发明实施例提供的一种不规则道路的单目深度估计装置组成框图；
64.图5示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
65.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
66.针对现有当无人驾驶设备面对不规则的道路，由于道路结构不规则，路面情况比较复杂，崖壁、土丘等与道路特征极为接近，导致对距离的估算难度较大、准确度较低，甚至无法得到估算结果的问题。本发明实施例提供了一种不规则道路的单目深度估计方法，如图1所示，该方法包括：
67.101、从图像采集设备获取初始图像，并通过对所述初始图像进行有效目标提取得到唯一包含目标车辆的目标图像。
68.本发明实施例中，图像采集设备为安装在无人驾驶矿车上的车载图像采集设备，可以为行车记录仪、车载相机等，本发明实施例不做具体限定，初始图像为图像采集设备拍摄的单张道路图像，该道路图像中包括至少一个目标车辆。其中，目标车辆为图像采集设备视野范围内的需要识别距离的车辆。为了排除图像中非目标车辆的干扰，在得到初始图像之后，从初始图像中提取仅包含目标车辆所在矩形区域的图像，即目标图像。例如，对初始图像进行目标检测，确定初始图像中的目标车辆，并对目标车辆区域以外区域图像的像素值设定为固定值，以使特征提取网络模型无法识别非目标车辆区域。
69.需要说明的是，与公开道路相比，道路主要成分为砂石，土，植被，凹坑等，路面结构复杂，图像中特征密集，特征之间的相似较高。由于矿区道路的不规则性导致在初始图像的特征提取过程中有效关键点数量较少，不利于有效特征的提取，及卷积网络模型的正确收敛，因此，对初始图像中的整体图像区域进行深度信息提取的难度较大。通过对初始图像
中的目标车辆进行目标检测，并提取唯一包含目标车辆的目标图像，能够有效降低对初始图像中目标车辆特征提取的难度，从而大大提升后续目标图像特征提取的准确度。
70.102、利用已完成训练的单目深度估计网络模型对所述目标图像进行深度信息提取，得到所述目标图像的深度图像。
71.本发明实施例中，单目深度估计网络模型为预先训练好的多层卷积网络模型，通过每一层卷积网络对目标图像的各个像素点的不同深度信息进行提取。由于目标图像中的非目标车辆所在图像区域的像素点被赋固定值，卷积网络无法对非目标车辆所在区域的像素点进行深度信息提取，因此，卷积网络仅对目标车辆所述在图像区域的各个像素点进行深度信息提取，得到目标图像中目标车辆的深度图像。
72.需要说明的是，已训练完成的单目深度估计网络模型是基于高维卷积网络提取的高维信息训练得到的。由于浅层卷积网络提取到的特征信息为表面、外观的，这些特征信息在矿区不规则的道路环境中不具备显著的有效性，因此，基于多层卷积网络中的高维卷积网络提取的高维抽象特征进行训练。例如，单目深度估计网络模型为5层的卷积网络，在每层卷积网络完成特征提取之后，仅提取第3、4层卷积网络输出的抽象特征信息，基于抽象特征信息得到的高维距离信息进行图像重构，并根据重构图像确定损失函数，从而得到训练完成的单目深度估计网络模型。通过仅提取抽象特征信息进行图像重构，能够排除，如亮度、光照、目标车辆结构等浅层特征信息的干扰，避免图像重构过程受到环境及噪声的影响，从而引导卷积网络模型正确、快速收敛。
73.103、通过对所述深度图像中的目标车辆深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离。
74.本发明实施例中，深度图像为按照图像像素位置存储的三维矩阵，包括目标车辆在目标图像中的每个像素点与图像采集设备之间的距离信息。由于各个像素点的距离呈不规则分布，因此，需要对各个像素点对应的距离进行拟合，以确定唯一的距离作为目标车辆与图像采集设备之间的距离。例如，从全部的距离中提取多个峰值距离，并对多个峰值距离进行加权计算，得到唯一的距离信息。通过对深度信息中的全部距离进行拟合处理，能够排除深度信息中少量、极端距离的干扰，并提取到最具代表性的距离信息，从而有效提升单目深度估计的准确性。
75.在一个本发明实施例中，为了进一步说明及限定，如图2所示，步骤101所述通过对所述初始图像进行有效目标提取得到唯一包含目标车辆的目标图像，包括：
76.201、对所述初始图像进行目标检测，若到检测目标，则确定所述初始图像中的至少一个目标车辆。
77.202、根据所述目标车辆的图像区域，确定所述初始图像中的非目标车辆图像区域，并通过对所述非目标车辆图像区域进行掩膜处理，得到目标图像；
78.203、若未检测到目标，则重新获取初始图像。
79.本发明实施例中，由于矿区环境复杂，道路与周围环境，如壁崖、土丘相似度极高，若利用单目深度估计网络模型对全部图像区域进行深度信息提取，模型将难以实现稳定的收敛，导致单目深度估计错误，因此，利用目标检测手段识别出图像中最需要关注的目标车辆的外接矩形图像区域，并将目标车辆外接矩形以外的图像区域的像素值设为固定值，以实现对非目标车辆图像区域进行掩膜遮盖的效果。其中，目标车辆的数量可以为一个也可
以为多个。目标检测的算法可以为yolo(you only look once)算法，也可以为其他对象识别及定位算法，本发明实施例不做具体限定。通过对图像进行目标检测及掩膜处理，仅保留图像中需要估计距离的目标车辆，去除矿区道路图像中的无效特征，使得单目深度估计网络模型能够稳定收敛，从而提升单目深度估计网络模型对矿区环境的适用性。
80.在一个本发明实施例中，为了进一步说明及限定，如图2所示，步骤102所述利用已完成训练的单目深度估计网络模型对所述目标图像进行深度信息提取，得到所述目标图像的深度图像之前，所述方法还包括：
81.301、构建包含至少五层卷积网络的初始单目深度估计网络模型。
82.302、对训练样本图像集中的每个样本图像分别进行掩膜处理，得到掩膜处理后的训练样本图像集。
83.303、利用所述掩膜处理后的训练样本图像集对所述初始单目深度估计网络模型进行训练，得到已完成训练的单目深度估计网络模型。
84.本发明实施例中，为了对目标图像进行准确的特征提取，预先构建初始单目深度估计网络模型。为了提取图像的全部特征，在初始单目深度估计网络模型中构建至少五层卷积网络，以实现对浅层的结构特征及高维的抽象特征完整提取。对训练样本图像的掩膜处理过程与对初始图像的掩膜处理过程相同，在此不再赘述。利用掩膜处理后的训练样本图像集对初始单目深度估计网络模型进行训练能够使初始模型稳定收敛，并对目标车辆的深度信息进行准确估计。
85.在一个本发明实施例中，为了进一步说明及限定，步骤303所述利用所述掩膜处理后的训练样本图像集对所述初始单目深度估计网络模型进行训练，得到已完成训练的单目深度估计网络模型，包括：
86.利用所述初始单目深度估计网络模型对掩膜处理后的训练样本图像进行高维信息提取，得到高维信息，并通过所述高维信息进行图像重构得到所述训练样本图像的重构图。
87.根据所述重构图与所述训练样本图像的相似度确定损失函数。
88.利用所述损失函数对所述初始单目深度估计网络模型进行训练，得到已完成训练的单目深度估计网络模型。
89.本发明实施例中，为了确定初始单目深度估计网络模型的训练效果，根据高维信息进行图像重构，具体地，对当前训练样本图像的前后帧图像进行关键点提取，并通过高维信息与提取到的关键点进行匹配，生成当前训练样本图像的重构图像。进一步地，通过计算当前训练样本图像与重构图像之间的相似度不断修正模型权重，直到模型收敛，即当前训练样本图像与重构图像之间的相似度最大，且在预设时间内保持不变，得到已完成训练的单目深度估计网络模型。其中，预设时间可以根据模型训练实际需求自定义，关键点的提取算法可以为canny，sobel，sift，surf等。本发明实施例对预设时间、关键点提取算法不做具体限定。
90.在一个本发明实施例中，为了进一步说明及限定，所述利用所述初始单目深度估计网络模型对训练样本图像进行高维信息提取，得到高维信息，包括：
91.利用所述初始单目深度估计网络模型对所述目标图像进行深度信息提取，并提取初始单目深度估计网络模型中高维卷积网络输出的高维抽象特征。
92.通过对所述高维抽象特征进行上采样、特征融合得到高维信息。
93.本发明实施例中，初始单目深度估计网络模型的每一层卷积网络分别对目标图像中的不同维度的特征进行提取，例如，在一个五层的卷积网络模型中，1、2层卷积网络提取浅层结构特征，3、4层卷积网络提取高维抽象特征。为了进一步过滤不显著的特征，保证模型的稳定收敛，仅提取高维卷积网络提取的高维抽象特征用于确定深度信息训练结果。由于在卷积网络对图像特征进行提取的过程中，随着卷积网络维度的升高，图像尺寸会不断变小，因此，为了得到准确的高维信息，在图像特征使用使需要进行上采样以恢复图像尺寸。进一步，对每层高维卷积网络的输出的特征进行平均加权，得到高维信息。其中，上采样可以使用相邻像素值计算法，或其他上采样算法，本发明实施例不做具体限定。
94.需要说明的是，在矿区复杂的环境下，高维特征较浅层特征更具备显著的有效性。提取目标车辆图像中的高维信息作为模型的训练结果对模型进行训练，能够进一步过滤掉图像中的无效特征，为模型提供更加准确的正向引导，使模型快速、稳定收敛，从而在有效提升模型特征提取准确性的同时，缩短模型训练时间。
95.在一个本发明实施例中，为了进一步说明及限定，步骤301所述利用所述掩膜处理后的训练样本图像集对所述初始单目深度估计网络模型进行训练之前，所述方法还包括：
96.获取连续帧图像样本，并对所述连续帧图像样本进行等时间间隔抽帧处理，得到对应多个图像帧的训练样本图像。
97.根据所述训练样本图像构建训练样本图像集。
98.本发明实施例中，为了保证模型的训练效果，对连续帧图像样本进行等时间间隔抽帧，以获取多个训练样本图像。其中，连续帧图像样本为行车记录仪、车载相机等车载图像采集设备采集的整段视频数据。抽帧的时间间隔可以根据实际应用场景的需求自定义，本发明实施例不做具体限定。通过对视频数据进行等时间间隔抽帧，提取训练样本图像，能够使训练样本图像之间既存在相似的特征信息，又具有一定的差异性，从而保证模型的训练难度，提升模型的泛化能力。此外，根据连续帧图像样本也便于图像的重构，从而提升损失函数的准确性。
99.在一个本发明实施例中，为了进一步说明及限定，步骤103所述通过对所述深度图像中的目标车辆深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离，包括：
100.对所述深度中的目标车辆深度信息进行离散点像素过滤处理，得到过滤处理后的目标车辆深度信息。
101.利用距离直方图分布算法对所述过滤处理后的目标车辆深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离。
102.本发明实施例中，深度图像包括目标车辆外接矩形图像区域中每个像素点的距离，为了确定唯一距离值作为目标车辆与图像采集设备之间的距离，需要对深度信息中的距离数据进行拟合处理。具体地，1)将各个像素点的距离值中比较离散的距离值去除掉，2)按照等时间间隔的距离精度对像素点进行分段，并统计目标车辆像素点中每个距离段内的像素点数量，形成距离分布直方图，3)统计像素点数量占比大于预设占比的距离段作为距离峰值，4)对各个距离峰值进行加权求和计算，得到唯一距离值，即目标车辆与图像采集设备之间的距离。其中，预设占比可以为60％，也可以根据实际应用需求自定义，本发明实施
例中不做具体限定。
103.本发明提供了一种不规则道路的单目深度估计方法，本发明实施例通过从图像采集设备获取初始图像，并通过对所述初始图像进行有效目标提取得到唯一包含目标车辆的目标图像；利用已完成训练的单目深度估计网络模型对所述目标图像进行深度信息提取，得到所述目标图像的深度图像，所述已完成训练的单目深度估计网络模型是基于高维卷积网络提取的高维信息训练得到的；通过对所述深度图像中的目标车辆深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离，大大减少了矿区环境对图像特征提取的干扰，使模型能够稳定收敛，降低了模型的训练难度，同时，又确保了特征提取的准确性，从而大大提高对矿区环境的适用性，以及单目深度估计的准确度。
104.进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种不规则道路的单目深度估计装置，如图4所示，该装置包括：
105.获取模块41，用于从图像采集设备获取初始图像，并通过对所述初始图像进行有效目标提取得到唯一包含目标车辆的目标图像；
106.提取模块42，用于利用已完成训练的单目深度估计网络模型对所述目标图像进行深度信息提取，得到所述目标图像的深度图像；
107.确定模块43，用于通过对所述深度图像中的目标车辆深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离。
108.进一步地，所述获取模块，包括：
109.目标检测单元，用于对所述初始图像进行目标检测，若检测到目标，则确定所述初始图像中的至少一个目标车辆；
110.掩膜处理单元，用于根据所述目标车辆的图像区域，确定所述初始图像中的非目标车辆图像区域，并通过对所述非目标车辆图像区域进行掩膜处理，得到目标图像；
111.获取单元，用于若未检测到目标，则重新获取初始图像。
112.进一步地，所述装置还包括：
113.构建模块，用于构建包含至少五层卷积网络的初始单目深度估计网络模型；
114.掩膜处理模块，用于对训练样本图像集中的每个样本图像分别进行掩膜处理，得到掩膜处理后的训练样本图像集；
115.训练模块，用于利用所述掩膜处理后的训练样本图像集对所述初始单目深度估计网络模型进行训练，得到已完成训练的单目深度估计网络模型。
116.进一步地，所述训练模块，包括：
117.重构单元，用于利用所述初始单目深度估计网络模型对掩膜处理后的训练样本图像进行高维信息提取，得到高维信息，并通过所述高维信息进行图像重构得到所述训练样本图像的重构图；
118.确定单元，用于根据所述重构图与所述训练样本图像的相似度确定损失函数；
119.训练单元，用于利用所述损失函数对所述初始单目深度估计网络模型进行训练，得到已完成训练的单目深度估计网络模型。
120.进一步地，在具体应用场景中，所述训练单元，用于利用所述初始单目深度估计网络模型对所述目标图像进行深度信息提取，并提取初始单目深度估计网络模型中高维卷积网络输出的高维抽象特征；
121.通过对所述高维抽象特征进行上采样、特征融合得到高维信息。
122.进一步地，所述装置还包括：
123.所述获取模块，还用于获取连续帧图像样本，并对所述连续帧图像样本进行等时间间隔抽帧处理，得到对应多个图像帧的训练样本图像；
124.所述构建模块，还用于根据所述训练样本图像构建训练样本图像集。
125.进一步地，所述确定模块，包括：
126.过滤单元，用于对所述深度图像中的目标车辆深度信息进行离散点像素过滤处理，得到过滤处理后的目标车辆深度信息；
127.拟合单元，用于利用距离直方图分布算法对所述过滤处理后的目标车辆深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离。
128.本发明提供了一种单目深度估计装置，本发明实施例通过从图像采集设备获取初始图像，并通过对所述初始图像进行有效目标提取得到唯一包含目标车辆的目标图像；利用已完成训练的单目深度估计网络模型对所述目标图像进行深度信息提取，得到所述目标图像的深度图像，所述已完成训练的单目深度估计网络模型是基于高维卷积网络提取的高维信息训练得到的；通过对所述深度图像中的目标车辆深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离，大大减少了矿区环境对图像特征提取的干扰，使模型能够稳定收敛，降低了模型的训练难度，同时，又确保了特征提取的准确性，从而大大提高单目深度估计的准确性，以及对矿区环境的适用性。
129.根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的不规则道路的单目深度估计方法。
130.图5示出了根据本发明一个实施例提供的一种终端的结构示意图，本发明具体实施例并不对终端的具体实现做限定。
131.如图5所示，该终端可以包括：处理器(processor)502、通信接口(communications interface)504、存储器(memory)506、以及通信总线508。
132.其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
133.通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
134.处理器502，用于执行程序510，具体可以执行上述不规则道路的单目深度估计方法实施例中的相关步骤。
135.具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
136.处理器502可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
137.存储器506，用于存放程序510。存储器506可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
138.程序510具体可以用于使得处理器502执行以下操作：【独权】
139.从图像采集设备获取初始图像，并通过对所述初始图像进行有效目标提取得到唯
一包含目标车辆的目标图像；
140.利用已完成训练的单目深度估计网络模型对所述目标图像进行深度信息提取，得到所述目标图像的深度图像，所述已完成训练的单目深度估计网络模型是基于高维卷积网络提取的高维信息训练得到的；
141.通过对所述深度图像中的目标车辆深度信息进行拟合处理，得到所述目标车辆与所述图像采集设备之间的距离。
142.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
143.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。