第1期 辛菁，等：基于迁移学习的移动机器人单帧图像坡度检测算法 87· 表1Make3D数据集深度估计结果对比 Table 1 Comparison of depth estimation results for Make 3D dataset FCRNI9 DCNF-FCSPI☒ 本文方法（迭代15000次） 场景 MRE lg RMSE MRE g RMSE MRE Ie RMSE (越小越好) 0.1024 0.0631 14.2517 0.1530 0.0734 7.3304 0.1532 0.0754 7.6390 2 0.5710 0.4357 28.8680 0.1449 0.0695 10.0483 0.1451 0.0716 10.3562 3 0.6145 0.4645 21.0095 0.1836 0.0769 7.9044 0.1684 0.0725 8.0804 4 0.6843 0.4123 37.3963 1.1952 0.3877 29.3387 1.1560 0.3845 29.6222 0.4973 0.3352 15.3152 0.3625 0.1465 12.3683 0.3562 0.1496 12.2847 0.5127 0.3897 26.0401 0.6315 0.2087 21.6887 0.6128 0.2101 21.1751 0.5259 0.3736 20.2887 0.5640 0.2790 21.0787 0.5559 0.2821 20.6893 0.7211 0.4315 23.5747 0.3659 0.2379 16.1994 0.3705 0.2445 16.3725 9 0.5435 0.3821 23.0167 0.6329 0.1674 9.2323 0.5901 0.1597 8.5783 10 0.6701 0.3653 23.7896 1.1973 0.2840 21.6687 1.1469 0.2818 21.2793 均值 0.5442 0.3653 23.3550 0.54310.1931 15.6858 0.5255 0.1932 15.6077 实验2实际拍摄的室外图像深度估计 机选取图像中一个矩形区域的4个顶点对图像深 本实验的目的是通过对实际拍摄的室外图像 度估计质量进行评估，深度估计结果如图6所 深度估计，来进一步验证所提方法在真实场景中 示。由图6可以看出，本文所提出的深度估计方 的有效性和优越性。实验中使用博世(BOSCH) 法对于实际拍摄的室外单帧图像在光照均匀且场 DEL40手持激光测距仪进行实际深度值测量，随 景简单的环境下可以实现较好的深度估计。 (a)实际拍 (b)FCRN阿(C)DCNF-FCSPI2I(d)本文深度 (e)实际拍 (⑨FCRN(g)DCNF-FCSPU2(h)本文深度 摄图像1 估计结果 摄图像2 估计结果 图6实际拍摄室外图像深度估计结果（蓝色：近；红色：远） Fig.6 The actual outdoor image depth estimation result(blue:close;red:far) 表2进一步给出了本文所提出的室外单帧图像 匀且场景简单的室外单帧图像能够进行准确的深 深度估计方法与主流的FCRN深度估计方法I町 度估计。通过3种方法在室外图像中任意选取的 DCNF-FCSP深度估计方法2I的量化估计结果， 矩形区域顶点的深度估计结果与真实距离的对比 其中深度的真实值由激光测距仪获得。由表2可 可以看出，本文所提出的深度估计方法对于实际 以看出，本文所提出的深度估计方法对于光照均 拍摄的室外单帧图像深度估计的精度更高。表 1 Make 3D 数据集深度估计结果对比 Table 1 Comparison of depth estimation results for Make 3D dataset 场景 FCRN[19] DCNF-FCSP[12] 本文方法(迭代1 5000次) MRE lg RMSE MRE lg RMSE MRE lg RMSE (越小越好) 1 0.102 4 0.0631 14.251 7 0.153 0 0.0734 7.330 4 0.153 2 0.0754 7.639 0 2 0.571 0 0.4357 28.868 0 0.144 9 0.0695 10.048 3 0.145 1 0.0716 10.3562 3 0.614 5 0.4645 21.009 5 0.183 6 0.0769 7.904 4 0.168 4 0.0725 8.0804 4 0.684 3 0.4123 37.396 3 1.195 2 0.3877 29.338 7 1.156 0 0.3845 29.6222 5 0.497 3 0.3352 15.315 2 0.362 5 0.1465 12.368 3 0.356 2 0.1496 12.2847 6 0.512 7 0.3897 26.040 1 0.631 5 0.2087 21.688 7 0.612 8 0.2101 21.1751 7 0.525 9 0.3736 20.288 7 0.564 0 0.2790 21.078 7 0.555 9 0.2821 20.6893 8 0.721 1 0.4315 23.574 7 0.365 9 0.2379 16.199 4 0.370 5 0.2445 16.3725 9 0.543 5 0.3821 23.016 7 0.632 9 0.1674 9.232 3 0.590 1 0.1597 8.5783 10 0.670 1 0.3653 23.789 6 1.197 3 0.2840 21.668 7 1.146 9 0.2818 21.2793 均值 0.544 2 0.3653 23.355 0 0.543 1 0.1931 15.685 8 0.525 5 0.1932 15.6077 实验 2 实际拍摄的室外图像深度估计 本实验的目的是通过对实际拍摄的室外图像 深度估计，来进一步验证所提方法在真实场景中 的有效性和优越性。实验中使用博世 (BOSCH) DEL40 手持激光测距仪进行实际深度值测量，随 机选取图像中一个矩形区域的 4 个顶点对图像深 度估计质量进行评估，深度估计结果如图 6 所 示。由图 6 可以看出，本文所提出的深度估计方 法对于实际拍摄的室外单帧图像在光照均匀且场 景简单的环境下可以实现较好的深度估计。 (a) 实际拍 摄图像 1 (b) FCRN[19] (c) DCNF-FCSP[12] (d) 本文深度 估计结果 (e) 实际拍 摄图像 2 (f) FCRN[19] (g) DCNF-FCSP[12] (h) 本文深度 估计结果 图 6 实际拍摄室外图像深度估计结果 (蓝色：近；红色：远) Fig. 6 The actual outdoor image depth estimation result (blue: close; red: far) 表 2 进一步给出了本文所提出的室外单帧图像 深度估计方法与主流的 FCRN 深度估计方法[19] 、 DCNF-FCSP 深度估计方法[12] 的量化估计结果， 其中深度的真实值由激光测距仪获得。由表 2 可 以看出，本文所提出的深度估计方法对于光照均 匀且场景简单的室外单帧图像能够进行准确的深 度估计。通过 3 种方法在室外图像中任意选取的 矩形区域顶点的深度估计结果与真实距离的对比 可以看出，本文所提出的深度估计方法对于实际 拍摄的室外单帧图像深度估计的精度更高。 第 1 期 辛菁，等：基于迁移学习的移动机器人单帧图像坡度检测算法 ·87·