视觉中的深度是度量观测物体到成像平面之间的垂直距离,是将从普通传感器设备获取的二维视觉信息转换为三维立体视觉的重要的2.5维信息表征。场景深度结构是指场景中不同物体在同一观测下形成的三维空间位置之间的拓扑结构。计算机视觉中,单目深度结构可以定义为单目视觉图像中目标之间的前后排序关系,通常情况下,它只能表明物体距离摄像设备更远或者更近,不能获得每个物体的绝对深度值。根据格式塔心理学理论,这种深度感知方式符合人类对客观世界的视觉感知,其基本过程就是构建合理的、一致的场景深度布局结构。深度排序刻画了场景中目标相对摄像设备之间的前后位置关系,但对比较复杂嘈乱的场景来说,目标之间的深度关系并不易获取,主要原因在于:第一,对于复杂场景来说,不易获取场景中准确的分割目标,图像的分割质量直接影响深度排序结果;第二,从三维世界映射到二维平面会产生遮挡现象,借此可以利用目标遮挡关系推断局部目标区域之间的深度关系,但是,从复杂场景中,仅根据二维映射平面难以检测出区域之间的遮挡关系;第三,某些场景中区域之间的遮挡关系相对稀疏,无法获取全局一致的深度排序。另外,获取的遮挡关系可能会与现实世界中冲突,如何消除深度排序中的遮挡判定歧义也非常重要;第四,合理的深度排序关系必须满足场景布局约束条件,因此,如何构建全局深度推理模型,联合考虑多个深度线索并进行全局深度有效推理是一项难点。针对上面所述问题,本文主要开展了以下任务:(1)针对复杂场景中目标之间存在的遮挡问题,基于学习的方法,构建深度卷积网络框架来学习目标之间的遮挡关系,并基于目标间遮挡关系进行深度排序。(2)针对仅使用单一局部线索引起的深度排序歧义的问题,分析三维场景中消失点在二维空间的投影位置与目标地面接触点之间距离,将其作为估计不同目标位置关系的基准,构成全局深度结构布局约束,提供了深度排序全局约束条件;(3)综合考虑局部遮挡线索全局消失点线索,以排序目标为节点,构建图模型,以目标的局部遮挡线索和全局深度布局关系构建能量函数,并使用置信度传播方法进行消息传递,获取全局一致的深度排序结果。(4)结合区域之间深度排序关系和超像素区域的外观特征,构建全局能量优化框架,采用混合优化算法最小化能量函数,获取最终的深度排序结果。