如何从2D图像中自动有效地获取三维空间信息已成为计算机视觉领域中的重要研究内容之一。由于深度信息是从二维平面结构扩展到三维立体信息的重要线索,这就使单目图像的深度估计成为了计算机视觉领域的研究热点。本文介绍了一种基于迁移学习的单目图像深度估计算法。首先使用卷积神经网络提取出输入图像与数据库中所有图像的一维特征向量;然后将获取的一维特征向量采用余弦距离进行相似度匹配,根据相似度的高低在数据库中找到与输入图像在语义上极其相似的若干幅候选图像;其次通过加权SIFT(Scale Invariant Feature Transform)流迁移学习将候选图像的深度以及对应的权重迁移到输入图像成像平面上,进而得到输入图像的粗略深度图;再次构建优化粗略深度图的目标函数;最后使用IRLS(Iterative Reweighed Least squares)算法迭代目标函数直至收敛,进而得到输入图像的深度图。通过实验结果表明对单目图像的深度估计中,采用卷积神经网络特征提取和余弦距离相似度度量的方法进行选取候选图像同时通过基于权重SIFT流的迁移学习将候选图像的深度信息迁移到输入图像,最终可以自动有效地获取单目图像的深度信息。综上所述,本文将卷积神经网络的特征提取运用到了基于迁移学习的单目图像深度估计的算法中,所改进的方法可以对单目图像进行有效的深度估计进而获得单目图像的深度信息,为计算机视觉领域中的单目图像深度估计的研究提供了一个新思路。