1.一种基于全卷积神经网络FCN的单目图像深度估计方法，其特征在于，包括以下步骤：步骤1、获取训练图像数据；

步骤2、将步骤1中得到的训练图像数据输入建立的全卷积神经网络FCN进行训练，其过程包括：将训练图像数据输入全卷积神经网络FCN，由全卷积神经网络FCN内的每一池化层依次输出得到特征图像；及从最后一个池化层开始将其输出特征图像进行放大处理，获得与其前一池化层输出特征图像尺寸一致的特征图像并将二者的特征图像融合，由利用从后向前顺序依次对每个池化层的输出特征图像融合以最终获得预测深度图像；且训练中利用随机梯度下降法SGD对全卷积神经网络FCN中的参数训练；

步骤3、获取需要预测深度的RGB图像输入训练后的全卷积神经网络FCN，获得对应的预测深度图像。

2.根据权利要求1所述基于全卷积神经网络FCN的单目图像深度估计方法，其特征在于：所述步骤1还包括利用数据扩充方法对训练图像样本数据扩充。

3.根据权利要求2所述基于全卷积神经网络FCN的单目图像深度估计方法，其特征在于：所述数据扩充方法包括旋转、缩放、颜色转换、随机水平翻转、平移处理。

4.根据权利要求1所述基于全卷积神经网络FCN的单目图像深度估计方法，其特征在于：所述步骤1还包括利用对所获取训练图像数据减去其像素平均值的预处理步骤。

5.根据权利要求1所述基于全卷积神经网络FCN的单目图像深度估计方法，其特征在于：所述步骤2中对输出特征图像放大处理依次包括卷积、批归一化及反卷积处理。

6.根据权利要求1所述基于全卷积神经网络FCN的单目图像深度估计方法，其特征在于：所述步骤2还包括利用网络中各层所处的网络深度来获取图像深度特征，所述图像深度特征包括局部特征或全局特征。

7.根据权利要求1所述基于全卷积神经网络FCN的单目图像深度估计方法，其特征在于：所述步骤2中利用随机梯度下降法SGD训练所需建立的损失函数，具体为：其中，损失函数中L(x)代表损失函数目标值；所述 为网络输出的预测深度图像，y为训练图像数据集中的标准深度图像；参数c取值为 i为图像中像素坐标，且x∈(-c,c)。