1.一种基于全局与局部特征的图像深度估计方法，其特征在于，所述方法包括：获取待估计的彩色图像；

对所述彩色图像进行数据预处理，得到输入图像InputRGB；

提取输入图像InputRGB中的全局特征与局部特征：利用SwinTransformer‑T模块提取输入图像InputRGB的全局特征，利用ConvNeXt‑S模块提取输入图像InputRGB的局部特征；

将提取得到的全局特征与局部特征进行融合，得到融合特征向量；

将融合特征向量解码恢复到输入图像InputRGB尺寸得到绝对深度图Depth_pre，对绝对深度图Depth_pre采用镜像预测得到预测深度图Depth_final，作为图像深度估计结果。

2.根据权利要求1所述的基于全局与局部特征的图像深度估计方法，其特征在于，所述数据预处理包括：利用CutDepth‑Mask数据增强方法作数据预处理；

还包括：随机水平翻转、随机裁剪、随机明亮度对比、随机gama正则分布、随机饱和度。

3.根据权利要求1所述的基于全局与局部特征的图像深度估计方法，其特征在于，利用SwinTransformer‑T模块提取输入图像InputRGB的全局特征，包括：将输入图像InputRGB作为SwinTransformer‑T模块的输入，利用一个卷积层将四维输入变量B x 3 x H x W展平成一个三维变量B x P x C，卷积核个数：C x 3，大小：7，步长：

4，填充：2，过程按如下公式所示：

式中， 输入图像I经过第i个卷积层生成的特征向量； 第i个卷积核的权重参数； 第i个卷积核的偏置参数；*：卷积运算；i的最大值为C；

将三维变量Iemb送入到由4个自注意力层以及3个下采样层组成的全局特征提取模块进行编码，自注意力层由多个线性层和不同的激活函数组成，下采样层则由一个大小为3，步长为2的卷积层组成；自注意力层的过程按如下公式所示：Q＝(Iemb·Wq+bq)

K＝(Iemb·Wk+bk)

V＝(Iemb·Wv+bv)

式中Q、K、V为3个线性函数；Wq、Wk、Wv分别表示q、k、v三个线性层的权重参数；bq、bk、bv分别表示q、k、v三个线性层的偏置参数；softmax表示logistic回归函数，公式如下所示：d：特征向量K的维度；Gi：第i个自注意力层输出的全局特征向量； 第i个自注意力层第1个线性层的权重参数； 第i个自注意力层第1个线性层的偏置参数； 第i个自注意力层第2个线性层的权重参数； 第i个自注意力层第2个线性层的偏置参数；·表示矩阵乘法，T表示转置矩阵；

SwinTransformer‑T模块输出4个不同分尺度的全局特征向量G1、G2、G3、G4，分别为输入图像InputRGB尺寸的

4.根据权利要求1所述的基于全局与局部特征的图像深度估计方法，其特征在于，利用ConvNeXt‑S模块提取输入图像InputRGB的局部特征，包括：将输入图像InputRGB作为ConvNeXt‑S模块的输入，通过四层卷积块与四个下采样层组成的模块对InputRGB进行编码，其中每一个卷积块均由1个7x7大小的卷积核与2个1x1大小的卷积核串联构成，分别输出4个不同尺度的局部特征向量L1、L2、L3、L4，分别为输入图像InputRGB尺寸的

5.根据权利要求1所述的基于全局与局部特征的图像深度估计方法，其特征在于，将提取得到的全局特征与局部特征进行融合，包括：将局部特征L1、L2、L3、L4与全局特征G1、G2、G3、G4输入融合模块进行融合，获得融合特征向量M1、M2、M3、M4：式中：concat：拼接；dim：拼接的维度；Maxpool：最大池化，大小为3，步长为1，填充为1；

Avgpool：均值池化，大小为3，步长为1，填充为1；Conv：卷积，大小为3，步长为1，填充为1；i：第i个特征向量， 为中间参数。

6.根据权利要求1所述的基于全局与局部特征的图像深度估计方法，其特征在于，将融合特征向量解码恢复到输入图像InputRGB尺寸得到绝对深度图Depth_pre，包括：对融合特征向量M1、M2、M3、M4进行合并，得到合并后的融合特征向量Y1、Y2、Y3：使用两个连续的卷积连接邻近的融合特征Mi、Mi+1：Y1＝Conv(Conv(concat(bilinear(M1),M2,dim＝1)))Y2＝Conv(Conv(concat(bilinear(Y1),M3,dim＝1)))Y3＝Conv(Conv(concat(bilinear(Y2),M4,dim＝1)))式中，bilinear：双线性插值，缩放比例2；dim：拼接的维度；concat：拼接；Conv：卷积，Yi：每一次缩放合并后的特征图；

将Y3缩放为输入图像InputRGB一半的分辨率，缩放函数：Bilinear；利用卷积网络增强网络的拟合能力，最后再利用Sigmoid归一化，得到归一化后的Depth_pre_norm；过程如下公式所示：Depth_pre_norm＝Sigmoid(Conv(bilinear(Y3)))将归一化后的Depth_pre_norm与预设的最大深度值max_depth相乘后采取双线性插值算法恢复到输入图像InputRGB尺寸，得到绝对深度图Depth_pre。

7.根据权利要求1所述的基于全局与局部特征的图像深度估计方法，其特征在于，对绝对深度图Depth_pre采用镜像预测得到预测深度图Depth_final，包括：所述绝对深度图Depth_pre包括绝对深度图的左图Depth_pre_L和右图Depth_pre_R；

式中，ship：水平翻转。

8.一种基于全局与局部特征的图像深度估计装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述方法的步骤。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。