1.一种融合连续性特征的单目深度估计方法，其特征在于，包括以下步骤：

第一步：对原始的三通道彩色图像进行预处理，由原图得到IP IM IH三种图像；

第二步：将每种处理后的图像输入到特征编码器中，在保持高分辨率特征表示的同时逐渐融合低级特征；对多层卷积提取的特征进行拼接，通过对所有上一阶段小于自身的层数上的特征进行加权求和，得到该阶段特征；

第三步：解码器对多层卷积提取的特征进行拼接，对所有该阶段大于等于自身的层数上的特征进行加权求和，得到下一阶段特征；最终输出深度图。

2.根据权利要求1所述的融合连续性特征的单目深度估计方法，其特征在于：

所述第一步中，IM IP IH分辨率相同，IM由原图通过Resize操作获得，将原分辨率为(375,1242)的图转换为分辨率为h×w的图；IP在通过Resize操作获得分辨率为h×w的图后，将原图投影到梯形区域；其中梯形的高就是图像宽度，梯形的顶边就是图像长度，梯形P的底边边长由比例因子S 控制，与底边的比例在区间[0.7,0.9]内随机选择；IH先通过Resize操作得到尺寸为hH×wH的图像，再通过裁剪操作得到分辨率为h×w的图像；其中裁剪窗口与原图比例由比例因子SH控制，在[0.5,0.7]的范围内动态变化。

3.根据权利要求1所述的融合连续性特征的单目深度估计方法，其特征在于：所述第二步中，编码器包含四个阶段以及四个并行的子网，每个子网的分辨率降低为前一个子网的一半，相应的通道数增加了一倍；第一阶段的的卷积过程包含4个residualunit，每个unit由一个宽度为64的bottleneck组成，bottleneck之后使用一个3×3的卷积操作来降低特征图的通道数，重新变为residualunit输入时的通道数；第二，第三，第四阶段分别包含1、4、3个exchange unit，一个exchange unit包含4个residual unit；在这4个unit后，在每个不同分辨率的转换中都包含两个3×3的卷积；结束第四阶段后，也就得到了编码器的输出，对它使用3×3卷积得到解码器的输入。

4.根据权利要求1所述的融合连续性特征的单目深度估计方法，其特征在于：所述第二步中，解码器整体上和编码器呈现对称结构，具体不同包括：每个阶段的多尺度融合特征不会融合层数比自己低的层次的特征；在获得了多尺度融合特征后需要进行一次3×3卷积，经过卷积后的特征才可以进入下一阶段；当某特征已经是该阶段最高层时，该层特征只作为输入进入下一阶段；解码器最后的输出在经过一个1×1卷积层后输出深度图。

5.根据权利要求1所述的融合连续性特征的单目深度估计方法，其特征在于：第三步中使用组合损失函数进行网络的学习训练，损失函数包含最小光度误差损失、平滑损失、跨尺度一致性损失以及连续性损失；此损失函数组合的表达式为：(其中γμλ为超参数)由于照片中物体无法满足视作漫反射模型‑‑朗伯体模型，损失函数需要考虑光度误差损失:考虑某种情况：当多帧图像中同一位置，其中一帧图像被遮挡物所影响，此时使用平均值来进行处理显然是缺乏严谨的；为了解决遮挡带来的问题，使用最小重投影损失作为光度误差损失：损失函数中，为了只允许在灰度值差异较大的区域的深度差异较大，加入了边缘平滑损失：

损失函数中，通过计算连续性损失LMP约束网络显式学习场景的连续性信息：

损失函数中，通过计算跨尺度一致性损失LMH约束网络显式学习场景的尺度不变性信息：