(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202211119943.7
(22)申请日 2022.09.15
(71)申请人 湖南大学深圳研究院
地址 518000 广东省深圳市南 山区粤海街
道高新技术产业园南区虚拟大学园
A214
(72)发明人 孙炜 范诗萌 李冲
(74)专利代理 机构 湖南岑信知识产权代理事务
所(普通合伙) 43275
专利代理师 周杰
(51)Int.Cl.
G06T 7/80(2017.01)
G06V 10/44(2022.01)
G06V 10/80(2022.01)
G06V 10/82(2022.01)G06N 3/08(2006.01)
G06N 3/04(2006.01)
(54)发明名称
一种融合梯度线索和多尺度信息的双目立
体匹配方法
(57)摘要
本发明提供一种融合梯度线索和多尺度信
息的双目立体匹配方法, 对左右图像进行多尺度
特征提取得到多尺度的左、 右卷积特征图, 并计
算左、 右梯度特征图; 将分辨率相同的左、 右卷积
特征图与左、 右梯度特征图融合, 得到多尺度的
左、 右融合特征图; 使用拼接操作在每个视差平
面上用左、 右融合特征图构建拼接代价体; 使用
组相关方法在每个视差平面上用左、 右卷积特征
图构建组相关代价体; 将相同分辨率的拼接代价
体和组相关代 价体拼接, 得到多尺度的组合代价
体; 将不同尺度下的组合代价体融合得到融合代
价体, 对融合代价体进行上采样, 得到与左、 右图
像分辨率相同的最终代价体; 采用soft argmin
操作输出视差图。 本发明提高了弱纹理区域、 细
微结构区域的匹配精度。
权利要求书2页 说明书7页 附图2页
CN 115423882 A
2022.12.02
CN 115423882 A
1.一种融合梯度线索和多尺度信息的双目立体匹配方法, 其特 征在于, 包括如下步骤:
S1:获取左、 右相机的左、 右图像;
S2:构建双目立体匹配网络, 将左、 右图像作为双目立体匹配网络的输入, 分别进行多
尺度的特征提取, 得到多尺度的左、 右卷积特征图; 将左、 右卷积特征图上依次通过多层卷
积层、 非线性层、 批量归一化层, 然后计算各特征点对应的梯度, 得到多尺度的左、 右梯度特
征图; 将分辨率相同的左、 右卷积特征图与左、 右梯度特征图融合, 得到多尺度的左、 右融合
特征图;
S3:使用拼接操作在每个视差平面上用左、 右融合特征图构建拼接代价体; 使用组相关
方法在每个视差平面上用左、 右卷积特征图构建组相关代价体; 将相同分辨率的拼接代价
体和组相关代价体进行拼接操作, 得到多尺度的组合代价体;
S4:将不同尺度 下的组合代价体 融合得到 融合代价体, 对融合代价体进行上采样, 得到
与左、 右图像分辨 率相同的最终代价体;
S5:采用soft argmin操作, 输出视 差图。
2.根据权利要求1所述的融合梯度线索和多尺度信息的双 目立体匹配方法, 其特征在
于, 所述步骤S1具体为:
标定左、 右相机, 采用标定好的左、 右相机分别拍摄得到图像, 对图像进行畸变校准、 极
线对齐后得到分辨 率为W×H的左、 右图像。
3.根据权利要求2所述的融合梯度线索和多尺度信息的双 目立体匹配方法, 其特征在
于, 所述步骤S2具体为:
S21:构建双目立体匹配网络, 将左、 右图像作为双目立体匹配网络的输入, 进行多尺度
的特征提取, 分别得到W/4 ×H/4、 W/8×H/8、 W/16×H/16分辨率的左、 右卷积特 征图;
S22:将左、 右卷积特征图依次通过多层卷积层、 非线性层、 批量归一化层, 然后计算各
特征点对应的梯度, 分别得到W/4 ×H/4、 W/8×H/8、 W/16 ×H/16分辨率的左、 右梯度特征图,
其中梯度的计算过程表示 为:
表示位于特征点(x,y)处的梯度特征, r表示梯度方向; fk表示经多次卷积层、 非
线性层、 批 量归一化层操作的卷积特征图, k表示通道, N表示总通道数, ( δxr, δ yr)表示沿r方
向的邻域像素相对于特 征点(x,y)的偏移量, | ·|表示绝对值。
S23:将分辨率相同的左、 右卷积特征图和左、 右梯度特征图依次通过多层卷积层、 非线
性层、 批量归一化层进行融合, 得到W/4 ×H/4、 W/8×H/8、 W/16 ×H/16分辨率的左、 右融合特
征图。
4.根据权利要求3所述的融合梯度线索和多尺度信息的双 目立体匹配方法, 其特征在
于, 所述拼接代价体的构建过程表示 为:
式中, ||表示拼接操作符, d表示表示视 差,
与
分别表示左、 右融合特 征图;
所述组相关代价体的构建过程表示 为:
权 利 要 求 书 1/2 页
2
CN 115423882 A
2式中, g表示组编号, NC表示左、 右卷积特征图的总通道数, NG表示总的组数,
分
别表示第g组左、 右卷积特 征图, <·>表示内积 操作;
所述组合代价体的构建过程表示 为:
Ccombine=Cconcat||Cgwc;
多尺度的所述组合代价体表示为:Ccombine1、 Ccombine2、 Ccombine3, 维度分别为:[B,C1,(Dmax+
1)/4,H/4,W/4]、 [B,C2,(Dmax+1)/8,H/8,W/8]、 [B,C3,(Dmax+1)/16,H/16,W/16], 其中, B为批
次大小, C1、 C2、 C3为通道数, Dmax为最大视差范围。
5.根据权利要求4所述的融合梯度线索和多尺度信息的双 目立体匹配方法, 其特征在
于, 所述步骤S4具体为:
S41:对组合代价体Ccombine1、 Ccombine2、 Ccombine3进行正则化;
S42:对正则化后的代价体Ccombine1进行下采样, 使其分辨率为W/8 ×H/8, 然后与经过正
则化的代价体Ccombine2进行拼接操作, 并将二 者进行融合;
S43:对步骤S42融合后的代价体进行下采样, 使其分辨率为W/16 ×H/16, 然后与经过正
则化的代价体Ccombine3进行拼接操作, 并将二 者进行融合;
S44:将步骤S43融合后的代价体进行上采样, 使其分辨率为W/4 ×H/4, 得到融合代价体
Cfused, 维度为: [B,C2,(Dmax+1)/4,H/4,W/4];
S45:对融合代价体Cfused进行上采样, 使其分辨率为W/2 ×H/2, 然后再进行三线性上采
样, 使其分辨 率为W×H, 得到最终代价体Cfinal。
6.根据权利要求5所述的融合梯度线索和多尺度信息的双 目立体匹配方法, 其特征在
于, 采用soft argmin操作输出的视 差图为:
式中, σ 表示沿视 差维度的softmax操作,
表示输出的视 差图。
7.根据权利要求6所述的融合梯度线索和多尺度信息的双 目立体匹配方法, 其特征在
于, 还包括如下步骤:
S6:训练所述双目立体匹配网络, 在训练 阶段, 所述双目立体匹配网络输出三个层次的
视差图, 并使用不同的训练权重进 行全监督学习: 第一层由步骤S4 1中正则化后的组合代 价
体Ccombine1输出, 输出具有梯度线索的视差图, 旨在保留细节特征; 第二层由步骤S44中融合
代价体Cfused输出, 输出具有多尺度信息和梯度线索的视差图; 第三层由步骤S45中最终代价
体Cfinal输出, 输出学习具有更精细和更高频率特征的视差图; 采用平滑L1损失函数对网络
进行端到端地训练, 所述双目立体匹配网络的损失函数表示 为:
式中, L表示损失函数, λi表示第i层次输出的视差图的权重系数, d*表示视差真值,
表示L1损失函数, 定义如下:
式中, a表示 L1损失函数的输入变量;
S7:采用训练好的双目立体匹配网络进行双目立体匹配。权 利 要 求 书 2/2 页
3
CN 115423882 A
3
专利 一种融合梯度线索和多尺度信息的双目立体匹配方法
安全报告 >
其他 >
文档预览
中文文档
12 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共12页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 04:39:43上传分享