本文選題：立體匹配　切入點(diǎn)：匹配代價(jià)　出處：《浙江大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：雙目立體視覺(jué)是計(jì)算機(jī)視覺(jué)的關(guān)鍵技術(shù)之一,它在傳統(tǒng)的三維場(chǎng)景重建、智能機(jī)器人導(dǎo)航、目標(biāo)跟蹤以及新興的無(wú)人駕駛汽車(chē)、虛擬現(xiàn)實(shí)、移動(dòng)終端等領(lǐng)域都具有廣泛的應(yīng)用。立體匹配作為雙目立體視覺(jué)中最為重要的一個(gè)環(huán)節(jié),一直是目前研究的焦點(diǎn)和熱點(diǎn)。近年來(lái),深度學(xué)習(xí)技術(shù)快速發(fā)展,在圖像、語(yǔ)音、文本等領(lǐng)域獲得了巨大的成功。卷積神經(jīng)網(wǎng)絡(luò)更是結(jié)合了深度學(xué)習(xí)技術(shù)、人工神經(jīng)網(wǎng)絡(luò)和圖像局部關(guān)聯(lián)性等特性,能有效提取圖像特征,特別適用于計(jì)算機(jī)視覺(jué)任務(wù),在圖像分類(lèi)、物體檢測(cè)、目標(biāo)跟蹤等任務(wù)中取得了顯著的成績(jī)。目前,如何將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到立體匹配任務(wù)中,獲得高準(zhǔn)確率、快速的算法,仍是一個(gè)有待解決的問(wèn)題。本文整理和總結(jié)了國(guó)內(nèi)外關(guān)于深度學(xué)習(xí)和立體匹配技術(shù)的研究成果,以經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ),將其應(yīng)用到立體匹配任務(wù)當(dāng)中,主要工作如下:1)提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的匹配代價(jià)計(jì)算算法。在分析傳統(tǒng)匹配代價(jià)算法原理和現(xiàn)有數(shù)據(jù)集限制的基礎(chǔ)上,本文利用卷積神經(jīng)網(wǎng)絡(luò)計(jì)算圖像塊的匹配程度,避免了需要人工選擇特征。實(shí)驗(yàn)結(jié)果表明,本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的匹配代價(jià)計(jì)算算法大幅減少了初始匹配誤差,為后續(xù)步驟建立良好基礎(chǔ),且具有較好的光照魯棒性。同時(shí)研究了卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)對(duì)算法效果和速度的影響。2)提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的立體匹配算法框架。本文參考傳統(tǒng)立體匹配四個(gè)步驟,使用基于卷積神經(jīng)網(wǎng)絡(luò)的匹配代價(jià)計(jì)算算法計(jì)算匹配代價(jià),將半全局匹配算法和基于十字的代價(jià)聚合算法結(jié)合用于代價(jià)聚合,視差計(jì)算完成后使用多種后處理算法對(duì)初始視差圖進(jìn)行修正。通過(guò)在公開(kāi)數(shù)據(jù)集的測(cè)試表明,本文提出的算法框架在準(zhǔn)確度和性能上都已經(jīng)達(dá)到了領(lǐng)域內(nèi)先進(jìn)水平。
[Abstract]:Binocular stereo vision is one of the key technologies of computer vision. It is used in traditional 3D scene reconstruction, intelligent robot navigation, target tracking, and emerging driverless cars, virtual reality, etc. Stereo matching, as the most important link in binocular stereo vision, has been the focus and hotspot of current research. In recent years, depth learning technology has developed rapidly in image, speech, speech, etc. The convolution neural network combines the characteristics of deep learning technology, artificial neural network and image local correlation, so it can extract image features effectively, especially for computer vision tasks. Significant achievements have been made in image classification, object detection, target tracking and so on. At present, how to apply convolution neural network to stereo matching task to obtain high accuracy and fast algorithm, It is still a problem to be solved. This paper summarizes the research results of depth learning and stereo matching at home and abroad, and applies them to stereo matching task based on classical convolution neural network model. The main work is as follows: (1) A matching cost calculation algorithm based on convolution neural network is proposed. On the basis of analyzing the principle of traditional matching cost algorithm and the limitation of existing data set, this paper uses convolutional neural network to calculate the matching degree of image block. The experimental results show that the proposed algorithm based on convolution neural network greatly reduces the initial matching error and establishes a good foundation for the following steps. At the same time, the effect of hyperparameter of convolution neural network on algorithm effect and speed. 2) A stereo matching algorithm framework based on convolution neural network is proposed. This paper refers to the four steps of traditional stereo matching. The matching cost calculation algorithm based on convolution neural network is used to calculate the matching cost. The semi-global matching algorithm and the cross-based cost aggregation algorithm are combined for the cost aggregation. After the parallax calculation is completed, a variety of post-processing algorithms are used to correct the initial parallax map. The experimental results in the open data set show that the proposed algorithm framework has reached the advanced level of accuracy and performance in the field.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王肇捷,黃文劍;立體匹配的免疫算法[J];電腦與信息技術(shù);2001年04期

2 夏利民;谷士文;沈新權(quán);孫星明;;一種新穎的立體匹配方法[J];模式識(shí)別與人工智能;2001年04期

3 王小芳;閆光榮;雷毅;;彩色鏡像圖像的立體匹配方法[J];計(jì)算機(jī)工程;2008年18期

4 裴明濤;劉鵬;;一種基于圖割的快速立體匹配方法[J];北京理工大學(xué)學(xué)報(bào);2009年03期

5 盧思軍;唐振民;郭龍?jiān)?盧阿麗;;采用模糊判別的自適應(yīng)多窗口立體匹配[J];工程圖學(xué)學(xué)報(bào);2009年06期

6 李洪海;;一種改進(jìn)的快速立體匹配方法[J];自動(dòng)化與儀器儀表;2010年04期

7 林川;潘盛輝;韓峻峰;譚光興;李夢(mèng)和;;基于區(qū)域的立體匹配優(yōu)化方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2011年08期

8 胡楠;;立體匹配技術(shù)發(fā)展研究[J];信息通信;2012年05期

9 李竹林;張根耀;;基于特征的寬基線(xiàn)立體匹配技術(shù)研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2013年05期

10 林靜;江開(kāi)勇;林俊義;李莉君;;基于立體校正的快速相位立體匹配[J];貴州師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年02期

相關(guān)會(huì)議論文 前10條

1 趙慧潔;雷彥章;姜宏志;;基于投影柵相位的立體匹配方法[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

2 劉曉麗;徐光柱;雷幫軍;孫水發(fā);馮德鴻;;立體匹配技術(shù)研究[A];'2010系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

3 王躍宗;劉沖;李德勝;;彩色顯微圖像立體匹配研究[A];中國(guó)微米、納米技術(shù)第七屆學(xué)術(shù)會(huì)年會(huì)論文集（一）[C];2005年

4 付麗琴;韓焱;;基于立體匹配技術(shù)的射線(xiàn)圖像三維信息重建技術(shù)研究[A];第十一屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2006年

5 李竹林;趙宗濤;王文發(fā);馬燕;;一種缺失攝像機(jī)標(biāo)定參數(shù)圖像的立體匹配方法[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

6 周秀芝;王潤(rùn)生;;基于自適應(yīng)窗口的稠密立體匹配[A];立體圖象技術(shù)及其應(yīng)用研討會(huì)論文集[C];2005年

7 賈濤;陳濤;楊潤(rùn)奎;;基于仿射不變量的長(zhǎng)基線(xiàn)立體匹配[A];第三屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2005年

8 左森;郭曉松;萬(wàn)敬;郭君斌;;Graph Cuts及其在立體匹配中的應(yīng)用[A];立體圖象技術(shù)及其應(yīng)用研討會(huì)論文集[C];2005年

9 李剛;曾榮盛;韓建濤;陳曾平;;基于雙向SIFT的未標(biāo)定圖像的立體匹配[A];全國(guó)第4屆信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

10 紀(jì)松;范大昭;初艷鋒;楊靖宇;;線(xiàn)陣遙感影像多視立體匹配中VLL模型的擴(kuò)展[A];第十七屆全國(guó)測(cè)控計(jì)量?jī)x器儀表學(xué)術(shù)年會(huì)（MCMI'2007）論文集（上冊(cè)）[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 張康;基于圖像深度感知中的立體匹配和深度增強(qiáng)算法研究[D];清華大學(xué);2015年

2 黃經(jīng)州;高分辨率近似紋理圖像立體匹配技術(shù)研究[D];浙江大學(xué);2015年

3 柴登峰;面向三維可視通訊的立體匹配方法[D];浙江大學(xué);2006年

4 盧思軍;立體匹配關(guān)鍵技術(shù)研究[D];南京理工大學(xué);2011年

5 胡騰;基于多通道置信度傳播算法的航空核線(xiàn)影像稠密立體匹配研究[D];武漢大學(xué);2013年

6 李莉;基于偏微分方程的立體匹配問(wèn)題研究[D];山東大學(xué);2011年

7 裴偉;顯微立體匹配及非接觸無(wú)損快速三維測(cè)量研究[D];大連理工大學(xué);2007年

8 葛亮;圖像建模中立體匹配問(wèn)題的研究[D];重慶大學(xué);2009年

9 耿英楠;立體匹配技術(shù)的研究[D];吉林大學(xué);2014年

10 劉正東;計(jì)算機(jī)視覺(jué)中立體匹配技術(shù)的研究[D];南京理工大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 王龍;攝像機(jī)標(biāo)定與立體匹配技術(shù)的研究[D];河北大學(xué);2015年

2 劉榮軍;寬基線(xiàn)密集立體匹配方法研究[D];昆明理工大學(xué);2015年

3 朱守信;基于立體匹配片的國(guó)產(chǎn)衛(wèi)星影像無(wú)縫立體測(cè)圖方法研究[D];中國(guó)地質(zhì)大學(xué)(北京);2015年

4 龐星;雙目立體匹配的理論研究及算法優(yōu)化[D];南京理工大學(xué);2015年

5 夏凱;雙目視覺(jué)立體匹配技術(shù)研究及其應(yīng)用[D];西安建筑科技大學(xué);2015年

6 王侃;人體頭部姿態(tài)參數(shù)測(cè)量[D];西安工業(yè)大學(xué);2015年

7 龔文彪;立體匹配技術(shù)的研究及其硬件化實(shí)現(xiàn)[D];南京理工大學(xué);2015年

8 邱明R，

本文編號(hào)：1630177