| 一種基于卷積神經(jīng)網(wǎng)絡(luò)的立體匹配算法設(shè)計(jì) | |
| 所屬分類：技術(shù)論文 | |
| 上傳者：muyx | |
| 文檔大?。?span>2130 K | |
| 標(biāo)簽： 卷積神經(jīng)網(wǎng)絡(luò) 立體匹配 空洞空間金字塔池化 | |
| 所需積分：0分積分不夠怎么辦？ | |
| 文檔介紹：立體視覺作為計(jì)算機(jī)視覺最為熱門的研究領(lǐng)域，廣泛應(yīng)用于車輛的自動(dòng)駕駛、機(jī)器人導(dǎo)航、三維重建、物體檢測(cè)和識(shí)別等方面。立體匹配作為立體視覺系統(tǒng)中的核心技術(shù)，其匹配的精確度決定著整個(gè)系統(tǒng)的性能。由于拍攝的立體圖像大多存在噪聲干擾、重復(fù)紋理、低紋理和遮擋區(qū)域等問題，并且受到光照條件的影響，如何高效快速地獲取精準(zhǔn)的視差圖仍存在著諸多挑戰(zhàn)。 立體匹配算法的典型流程包含匹配代價(jià)計(jì)算、代價(jià)聚合、視差計(jì)算和視差優(yōu)化四個(gè)步驟［1］，其又分為全局算法和局部算法。局部算法通常使用固定大小的窗口或可變的窗口來計(jì)算初始代價(jià)，例如Census算法等，實(shí)現(xiàn)都比較簡(jiǎn)便，但是在視差突變區(qū)域存在諸多弊端，對(duì)低紋理和遮擋區(qū)域匹配效果差。全局匹配算法通過建立全局能量函數(shù)，利用最小化全局能量函數(shù)來獲取最優(yōu)的視差值［2］。常用的全局匹配算法包含動(dòng)態(tài)規(guī)劃、圖割法、置信傳播法、遺傳算法等。全局匹配算法隨著計(jì)算復(fù)雜度的提升，匹配效果較局部算法有所提升，但數(shù)據(jù)依賴性大導(dǎo)致運(yùn)行速度慢，需要花費(fèi)很長(zhǎng)的時(shí)間進(jìn)行計(jì)算。 為了解決傳統(tǒng)立體匹配算法在低紋理、遮擋區(qū)域的匹配效果差的問題，本文研究了一種端到端的基于卷積神經(jīng)網(wǎng)絡(luò)的立體匹配算法，并利用了空洞空間金字塔池化(ASPP)［3］網(wǎng)絡(luò)獲取圖像的上下文信息和多尺度的三維卷積網(wǎng)絡(luò)來擴(kuò)大圖像的感受野。最終獲得的視差圖的精度遠(yuǎn)高于傳統(tǒng)匹配算法，對(duì)圖像的邊緣、遮擋區(qū)域的匹配效果都非常優(yōu)異。 | |
| 現(xiàn)在下載 | |
| VIP會(huì)員，AET專家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。 | |
卷積神經(jīng)網(wǎng)絡(luò) 相關(guān)資源
- 融合卷積神經(jīng)網(wǎng)絡(luò)的混凝投藥模型研究
- 深度學(xué)習(xí)模型中不同激活函數(shù)的性能分析
- 應(yīng)用于相機(jī)標(biāo)定的亞像素棋盤角點(diǎn)檢測(cè)
- 基于多模態(tài)特征融合的Android惡意程序檢測(cè)
- 基于動(dòng)態(tài)自適應(yīng)計(jì)算引擎的MobileNetV3網(wǎng)絡(luò)
- 基于殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)和Stacking
- 基于改進(jìn)AlexNet卷積神經(jīng)網(wǎng)絡(luò)人臉識(shí)別的研
- 基于深度學(xué)習(xí)的可視化圖表分類方法研究
Copyright ? 2005-2024 華北計(jì)算機(jī)系統(tǒng)工程研究所版權(quán)所有 京ICP備10017138號(hào)-2