【技术实现步骤摘要】
一种基于简化独立成分分析和局部相似性的立体匹配方法
本专利技术属于图像处理
，尤其涉及一种基于简化独立成分分析和局部相似性的立体匹配方法。
技术介绍
立体匹配是立体视觉研究中的关键部分，在车辆的自动驾驶，3D模型重建，物体的检测与识别等方面有广泛的应用。立体匹配的目的是求出立体图像对中左右图像像素点之间的对应关系，以获得视差图。然而，立体匹配面临着很大的挑战，遇到遮挡、弱纹理、深度不连续等复杂场景，不易获取稠密且精细的视差图。因此，如何准确的从立体图对中获取密集视差，具有重大的研究意义。传统的立体匹配方法匹配效果的好坏依赖于匹配代价的准确性，计算十分缓慢，十分依赖匹配窗口的合理性，对弱纹理区的处理效果不好，算法实现时收敛速度较慢。在传统的立体匹配算法中，采用手动的方法提取图像特征以及代价卷的设计，图像信息表达不全面，影响了后续步骤的实施，视差图精度受到影响。
技术实现思路
专利技术目的：针对在实际场景中现存的立体匹配网络在视差图的边缘，细节信息以及弱纹理区域的预测准确率较低问题，本专利技术提...
【技术保护点】
1.一种基于简化独立成分分析和局部相似性的立体匹配方法，其特征在于：该方法包括以下步骤：/n步骤一，将双目相机拍摄的立体图像对输入DispNetC网络的卷积层，提取每个像素的特征，通过计算特征相关性构建初始匹配代价卷，完成初始匹配代价计算；/n步骤二，将初始匹配代价卷输入DispNetC网络的编码-解码结构，进行简化独立成分分析匹配代价聚合，定义简化独立成分分析损失函数L
【技术特征摘要】
1.一种基于简化独立成分分析和局部相似性的立体匹配方法，其特征在于：该方法包括以下步骤：
步骤一，将双目相机拍摄的立体图像对输入DispNetC网络的卷积层，提取每个像素的特征，通过计算特征相关性构建初始匹配代价卷，完成初始匹配代价计算；
步骤二，将初始匹配代价卷输入DispNetC网络的编码-解码结构，进行简化独立成分分析匹配代价聚合，定义简化独立成分分析损失函数LSICA，更新像素点的权值；
步骤三，聚合后的匹配代价卷输入解码结构的最后一层反卷积层，反卷积的结果即为视差图，构建局部相似性损失函数Ll，并结合简化独立成分分析损失函数LSICA，得到总损失函数L；
步骤四，利用真实视差图和预测视差图以及定义的总损失函数L进行网络训练，更新网络参数，通过训练完成的网络预测得到全尺寸视差图。
2.根据权利要求1所述的一种基于简化独立成分分析和局部相似性的立体匹配方法，其特征在于：所述步骤一，初始匹配代价计算方法如下：
通过DispNetC网络的卷积层提取立体图像对的特征，得到两张图像各自的特征图；将特征输入DispNetC网络的相关层，获取其在特征空间内对应位置的关系，获得初始匹配代价；通过DispNetC网络的相关层比较两个特征图各个块的关系，即计算各块之间的相关性，公式如下：
其中c(x1,x2)表示特征图的块的相关性，f1和f2分别表示两个特征图，x1表示特征图f1中以x1为中心的一块，x2表示特征图f2中以x2为中心的一块，k为图像块大小，d为图像位移范围，即视差搜索范围；
在求取匹配代价的过程中，将左图设为参考图像，在范围d内进行移动，计算相关性大小，得到初始匹配代价卷。
3.根据权利要求1所述的一种基于简化独立成分分析和局部相似性的立体匹配方法，其特征在于：所述步骤二，将初始匹配代价卷输入DispNetC网络的编码-解码结构，将匹配代价卷堆叠成空间金字塔并结合简化独立成分分析损失函数，利用通道向量之间的相关性，完成像素点在所有视差搜索范围内与其邻域像素的重要性衡量，完成像素点的权值更新，具体如下：
(1)基于简化独立成分分析的代价聚合在解码阶段完成，匹配代价卷经过解码结构的若干反卷积层，每个反卷积层得到一个反卷积结果，即每层输出一个匹配代价卷，堆叠不同层的匹配代价卷fs构成空间金字塔；对每层匹配代价卷进行上采样，上采样的匹配代价卷的大小和最后一层输出的匹配代价卷fs'的大小相同；
(2)保持fs'的通道数不变，将fs'拉平成其中Xj由WiHi个通道向量组成，Wi、Hi分别表示匹配代价卷的长、宽，dj表示上采样后匹配代价卷的层数，i表示像素点的位置，j表示第j个视差搜索范围；
(3)由拉平的Xj中得到权重矩阵Yj，Yj由通道向量的各个点的权重之和求得；
其中Wa和ba分别表示网络权重和偏置项；
(4)对权重矩阵Yj中对应位置i上的权重进行softmax规范化，得到归一化后的权重矩阵Ai，公式如下：
ai＝softmax(Γ(y1,...,yi))
其中ai表示归一化后像素点的权重...
【专利技术属性】
技术研发人员：陈苏婷，张婧霖，邓仲，张闯，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。