一种基于卷积神经网络的双目视差计算方法技术

本发明专利技术公开了一种基于卷积神经网络的双目视差计算方法，通过采用并行的小膨胀卷积核对左右图像进行特征提取，同时在多尺度特征融合时加入Prewitt算子所提取的图像边缘特征强化双目图像的边缘特征信息，然后利用多尺度特征信息结合视差网络层构建4D cost volume，最后使用3D CNN模块进行代价聚合，得到双目图像的视差结果。

【技术实现步骤摘要】
一种基于卷积神经网络的双目视差计算方法
本专利技术涉及立体图像对的视差领域，具体涉及一种基于卷积神经网络的双目视差计算方法。
技术介绍
现有的立体图像对的视差获取方法主要有传统立体匹配的方法和深度学习网络训练网络模型的方法。传统的立体匹配方法因为计算量大，耗时长，所以应对于实时的立体视差获取有一定难度。深度学习网络的视差计算方法，通过前期大量的数据训练，在实际使用获得双目视差时，可以快速准确的获得双目图像对的立体视差。目前的深度学习网络模型主要有端对端的卷积神经网络模型和卷积神经网络结合传统立体匹配算法的网络模型，这些网络模型在计算低纹理和反光区域的视差点时，容易因缺少特征点而无法获得准确视差。故需要一种可以确定低纹理和反光区域视差的深度学习网络模型对视差点进行计算。
技术实现思路
为了克服现有技术存在的缺点与不足，本专利技术目的是提供一种基于卷积神经网络的双目视差计算方法，相于现有的立体匹配视差计算方法具有快速性、准确性和鲁棒性的特点。本专利技术采用如下技术方案：一种基于卷积神经网络的双目视差计算方法，包括本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的双目视差计算方法，其特征在于，包括如下步骤：/nS1利用膨胀级联卷积网络模块提取图像特征，得到左图特征数据F

【技术特征摘要】
1.一种基于卷积神经网络的双目视差计算方法，其特征在于，包括如下步骤：
S1利用膨胀级联卷积网络模块提取图像特征，得到左图特征数据FL和右图特征数据FR；
S2利用Prewitt算子提取左图和右图的图像边缘特征信息，生成左图边缘特征信息FLP和右图边缘特征信息FRP；
S3利用多尺度卷积网络提取图像边缘特征及图像特征中的信息，并进行融合，获得左图多尺度特征信息和右图多尺度特征信息；
S4根据左图多尺度特征信息、右图多尺度特征信息和视差网络层搭建4DCostVolume信息Fcost；
S5搭建3DCNN网络进行回归计算，获得每一层视差值的代价值Cd；
S6根据每层视差值对应的代价值Cd，利用Softmax函数将每一层视差值的代价值Cd映射到0-1区间，并对视差范围内所有的视差进行加权求和处理，进而获得双目视差结果。


2.根据权利要求1所述的双目视差计算方法，其特征在于，所述S1中膨胀级联卷积网络模块为三层结构，第一层为一个3*3卷积核层，第二层为三个1*1卷积核层和三个3*3膨胀卷积核层并行组合，第三层为3*3卷积核层。


3.根据权利要求2所述的双目视差计算方法，其特征在于，所述第二层中，一个1*1卷积核层为第一条并行通道，一个1*1卷积核层和一个3*3膨胀卷积核层串联组成第二条并行通道，一个1*1卷积核层和二...

【专利技术属性】
技术研发人员：杜娟，汤永超，谭笑宇，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44