【技术实现步骤摘要】
本专利技术公开一种用于无人机输电线检测的双目立体匹配方法及系统，涉及图像处理。
技术介绍
1、传统图像处理方法在无纹理区域和存在细小结构的场景中存在匹配困难。无纹理区域缺乏明显特征，导致传统匹配方法难以提取有效信息。细小结构可能被算法忽略或误匹配，降低了匹配准确性。这些问题影响了传统立体匹配方法在复杂场景下的性能，限制了它们在无人机避障等应用中的实际效用。
2、传统方法在处理遮挡和边界外不匹配区域时表现不佳。遮挡问题使得算法难以识别被遮挡物体的准确形状和位置，影响了避障系统的性能。同时，不匹配区域的处理困难使得算法在复杂场景中缺乏对遮挡物体的全局认知。这限制了传统方法在无人机避障中的鲁棒性和实用性。
3、传统方法难以精确估计输电线等细长目标的深度。由于输电线通常具有较小的横截面，传统方法可能无法捕捉到足够的特征信息进行准确的深度估计。这导致在无人机避障系统中，对输电线等目标的深度感知不足，影响了避障效果。因此，提高对细长目标深度估计的准确性成为优化避障系统的关键挑战。
技术实现思路
1、本专利技术针对现有技术的问题，提供一种用于无人机输电线检测的双目立体匹配方法及其系统，所采用的技术方案为：
2、第一方面，一种用于无人机输电线检测的双目立体匹配方法，所述方法包括：
3、s1，通过无人机配置的双目相机获取图像，并传输到无人机配置的立体匹配网络；
4、s2，根据所述获取图像，通过所述立体匹配网络进行立体匹配，得到视差图像；p>
5、s3，根据所述视差图像，通过算法模型计算每个像素的深度值填充深度信息的缺失部分，去除异常值并输出深度图像；
6、s4，将所述深度图像作为预测估计结果发送至边缘端，通过nvidia jetson芯片通过进行实时分析；
7、s5，根据所述深度图像，对检测到的输电线进行跟踪，检测潜在输电线并动态调整无人机航线。
8、在一些实现方式中，s2中，所述立体匹配包括特征提取、代价匹配、代价聚合和视差估计。
9、在一些实现方式中，s2具体包括：
10、s21，通过cnn网络进行特征提取；
11、s22，根据提取的特征，通过注意力tac模块进行特征增强，通过几何代价体构建成本体积获取几何特征信息；
12、s23，根据所述特征的自相似性，通过sa模块更新视差将预测传播到不匹配区域。
13、在一些实现方式中，所述s3还包括：
14、将所述算法模型进行格式转化，构建无人机和立体匹配网络的通信网络。
15、第二方面，本专利技术实施例提供一种用于无人机输电线检测的双目立体匹配系统，所述系统包括：
16、图像获取单元，用于通过无人机配置的双目相机获取图像，并传输到无人机配置的立体匹配网络；
17、图像匹配单元，用于根据所述获取图像，通过所述立体匹配网络进行立体匹配，得到视差图像；
18、图像处理单元，用于根据所述视差图像，通过算法模型计算每个像素的深度值填充深度信息的缺失部分，去除异常值并输出深度图像；
19、图像分析单元，用于将所述深度图像作为预测估计结果发送至边缘端，通过nvidia jetson芯片通过进行实时分析；
20、航线调整单元，用于根据所述深度图像，对检测到的输电线进行跟踪，检测潜在输电线并动态调整无人机航线。
21、在一些实现方式中，所述图像匹配单元中，所述立体匹配包括特征提取、代价匹配、代价聚合和视差估计。
22、在一些实现方式中，所述图像匹配单元具体包括：
23、特征提取子单元，用于通过cnn网络进行特征提取；
24、特征增强子单元，用于根据提取的特征，通过注意力tac模块进行特征增强，通过几何代价体构建成本体积获取几何特征信息；
25、视差传播子单元，用于根据所述特征的自相似性，通过sa模块更新视差将预测传播到不匹配区域。
26、在一些实现方式中，所述图像处理单元还包括：
27、格式转化子单元，用于将所述算法模型进行格式转化，构建无人机和立体匹配网络的通信网络。
28、第三方面，本专利技术实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时，实现如上述第一方面所述的方法。
29、第四方面，本专利技术实施例提供一种计算机存储介质，所述计算机可读取存储介质中存储有计算机程序，所述计算机程序被处理器执行时，用实现如第一方面所述的方法。
30、本专利技术的一个或多个实施例至少能够带来如下有益效果：
31、提出了通道注意力tac模块，有选择性地聚合交叉视图特征相似性信息，提高了对细节的敏感性。提出轻量级三维正则化网络和几何编码体编码模块，有助于全局几何结构的捕捉，相对于传统方法更全面地处理了全局信息。引入self-attention（sa）模块，通过测量特征的自相似性，提高了算法对遮挡、无纹理区域和弱纹理区域的鲁棒性；
32、本专利技术通过双目摄像头获取图像输入，将深度估计算法模型集成到无人机内置芯片中。这一设计结合了传统无人机和深度学习模型，实现了对实时双目图像的推理。同时融合了nvidia jetson芯片作为视觉加速器，以提高推理效率。这种结构上的创新利用硬件加速器，使得无人机能够更高效地进行深度学习推理，特别是在处理细小物体时提高了识别的精度。整合了上述结构性创新，最终实现了无人机避障功能。
本文档来自技高网...【技术保护点】
1.一种用于无人机输电线检测的双目立体匹配方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，S2中，所述立体匹配包括特征提取、代价匹配、代价聚合和视差估计。
3.根据权利要求2所述的方法，其特征在于，S2具体包括：
4.根据权利要求3所述的方法，其特征在于，所述S3还包括：
5.一种用于无人机输电线检测的双目立体匹配系统，其特征在于，所述系统包括：
6.根据权利要求5所述的系统，其特征在于，所述图像匹配单元中，所述立体匹配包括特征提取、代价匹配、代价聚合和视差估计。
7.根据权利要求6所述的系统，其特征在于，所述图像匹配单元具体包括：
8.根据权利要求7所述的系统，其特征在于，所述图像处理单元还包括：
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现如上述权利要求1-4中任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读取存储介
...【技术特征摘要】
1.一种用于无人机输电线检测的双目立体匹配方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，s2中，所述立体匹配包括特征提取、代价匹配、代价聚合和视差估计。
3.根据权利要求2所述的方法，其特征在于，s2具体包括：
4.根据权利要求3所述的方法，其特征在于，所述s3还包括：
5.一种用于无人机输电线检测的双目立体匹配系统，其特征在于，所述系统包括：
6.根据权利要求5所述的系统，其特征在于，所述图像匹配单元中，所述立体匹配包括特征提取、代价匹配、代价聚合和视...
【专利技术属性】
技术研发人员：巢建树，朱程，赖佳华，吴晓亮，安德钰，李霆，
申请(专利权)人：泉州装备制造研究所，
类型：发明
国别省市：
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。