【技术实现步骤摘要】
本申请涉及图像处理，例如涉及一种混合监督的双目立体匹配训练方法、装置、设备和介质。
技术介绍
1、双目立体匹配是计算机视觉领域中最基础的问题之一，其中，双目立体匹配的任务是从相同场景的两个视角图像中找到匹配的像素点，构建该场景对应的视差图像。一般可以通过训练后的双目立体匹配网络确定双目图像的视差图，由于真实场景数据集中包含的视差图真值数据较少，合成数据集中包含的视差图真值数据较多，因此可以通过包含大量视差真值数据的合成数据集对双目立体匹配网络进行训练。但是，通过合成数据集训练的双目立体匹配网络无法在真实场景数据集上预测出精确的视差图，即通过合成数据集训练的双目立体匹配网络确定真实场景图像对应的视差图的准确度较低。因此，如何提高双目立体匹配网络中的真实场景图像对应的视差图的准确度，以获取高精确度的图像是目前需要解决的问题。
技术实现思路
1、本申请目的在于：提供一种混合监督的双目立体匹配训练方法、装置、设备和介质，其能够提高双目立体匹配网络中的真实场景图像对应的视差图的准确度，进而得到高精确度的图像。
2、为达到上述目的，本申请提供了一种混合监督的双目立体匹配训练方法，包括：
3、获取训练数据集，所述训练数据集包含多组成对的第一校正图像和第二校正图像及多组成对的第一视角图像和第二视角图像；
4、对所述第一校正图像和所述第二校正图像进行特征提取，得到多尺度的第一特征和第二特征；
5、基于自监督学习构建所述第一特征和所述第二特征对应的第一代
6、计算所述第一代价图像和所述第二代价图像的视差，并依据所述视差进行优化，得到对应的第一视图和第二视图；
7、基于稀疏监督学习构建所述第一视图和所述第二视图对应的第一图像和第二图像，其中，所述第一图像和所述第二图像与所述第一视角图像和所述第二视角图像尺度相等；
8、分别对所述第一图像和所述第二图像进行验证，确定图像训练的最优参数，并将所述最优参数作为双目立体匹配模型的固定参数，得到所述双目立体匹配模型。
9、本申请还提供了一种混合监督的双目立体匹配训练装置，包括：
10、获取数据模块，用于获取训练数据集，所述训练数据集包含多组成对的第一校正图像和第二校正图像及多组成对的第一视角图像和第二视角图像；
11、特征提取模块，用于对所述第一校正图像和所述第二校正图像进行特征提取，得到多尺度的第一特征和第二特征；
12、第一构建模块，用于基于自监督学习构建所述第一特征和所述第二特征对应的第一代价图像和第二代价图像；
13、计算视差模块，用于计算所述第一代价图像和所述第二代价图像的视差，并依据所述视差进行优化，得到对应的第一视图和第二视图；
14、第二构建模块，用于基于稀疏监督学习构建所述第一视图和所述第二视图对应的第一图像和第二图像，其中，所述第一图像和所述第二图像与所述第一视角图像和所述第二视角图像尺度相等；
15、第三构建模块，用于分别对所述第一图像和所述第二图像进行验证，确定图像训练的最优参数，并将所述最优参数作为双目立体匹配模型的固定参数，得到所述双目立体匹配模型。
16、本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的一种混合监督的双目立体匹配训练方法和/或上述任一项所述的混合监督的双目立体匹配训练方法的步骤。
17、本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的一种混合监督的双目立体匹配训练方法和/或上述任一项所述的混合监督的双目立体匹配训练方法的步骤。
18、本申请的一种混合监督的双目立体匹配训练方法，通过获取训练数据集，所述训练数据集包含多组成对的第一校正图像和第二校正图像及多组成对的第一视角图像和第二视角图像，对所述第一校正图像和所述第二校正图像进行特征提取，得到多尺度的第一特征和第二特征，基于自监督学习构建所述第一特征和所述第二特征对应的第一代价图像和第二代价图像，计算所述第一代价图像和所述第二代价图像的视差，并依据所述视差进行优化，得到对应的第一视图和第二视图，基于稀疏监督学习构建所述第一视图和所述第二视图对应的第一图像和第二图像，其中，所述第一图像和所述第二图像与所述第一视角图像和所述第二视角图像尺度相等，分别对所述第一图像和所述第二图像进行验证，确定图像训练的最优参数，并将所述最优参数作为双目立体匹配模型的固定参数，得到所述双目立体匹配模型，所述混合监督的双目立体匹配模型具备对图像中的细小物体和物体边缘的高度匹配性能，提高了双目立体匹配网络中的真实场景图像对应的视差图的准确度，进而得到高精确度的图像。
本文档来自技高网...【技术保护点】
1.一种混合监督的双目立体匹配训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的混合监督的双目立体匹配训练方法，其特征在于，所述获取训练数据集，包括：
3.根据权利要求1所述的混合监督的双目立体匹配训练方法，其特征在于，所述对所述第一校正图像和所述第二校正图像进行特征提取，得到多尺度的第一特征和第二特征，包括：
4.根据权利要求1所述的混合监督的双目立体匹配训练方法，其特征在于，所述基于自监督学习构建所述第一特征和所述第二特征对应的第一代价图像和第二代价图像，包括：
5.根据权利要求1所述的混合监督的双目立体匹配训练方法，其特征在于，所述计算所述第一代价图像和所述第二代价图像的视差，并依据所述视差进行优化，得到对应的第一视图和第二视图，包括：
6.根据权利要求1所述的混合监督的双目立体匹配训练方法，其特征在于，所述基于稀疏监督学习构建所述第一视图和所述第二视图对应的第一图像和第二图像，包括：
7.根据权利要求1至6任一项所述的混合监督的双目立体匹配训练方法，其特征在于，所述分别对所述第一图像和所述
8.一种混合监督的双目立体匹配训练装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的混合监督的双目立体匹配训练方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的混合监督的双目立体匹配训练方法的步骤。
...【技术特征摘要】
1.一种混合监督的双目立体匹配训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的混合监督的双目立体匹配训练方法，其特征在于，所述获取训练数据集，包括：
3.根据权利要求1所述的混合监督的双目立体匹配训练方法，其特征在于，所述对所述第一校正图像和所述第二校正图像进行特征提取，得到多尺度的第一特征和第二特征，包括：
4.根据权利要求1所述的混合监督的双目立体匹配训练方法，其特征在于，所述基于自监督学习构建所述第一特征和所述第二特征对应的第一代价图像和第二代价图像，包括：
5.根据权利要求1所述的混合监督的双目立体匹配训练方法，其特征在于，所述计算所述第一代价图像和所述第二代价图像的视差，并依据所述视差进行优化，得到对应的第一视图和第二视图，包括：
6.根据权利要求1所述的混合监督的双目立体匹配训练方法，其特...
【专利技术属性】
技术研发人员：李玉鹏，任亮亮，伍俊龙，
申请(专利权)人：广州视源电子科技股份有限公司，
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。