【技术实现步骤摘要】
本专利技术涉及计算机视觉与图像处理，尤其涉及一种改进型双目立体匹配融合算法。
技术介绍
1、双目立体视觉技术是一种通过模拟人类视觉系统来获取三维信息的关键技术，广泛应用于自动驾驶、机器人视觉和三维重建等领域。其核心是通过对左右两幅图像中的相应像素进行匹配，获取视差图，从而推算出目标物体的深度信息。然而，在实际应用中，准确且高效的立体匹配算法一直是该领域的研究重点和难点。
2、目前的立体匹配算法可以分为全局匹配、局部匹配和半全局匹配三大类，其中较为常用的有bm(block matching)算法、sgbm(semi-global block matching)算法和gc(graph cuts)算法等，这些算法在实际应用中各有优劣。
3、bm算法：作为一种简单的块匹配算法，bm通过在一小块区域内寻找最优匹配块来计算视差，然而，该算法对光照变化和图像噪声的鲁棒性较差，容易导致匹配错误，尤其是在电力巡检机器人等复杂环境下。
4、sgbm算法：sgbm是一种基于块的半全局匹配算法，结合了局部和全局信息的优势，能够在保持较高效率的同时获得更好的匹配精度，但该算法计算复杂度较高，且在噪声较多的环境下仍可能产生误匹配。
5、gc算法：基于图割的全局匹配算法，通过能量函数的全局最小化来求解匹配问题，具有较高的精度。然而，其计算成本非常高，不适合实时应用场景。
6、此外，census变换作为一种基于局部区域的匹配代价计算方法，凭借其对光照变化的鲁棒性和较快的运行速度，常用于实际应用中，然而
7、电力巡检机器人通常需要在复杂的户外环境中执行任务，图像中噪声多、光照变化明显，这对传统立体匹配算法提出了更高的要求，为了解决现有算法在噪声环境下匹配精度低、计算复杂度高等问题，需要设计一种改进型双目立体匹配融合算法来解决上述问题。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有一种改进型双目立体匹配融合算法存在的问题，提出了本专利技术。
3、因此，本专利技术目的是提供一种改进型双目立体匹配融合算法，其适用于解决局部特征与全局信息的平衡不佳和视差图优化效果有限的问题。
4、为解决上述技术问题，本专利技术提供如下技术方案：一种改进型双目立体匹配融合算法，包括以下步骤：
5、s1：输入图像预处理；
6、s2：多尺度深度特征提取；
7、s3：基于融合后的多尺度特征，设计改进匹配代价函数；
8、s4：对计算出的匹配代价进行聚合和优化，根据优化后的匹配结果生成视差图；
9、s5：引入自适应学习机制，通过实时反馈对深度学习模型和多尺度特征融合参数进行微调，输出高精度视差图；
10、构建亮度差异匹配代价计算公式，所述亮度差异匹配代价计算公式如下：
11、
12、其中，c1(x,y,d)表示在像素(x,y)处的亮度差异匹配代价，衡量左图和右图在不同视差假设d下的亮度差异；il(x,y)和ir(x-d,y)表示左图和右图的像素值，分别位于(x,y)和(x-d,y)处，视差d表示左右图像之间的位移；σs用于归一化的多尺度参数，不同尺度下的匹配代价会归一化到相同范围；p用于控制亮度差异的影响程度。
13、作为本专利技术所述一种改进型双目立体匹配融合算法的一种优选方案，其中：根据亮度差异匹配代价计算公式的输出结果设定亮度差异匹配代价阈值为τ1；
14、当c1(x,y,d)＞τ1时，表示亮度差异过大，该视差d对应的像素点匹配不准确；
15、当c1(x,y,d)≤τ1时，表示亮度差异小，该视差d对应的像素点匹配准确。
16、作为本专利技术所述一种改进型双目立体匹配融合算法的一种优选方案，其中：根据设定的阈值τ1对亮度差异匹配代价计算公式的输出结果过滤，选取亮度差异小的亮度差异匹配代价作为输入结果构建多尺度特征融合公式，且多尺度特征融合公式如下：
17、
18、其中，fs(x,y,d)表示在像素(x,y)处的多尺度特征融合代价；和表示左右图像在不同尺度s下提取的特征值；ws为尺度权重系数，不同尺度下的特征有不同的影响权重；s为多尺度的总数。
19、作为本专利技术所述一种改进型双目立体匹配融合算法的一种优选方案，其中：根据多尺度特征融合公式输出结果设定多尺度特征融合代价阈值τ2；
20、当fs(x,y,d)＞τ2时，表示特征差异大，匹配不准确；
21、当fs(x,y,d)≤τ2时，表示特征差异小，匹配准确。
22、作为本专利技术所述一种改进型双目立体匹配融合算法的一种优选方案，其中：根据设定的多尺度特征融合代价阈值τ2对多尺度特征融合公式输出结果进行过滤，选取多尺度特征差异小的多尺度特征融合代价作为输入结果构建平滑约束与梯度惩罚公式，且平滑约束与梯度惩罚公式如下：
23、
24、其中，p(x,y,d)表示平滑约束与梯度惩罚后的匹配代价；表示特征图在x和y方向上的二阶偏导数，控制视差图的平滑性；λ表示平滑控制参数；α为梯度惩罚项的系数，用于控制深度特征的梯度对匹配代价的影响；表示特征梯度的惩罚项，β为学习率。
25、作为本专利技术所述一种改进型双目立体匹配融合算法的一种优选方案，其中：在平滑约束与梯度惩罚公式的输出结果中设定平滑约束与梯度惩罚后的匹配代价阈值τ3；
26、当p(x,y,d)＞τ3，表示该点匹配代价高且不平滑，存在噪声和误匹配，需要调整视差；
27、当p(x,y,d)≤τ3，表示该点匹配代价低且平滑，无需调整视差。
28、作为本专利技术所述一种改进型双目立体匹配融合算法的一种优选方案，其中：根据平滑约束与梯度惩罚公式的输出结果构建自适应学习与最终匹配代价聚合公式，且自适应学习与最终匹配代价聚合公式如下：
29、
30、其中，d(x,y)表示像素(x,y)处的最终视差值；γ为自适应学习控制参数，决定历史数据对当前匹配结果的影响；通过自适应学习机制对过去的匹配代价进行加权处理，其中t为时间步数，μt和σt分别是立式代价的均值和标准差，t为时刻。
31、作为本专利技术所述一种改进型双目立体匹配融合算法的一种优选方案，其中：在自适应学习与最终匹配代价聚合公式的输出结果中设定最终视差阈值为τ4；
32、当d(x,y)＜τ4,则该像素点的匹配结果准确；
33、当d(x,y)≥τ4，则该像素点本文档来自技高网...
【技术保护点】
1.一种改进型双目立体匹配融合算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种改进型双目立体匹配融合算法，其特征在于：根据亮度差异匹配代价计算公式的输出结果设定亮度差异匹配代价阈值为τ1；
3.根据权利要求2所述的一种改进型双目立体匹配融合算法，其特征在于：根据设定的阈值τ1对亮度差异匹配代价计算公式的输出结果过滤，选取亮度差异小的亮度差异匹配代价作为输入结果构建多尺度特征融合公式，且多尺度特征融合公式如下：
4.根据权利要求3所述的一种改进型双目立体匹配融合算法，其特征在于：根据多尺度特征融合公式输出结果设定多尺度特征融合代价阈值τ2；
5.根据权利要求4所述的一种改进型双目立体匹配融合算法，其特征在于：根据设定的多尺度特征融合代价阈值τ2对多尺度特征融合公式输出结果进行过滤，选取多尺度特征差异小的多尺度特征融合代价作为输入结果构建平滑约束与梯度惩罚公式，且平滑约束与梯度惩罚公式如下：
6.根据权利要求5所述的一种改进型双目立体匹配融合算法，其特征在于：在平滑约束与梯度惩罚公式的输出结果中设定平滑约束与梯
7.根据权利要求5所述的一种改进型双目立体匹配融合算法，其特征在于：根据平滑约束与梯度惩罚公式的输出结果构建自适应学习与最终匹配代价聚合公式，且自适应学习与最终匹配代价聚合公式如下：
8.根据权利要求7所述的一种改进型双目立体匹配融合算法，其特征在于：在自适应学习与最终匹配代价聚合公式的输出结果中设定最终视差阈值为τ4；
9.根据权利要求1所述的一种改进型双目立体匹配融合算法，其特征在于：在所述S3中，对不同尺度下提取的深度特征进行融合，使用加权平均或自适应加权方法，生成统一的多尺度特征图。
...【技术特征摘要】
1.一种改进型双目立体匹配融合算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种改进型双目立体匹配融合算法，其特征在于：根据亮度差异匹配代价计算公式的输出结果设定亮度差异匹配代价阈值为τ1；
3.根据权利要求2所述的一种改进型双目立体匹配融合算法，其特征在于：根据设定的阈值τ1对亮度差异匹配代价计算公式的输出结果过滤，选取亮度差异小的亮度差异匹配代价作为输入结果构建多尺度特征融合公式，且多尺度特征融合公式如下：
4.根据权利要求3所述的一种改进型双目立体匹配融合算法，其特征在于：根据多尺度特征融合公式输出结果设定多尺度特征融合代价阈值τ2；
5.根据权利要求4所述的一种改进型双目立体匹配融合算法，其特征在于：根据设定的多尺度特征融合代价阈值τ2对多尺度特征融合公式输出结果进行过滤，选取多尺度特征差异小的多尺度...
【专利技术属性】
技术研发人员：花国祥，闫纪源，黄兴，李伟伟，王升旭，
申请(专利权)人：无锡学院，
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。