基于双目视觉的深度图获取技术研究

目录

声明

致谢

1 引言

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 立体匹配研究现状

1.2.2 边缘检测的研究现状

1.2.3 轻量级网络研究现状

1.3 本文主要内容及组织结构

1.3.1 主要内容

1.3.2 组织结构

2 基于RCF 的精细边缘检测算法研究

2.1 RCF 模型

2.1.1 全卷积神经网络

2.1.2 深监督技术

2.1.3 RCF整体架构

2.2 精细边缘检测模型

2.2.1 基于SE 结构的主干网络

2.2.2 深监督模块

2.2.3 基于残差结构的特征融合

2.3 精细边缘检测模型训练

2.3.1 数据集增强

2.3.2 像素级分类的损失函数

2.3.3 多阶段的训练方式

2.4 实验及分析

2.4.1 图像金字塔技术

2.4.2 对比实验

2.5 本章小结

3 基于边缘约束的立体匹配算法研究

3.1 立体匹配基本思路

3.1.1 双目视差原理

3.1.2 立体匹配约束准则

3.2 基于神经网络的边缘约束型立体匹配

3.2.1 多任务模型

3.2.2 算法流程概述

3.2.3 基于VGG 的特征提取网络

3.2.4 特征融合模块

3.2.5 基于沙漏结构的视差预测网络

3.3 多任务模型训练

3.3.1 立体匹配数据集

3.3.2 基于边缘引导的损失函数

3.3.3 多阶段训练方式

3.4 实验及分析

3.4.1 实验细节

3.4.2 对比实验

3.4 本章小结

4 轻量级高效立体匹配算法研究

4.1 轻量级网络

4.2 通道注意力机制与空间注意力机制

4.3 轻量级多任务模型

4.3.1 基于ShuffleNetV2 的特征提取网络

4.3.2 基于2D 卷积的相似度计算模块

4.3.3 基于注意力机制的视差精修模块

4.3.4 模型训练

4.4 实验及分析

4.4.1 实验细节

4.4.2 对比实验

4.5 本章小结

5 结论

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集