一种改进的多尺度引导聚合立体匹配网络研究

摘要

为了解决现阶段大多数深度学习的立体匹配算法无法优化视差图的边缘结构问题,提出一种多尺度引导聚合立体匹配网络并改进了损失函数.对输入特征进行4种不同尺度的空间金字塔特征提取以形成四维代价空间,然后采用半全局代价聚合层(semi-global aggregation layer,SGA)与局部引导聚合层(local guided aggre-gation layer,LGA)优化代价聚合步骤以生成高精度视差图;为了提高收敛速度并获取更好的初始参数,在微调时引入了L2损失函数.试验结果显示,在KITTI 2012数据集以3像素为阈值的端点误差评估中取得98.31％的准确率,在KITTI 2015整体评估中取得了97.95％ 的准确率,从而有效地提高了整体的视差精度.研究结果可为双目测距在智创交通中的应用提供一定的参考.