基于双目图像的视差估计方法研究及实现
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题的研究背景与意义 | 第10-11页 |
| 1.2 双目视差估计的研究现状 | 第11-15页 |
| 1.2.1 传统立体匹配方法研究现状 | 第11-13页 |
| 1.2.2 统计学习方法研究现状 | 第13页 |
| 1.2.3 深度学习方法研究现状 | 第13-15页 |
| 1.3 本文主要研究内容及章节安排 | 第15-17页 |
| 第二章 基于卷积神经网络的特征提取方法 | 第17-34页 |
| 2.1 引言 | 第17-18页 |
| 2.2 本章算法框架 | 第18页 |
| 2.3 传统立体匹配方法存在的缺陷 | 第18-20页 |
| 2.4 基于双目视觉的图像特征提取 | 第20-23页 |
| 2.4.1 共享权值的双分支图像特征提取 | 第21-22页 |
| 2.4.2 非共享权值的双通道图像特征提取 | 第22-23页 |
| 2.5 基于双目视觉的几何特征提取 | 第23-26页 |
| 2.5.1 基于信息熵的相似性度量 | 第24页 |
| 2.5.2 基于距离的相似度度量 | 第24-25页 |
| 2.5.3 基于夹角余弦的相似度度量 | 第25-26页 |
| 2.6 实验结果及分析 | 第26-33页 |
| 2.6.1 具体网络模型 | 第27-29页 |
| 2.6.2 主观结果分析 | 第29-32页 |
| 2.6.3 客观结果分析 | 第32-33页 |
| 2.7 本章小结 | 第33-34页 |
| 第三章 基于编解码网络的深层高性能视差预测方法 | 第34-50页 |
| 3.1 引言 | 第34-35页 |
| 3.2 本章算法框架 | 第35页 |
| 3.3 基于编解码网络的深层高性能网络设计 | 第35-37页 |
| 3.4 基于移位合并的几何特征提取 | 第37-42页 |
| 3.4.1 基于移位合并的特征融合 | 第38-40页 |
| 3.4.2 基于可分离卷积的匹配代价体生成 | 第40-42页 |
| 3.5 多层损失加权同步训练 | 第42-43页 |
| 3.6 实验结果及分析 | 第43-48页 |
| 3.6.1 具体网络结构 | 第43-45页 |
| 3.6.2 主观结果分析 | 第45-47页 |
| 3.6.3 客观结果分析 | 第47-48页 |
| 3.7 本章小结 | 第48-50页 |
| 第四章 基于低分辨图像的高鲁棒性视差预测方法 | 第50-64页 |
| 4.1 引言 | 第50-51页 |
| 4.2 本章算法框架 | 第51页 |
| 4.3 基于低分辨图像的网络设计 | 第51-54页 |
| 4.3.1 基于空洞卷积的特征提取 | 第53页 |
| 4.3.2 基于亚像素卷积层的超分辨视差预测网络 | 第53-54页 |
| 4.4 高鲁棒性二维几何特征提取 | 第54-59页 |
| 4.4.1 双目测距模型 | 第55-57页 |
| 4.4.2 二维几何特征提取方法 | 第57-58页 |
| 4.4.3 数据集构建 | 第58-59页 |
| 4.5 实验结果及分析 | 第59-63页 |
| 4.5.1 具体网络模型 | 第59-60页 |
| 4.5.2 主观结果分析 | 第60-62页 |
| 4.5.3 客观结果分析 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间取得的成果 | 第73页 |
