| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 面临的挑战 | 第13-14页 |
| 1.4 本文研究的内容及结构安排 | 第14-16页 |
| 第二章 双目立体匹配技术及原理 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 双目立体视觉原理 | 第16-17页 |
| 2.3 双目立体视觉的基本步骤 | 第17页 |
| 2.4 约束条件 | 第17-19页 |
| 2.5 立体匹配算法分类 | 第19-21页 |
| 2.5.1 全局立体匹配算法 | 第19-20页 |
| 2.5.2 局部立体匹配算法 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第三章 结合边缘与亮度信息的MST立体匹配算法 | 第22-35页 |
| 3.1 引言 | 第22页 |
| 3.2 最小生成树的基本原理 | 第22页 |
| 3.3 基于最小生成树的立体匹配相关算法 | 第22-23页 |
| 3.4 最小生成树的立体匹配算法存在的主要问题 | 第23-24页 |
| 3.5 结合边缘与亮度信息的MST立体匹配模型 | 第24-27页 |
| 3.5.1 匹配代价计算 | 第24-25页 |
| 3.5.2 MST的构造 | 第25-26页 |
| 3.5.3 代价聚合 | 第26-27页 |
| 3.5.4 视差计算 | 第27页 |
| 3.5.5 视差细化 | 第27页 |
| 3.6 实验对比与分析 | 第27-33页 |
| 3.6.1 实验环境及评价标准 | 第27-28页 |
| 3.6.2 测试数据库 | 第28-29页 |
| 3.6.3 实验结果对比与分析 | 第29-33页 |
| 3.7 本章小结 | 第33-35页 |
| 第四章 基于卷积神经网络的立体匹配算法优化模型 | 第35-50页 |
| 4.1 引言 | 第35页 |
| 4.2 卷积神经网络概述 | 第35-36页 |
| 4.3 利用卷积神经网络计算匹配代价值 | 第36-38页 |
| 4.4 基于Surf与Akaze混合模型的快速视差范围估计 | 第38-39页 |
| 4.4.1 视差估计在立体匹配中的作用 | 第38页 |
| 4.4.2 快速视差范围估计方法 | 第38-39页 |
| 4.5 基于图像分割的二次细化方法 | 第39-42页 |
| 4.6 实验验证与分析 | 第42-48页 |
| 4.6.1 快速视差估计方法的性能分析 | 第42-43页 |
| 4.6.2 二次细化后的实验对比 | 第43-44页 |
| 4.6.3 算法整体性能评估 | 第44-48页 |
| 4.7 本章小结 | 第48-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 硕士期间发表论文以及参加科研项目情况 | 第57-58页 |
| 致谢 | 第58-59页 |