基于卷积神经网络的立体匹配算法研究
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 立体匹配技术研究现状 | 第12-14页 |
| 1.2.1 传统立体匹配研究现状 | 第12页 |
| 1.2.2 基于卷积神经网络的立体匹配研究现状 | 第12-14页 |
| 1.3 论文研究内容 | 第14-15页 |
| 1.4 论文章节安排 | 第15-17页 |
| 第2章 双目立体匹配与卷积神经网络原理 | 第17-33页 |
| 2.1 双目立体视觉原理 | 第17-20页 |
| 2.1.1 视差原理与约束条件 | 第17-19页 |
| 2.1.2 双目立体视觉系统 | 第19-20页 |
| 2.2 立体匹配原理 | 第20-24页 |
| 2.2.1 立体匹配算法流程 | 第20-22页 |
| 2.2.2 立体匹配算法测试平台 | 第22-23页 |
| 2.2.3 立体匹配算法难点 | 第23-24页 |
| 2.3 卷积神经网络 | 第24-32页 |
| 2.3.1 卷积神经网络概述 | 第24-26页 |
| 2.3.2 卷积神经网络结构 | 第26-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于卷积神经网络的匹配代价算法研究 | 第33-45页 |
| 3.1 基于卷积神经网络的匹配代价计算网络 | 第33-38页 |
| 3.1.1 孪生卷积神经网络 | 第33-34页 |
| 3.1.2 改进金字塔池化算法 | 第34-37页 |
| 3.1.3 匹配代价计算网络结构设计 | 第37-38页 |
| 3.2 网络训练过程 | 第38-40页 |
| 3.2.1 创建训练数据集 | 第38-39页 |
| 3.2.2 模型训练损失函数 | 第39-40页 |
| 3.2.3 其他训练细节 | 第40页 |
| 3.3 评估与分析 | 第40-44页 |
| 3.3.1 算法评估体系 | 第40-41页 |
| 3.3.2 实验结果评估 | 第41-42页 |
| 3.3.3 超参数分析 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于卷积神经网络的立体匹配框架 | 第45-53页 |
| 4.1 匹配代价计算 | 第45页 |
| 4.2 匹配代价聚合算法 | 第45-49页 |
| 4.2.1 基于交叉的代价聚合算法 | 第45-48页 |
| 4.2.2 半全局匹配算法 | 第48-49页 |
| 4.3 视差计算及优化 | 第49-52页 |
| 4.3.1 左右一致性检测 | 第49-50页 |
| 4.3.2 亚像素增强和中值滤波 | 第50-51页 |
| 4.3.3 优化后的视差效果 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 立体匹配系统及应用效果 | 第53-59页 |
| 5.1 系统设计 | 第53-54页 |
| 5.1.1 系统总体设计 | 第53页 |
| 5.1.2 网络架构 | 第53-54页 |
| 5.2 系统实现方法及运行环境 | 第54-55页 |
| 5.3 系统运行效果与分析 | 第55-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 硕士期间研究成果 | 第65-67页 |
| 致谢 | 第67页 |
