| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 课题背景及研究目的与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 立体匹配算法的一般步骤 | 第12-13页 |
| 1.2.2 基于传统算法的立体匹配算法 | 第13-15页 |
| 1.2.3 基于深度学习的立体匹配算法 | 第15-16页 |
| 1.3 立体匹配的难点 | 第16-19页 |
| 1.4 本文的结构安排 | 第19-21页 |
| 第2章 立体视觉与BP算法探索 | 第21-32页 |
| 2.1 双目立体视觉成像基本原理 | 第21-22页 |
| 2.2 摄像机透视投影模型 | 第22-25页 |
| 2.2.1 摄像机模型中的坐标系 | 第22页 |
| 2.2.2 成像过程 | 第22-25页 |
| 2.3 极线校正 | 第25页 |
| 2.4 立体匹配的基本约束 | 第25-26页 |
| 2.5 立体匹配的相似性度量 | 第26-28页 |
| 2.6 人工神经网络与反向传播算法 | 第28-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第3章 基于卷积神经网络的视差匹配算法 | 第32-48页 |
| 3.1 卷积神经网络 | 第33-36页 |
| 3.1.1 卷积层 | 第33页 |
| 3.1.2 残差网络 | 第33-35页 |
| 3.1.3 BatchNormalization | 第35-36页 |
| 3.1.4 ReLU激活函数 | 第36页 |
| 3.2 特征提取 | 第36-37页 |
| 3.3 匹配代价候选集构建 | 第37-39页 |
| 3.4 基于3D卷积的匹配代价学习 | 第39-40页 |
| 3.5 基于3D反卷积的匹配代价学习 | 第40-41页 |
| 3.6 基于111卷积从匹配代价集预测视差 | 第41-42页 |
| 3.7 损失函数 | 第42-43页 |
| 3.8 双目匹配训练数据集与评测标准 | 第43-45页 |
| 3.9 实验结果 | 第45-47页 |
| 3.10 本章小结 | 第47-48页 |
| 第4章 基于期望匹配代价的视差匹配算法 | 第48-54页 |
| 4.1 对匹配代价集计算期望预测视差 | 第48-49页 |
| 4.2 基于KITTIStereo2015数据的实验 | 第49页 |
| 4.3 基于SceneFlow数据进行迁移学习的实验 | 第49-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61-62页 |
| 详细摘要 | 第62-64页 |