【摘 要】
：
针对传统半全局算法对视差范围未知场景通常人为的设定一个视差范围造成计算资源浪费，同时利用传统Census变换进行代价计算限制视差精度的不足，提出了基于视差范围估计和改进代价的半全局匹配算法。首先，采用多种特征算子同时提取图像对的特征点，通过快速最近邻搜索进行特征点匹配，利用立体匹配的约束条件筛选匹配点，计算匹配点对的视差值，估计视差范围；然后，在此基础上，分别对图像的亮度、梯度和边缘信息进行Cen
论文部分内容阅读
针对传统半全局算法对视差范围未知场景通常人为的设定一个视差范围造成计算资源浪费，同时利用传统Census变换进行代价计算限制视差精度的不足，提出了基于视差范围估计和改进代价的半全局匹配算法。首先，采用多种特征算子同时提取图像对的特征点，通过快速最近邻搜索进行特征点匹配，利用立体匹配的约束条件筛选匹配点，计算匹配点对的视差值，估计视差范围；然后，在此基础上，分别对图像的亮度、梯度和边缘信息进行Census变换，构建新的代价计算函数。实验结果表明，与传统算法相比，改进算法的平均误匹配率降低了6.37%，
其他文献
混凝土内部损伤破坏形态具有明显的离散性和随机性，内部损伤特征检测是混凝土细观研究的重要内容，针对已有混凝土结构内部损伤特征检测模型精度低的问题，本文提出一种特征共享双头Cascade R-CNN模型对混凝土CT图像的损伤特征进行检测。首先为了有效识别损伤特征的空间信息，构建具有空间敏感性的fchead(fully connected head)和空间相关性的conv-head(convolutio
复杂场景分割是自动驾驶领域智能感知的重要任务,对稳定性和高效性都有较高的要求.由于一般的场景分割方法主要针对可见光图像,分割效果非常依赖于图像获取时的光线与气候条件,且大多数方法只关注分割性能,忽略了计算资源.本文提出一种基于可见光与红外热图像的轻量级双模分割网络(DMSNet),通过提取并融合两种模态图像的特征得到最终分割结果.考虑到不同模态特征空间存在较大差异,直接融合将降低对特征的利用率,本
多图像域人脸属性迁移是当前图像和视觉领域的研究热点。为了解决基于生成对抗网络的人脸属性迁移中离散形式标签造成图像域表达形式单一、下采样的卷积操作和判别器准确度不足造成图像域迁移细节失真的问题，结合选择性传输单元和铰链损失提出一种多图像域人脸属性迁移方法。首先，在生成器中引入域控制器，利用自适应实例归一化融合图像的内容信息与生成的样式信息，增加图像域表达方式的多样性，同时引入选择性传输单元，将下采样
若获取到的人脸图像分辨率较低，通常会丢失人脸原本的皱纹等特征信息，从而降低年龄识别的性能。为了更好地解决此问题，提出了一种基于低分辨率输入图像的年龄识别方法：首先使用CGAN（Conditional Generative Adversarial Nets，条件生成对抗网络）对输入的低分辨人脸图像进行重构，再采用深度学习方法进行年龄识别。首先进行了关于图像重构的对比实验，然后在不同的人脸图像数据集上
由于齿轮副啮合接触和内封装等特点，其疲劳强度的检测存在较大限制，尤其是对疲劳裂纹、轮齿折断等疲劳失效状态的监测大多采取间隔停机并拆解后检视的方式。整个过程耗时耗力，容易因人工主观判断和经验差异造成观测误差，而且无法感知齿轮早期疲劳阶段的微动疲劳特征。为此，本文基于双目视觉技术和数字图像相关理论提出了一种面向齿轮疲劳强度试验的非接触式检测方法，通过双电机对拖驱动的方式搭建包含双目摄像头的减速机试验台
为了提高深度学习算法在雾天场景下的车道线识别率，扩充雾天车道线数据集是有效途径之一。本文以目前最具有权威性的CULane数据集为基础，通过对该数据集内晴天车道线图片进行单幅图像深度提取，随后依照大气散射模型生成3种不同浓度的雾天车道线图片，并保留原图的车道线标签，以此方法实现对CULane数据集的人为扩充。通过增加了107451张带标签的雾天车道线图像，从而将原始CULane数据集扩充了1.8倍，
将Mask R-CNN实例分割模型应用于茄子花期识别研究，针对Mask R-CNN模型对大目标物存在误检和漏检的情况，提出使用混合空洞卷积融合普通卷积的方法，在ResNet50的残差块中进行参数修改，通过堆叠残差块完成对整个特征提取网络的改进，扩大了特征图感受野，增强了全局信息关联性；针对出现的过拟合问题，运用迁移学习方法将预训练的ResNet50特征提取网络作为茄花识别模型的初始参数，提高了模型
本文在DMN的基础上提出一种跨模态目标实例分割方法，旨在结合自然语言表达，利用不同模态信息从图像中分割所描述对象。首先，在视觉特征提取网络DPN92中引入CBAM注意力机制，关注空间和通道上的有用信息；其次，将BN层替换为联合BN和FRN的正则化，减少批次量和通道数对提取特征网络性能的影响，提高网络的泛化能力；最后，在三个通用数据集ReferIt和，GRef和UNC上进行仿真实验。实验结果显示，本
卷积神经网络在图像处理中发展迅速。大多数图像去雾算法仅专注于去雾，而忽略了去雾图像的整体质量，进而导致诸如信息丢失和纹理模糊等问题。本文提出了一种去雾和增强卷积神经网络。通过编码和解码获得雾层图像和一阶段去雾图像，增强网络用于恢复去雾图像的纹理和细节。实验表明，该方法在主观评价和质量指标上均具有优异的效果，获得了去雾程度更加彻底、细节和纹理更加清晰的去雾图像，有效地解决了信息丢失和纹理模糊的问题。
针对中间层通道特征相关性利用率低、低分辨率图像和高分辨率图像函数映射空间非线性的问题，提出了一种基于高效二阶注意力机制的对偶回归网络（ESADRNet）。该网络将重建任务分为两个回归网络：原始回归网络和对偶回归网络。原始回归网络首先采用FReLU为激活函数的下采样层对图像进行更高效的空间上下文特征提取；再基于多级跳跃连接残差块（MLSCR）和高效二阶通道注意力模块（ESOCA）构成的多级跳跃连接残