微光双目系统低照度环境三维测量方法研究
发布时间：2022-12-05 07:24
双目立体视觉是计算机视觉的重要研究方向之一,该技术被广泛应用于工业、农业、医学等领域,对于提高生产效率及生活质量有重要意义。微光双目视觉是指在光强微弱的环境下进行图像获取和立体匹配。由于在黑暗环境中拍摄的图像会受到随机噪声的影响,因此如何获取精确的微光图像立体匹配深度图是一个具有挑战性的问题。本文针对这一问题,围绕立体匹配算法展开研究,主要分为以下两个部分:本文提出了一种结合区域信息来增强局部噪声像素鲁棒性的匹配算法。该算法改进了传统的半全局匹配算法,改进分为两个方面:首先,双目视觉获取的两幅图像进行图像分割获取区域信息,通过加入结构软约束解决动态传播路径不完全的问题。其次,在特征提取模块通过将Census算子由二元改进为三元降低噪声的影响。该算法分别在Middlebury公开数据集,通过加噪处理的仿真数据及真实采集的微光数据上进行了验证,实验结果表明,本文提出的改进算法降低了微光双目受噪声的影响,提高了微光立体匹配的准确度。此外,本文针对微光数据对神经网络算法进行调研,考虑到金字塔立体匹配算法（PSM,Pyramid Stereo Matching）在匹配代价计算模块融入了不同位置和...
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 立体匹配研究现状
1.2.2 微光成像概念
1.2.3 微光立体测距研究现状
1.3 主要内容和结构安排
第2章 相关技术理论
2.1 双目立体视觉理论
2.1.1 摄像机成像模型
2.1.2 摄像机标定
2.1.3 双目立体视觉原理
2.2 微光成像理论
2.2.2 微光成像探测器
2.2.3 微光成像技术的发展与应用
第3章 基于区域信息的微光图像匹配算法研究
3.1 传统半全局图像匹配算法
3.1.1 匹配代价计算
3.1.2 代价聚合之动态规划
3.2 改进的图像匹配算法
3.2.1 获取区域信息
3.2.2 匹配代价模块
3.2.3 代价聚合模块
3.3 视差计算及视差优化
3.4 传统改进算法实验结果分析
3.4.1 Middlebury数据集
3.4.2 仿真数据
3.4.3 对比分析
3.4.4 微光数据的实验结果
3.4.5 讨论
第4章 基于深度神经网络的图像匹配算法研究
4.1 深度神经网络的基础知识
4.2 基于深度神经网络的立体匹配方法
4.2.1 卷积神经网络
4.2.2 空间金字塔池化模块
4.2.3 3D CNN
4.3 针对微光数据的改进模型
4.4 深度神经网络算法实验结果分析
4.4.1 KITTI公开数据集
4.4.2 微光数据的实验结果
4.4.3 传统改进算法与该改进模型的对比分析
第5章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
作者简介及在学期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]改进的跨尺度引导滤波立体匹配算法[J]. 杜晨瑞,李英祥. 计算机系统应用. 2019(04)
[2]立体对图像的视差与景深关系[J]. 刘星,梁发云,何磊,杨金远. 南昌大学学报(工科版). 2018(02)
[3]基于3D双目视觉的虚拟现实医学教学平台研究[J]. 史森中,黄昊,刘洋,吴东东. 中国医学装备. 2018(02)
[4]人工智能在家居领域的应用与启示[J]. 王哲. 机器人产业. 2018(01)
[5]“无人超市”的自动识别技术[J]. 王浩宇. 电子技术与软件工程. 2017(19)
[6]人工智能下一站:无人驾驶汽车[J]. 周路菡. 新经济导刊. 2017(Z1)
[7]用于智能家居的实时人体检测系统研究[J]. 李强,江宁,区志财. 电器. 2015(08)
[8]双目立体视觉匹配技术综述[J]. 曹之乐,严中红,王洪. 重庆理工大学学报(自然科学). 2015(02)
[9]立体视觉中的图像立体匹配方法[J]. 陈爱华,高诚辉,何炳蔚. 中国工程机械学报. 2014(03)
[10]双目立体视觉的无人机位姿估计算法及验证[J]. 张梁,徐锦法,夏青元. 哈尔滨工业大学学报. 2014(05)
硕士论文
[1]基于双目视觉的测距方法研究与应用[D]. 王代东.重庆理工大学 2016
[2]无人车平台立体视觉技术研究[D]. 高洁.电子科技大学 2016
[3]智能工作场景系统的设计实现与性能分析[D]. 李然.北京邮电大学 2011
[4]基于双目立体视觉的自动引导车导航基础研究[D]. 王伟.青岛大学 2006
本文编号：3709956
【文章页数】：83 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 立体匹配研究现状
1.2.2 微光成像概念
1.2.3 微光立体测距研究现状
1.3 主要内容和结构安排
第2章 相关技术理论
2.1 双目立体视觉理论
2.1.1 摄像机成像模型
2.1.2 摄像机标定
2.1.3 双目立体视觉原理
2.2 微光成像理论
2.2.2 微光成像探测器
2.2.3 微光成像技术的发展与应用
第3章 基于区域信息的微光图像匹配算法研究
3.1 传统半全局图像匹配算法
3.1.1 匹配代价计算
3.1.2 代价聚合之动态规划
3.2 改进的图像匹配算法
3.2.1 获取区域信息
3.2.2 匹配代价模块
3.2.3 代价聚合模块
3.3 视差计算及视差优化
3.4 传统改进算法实验结果分析
3.4.1 Middlebury数据集
3.4.2 仿真数据
3.4.3 对比分析
3.4.4 微光数据的实验结果
3.4.5 讨论
第4章 基于深度神经网络的图像匹配算法研究
4.1 深度神经网络的基础知识
4.2 基于深度神经网络的立体匹配方法
4.2.1 卷积神经网络
4.2.2 空间金字塔池化模块
4.2.3 3D CNN
4.3 针对微光数据的改进模型
4.4 深度神经网络算法实验结果分析
4.4.1 KITTI公开数据集
4.4.2 微光数据的实验结果
4.4.3 传统改进算法与该改进模型的对比分析
第5章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
作者简介及在学期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]改进的跨尺度引导滤波立体匹配算法[J]. 杜晨瑞,李英祥. 计算机系统应用. 2019(04)
[2]立体对图像的视差与景深关系[J]. 刘星,梁发云,何磊,杨金远. 南昌大学学报(工科版). 2018(02)
[3]基于3D双目视觉的虚拟现实医学教学平台研究[J]. 史森中,黄昊,刘洋,吴东东. 中国医学装备. 2018(02)
[4]人工智能在家居领域的应用与启示[J]. 王哲. 机器人产业. 2018(01)
[5]“无人超市”的自动识别技术[J]. 王浩宇. 电子技术与软件工程. 2017(19)
[6]人工智能下一站:无人驾驶汽车[J]. 周路菡. 新经济导刊. 2017(Z1)
[7]用于智能家居的实时人体检测系统研究[J]. 李强,江宁,区志财. 电器. 2015(08)
[8]双目立体视觉匹配技术综述[J]. 曹之乐,严中红,王洪. 重庆理工大学学报(自然科学). 2015(02)
[9]立体视觉中的图像立体匹配方法[J]. 陈爱华,高诚辉,何炳蔚. 中国工程机械学报. 2014(03)
[10]双目立体视觉的无人机位姿估计算法及验证[J]. 张梁,徐锦法,夏青元. 哈尔滨工业大学学报. 2014(05)
硕士论文
[1]基于双目视觉的测距方法研究与应用[D]. 王代东.重庆理工大学 2016
[2]无人车平台立体视觉技术研究[D]. 高洁.电子科技大学 2016
[3]智能工作场景系统的设计实现与性能分析[D]. 李然.北京邮电大学 2011
[4]基于双目立体视觉的自动引导车导航基础研究[D]. 王伟.青岛大学 2006
本文编号：3709956
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3709956.html