融合结构信息的深度学习立体匹配算法

针对现有立体匹配算法在边缘区域及视差不连续区域匹配精度的不足,提出了一种融合结构信息的深度学习立体匹配算法。通过简化特征提取网络,并使用Inplace-ABN层替换BatchNorm层和激活函数层,提高卷积提取图像特征的效率;利用结合注意力机制的局部相似性模块提取图像结构特征,与卷积提取到的特征进行融合,丰富图像特征信息;计算输出特征对的相关代价和连接代价,利用相关代价卷积生成注意力权重,滤除连接代价的冗余信息,提升匹配代价计算的精确性;使用简化的沙漏网络,提升网络代价聚合的快速性。算法通过Scene Flow数据集、CREStereo数据集和KITTI数据集进行实验,实验结果表明算法的全部区域端点误差为0.45 px,对第一帧图像全部区域预测错误的比例为1.55%,预测误差大于1 px的像素比例仅有6.87%,证明所提算法相比其他算法在匹配精度上表现优秀,同时验证了算法在问题区域匹配的有效性及优势。