基于最小特征匹配代价的夜间车辆检测和追踪

针对夜间复杂环境下车辆追踪存在检测难、配对准确率低、追踪效果差等问题,提出一种新的夜间车辆检测与追踪算法。首先将频域的同态滤波与空域的阈值技术结合进行车灯检测;然后,利用几何特征对车灯进行跟踪;其次,将几何特征和运动特征相结合,利用最小特征匹配代价算法实现车灯配对;最后,根据车灯配对情况对车辆轨迹进行追踪,同时引入反馈修正机制对轨迹进行修正。实验表明该算法能够在不同照明和交通条件下有效检测车灯、跟踪车辆,平均检测率和跟踪率较高。

基于韵律匹配代价和韵律拼接代价的汉语语音合成

为了进一步提高汉语语音合成的自然度,通过对汉语语音合成技术的分析与对比,确定了以汉语音节作为拼接的合成基元,采用韵律匹配代价和韵律拼接代价的方法,进行合成基元的优化选取,实现了汉语语音合成的韵律建模及其韵律控制.采用直接拼接、过渡拼接和拟拼接,实现合成基元之间的拼接与平滑过渡.实验结果表明了汉语语音合成及其韵律控制方法的有效性.

基于加权匹配代价和色彩分割的快速立体匹配

针对现有立体匹配算法复杂、耗时较长的特点,提出了一种基于加权匹配代价和色彩分割的立体匹配算法。算法引入一种基于梯度差算子与绝对差算子加权的匹配代价计算初始视差。根据基于色彩分割的视差假设,采用Mean-Shift算子对图像进行分割,用分割后的图像作为模板优化初始视差。实验结果表明,该算法提高匹配精度和速度,具有良好的实用价值。

基于加权匹配代价的初始视差估计算法

随着计算机图形学的发展,立体匹配技术已经成为三维场景恢复中一项重要的手段,视差估计是立体匹配中的关键基础技术。为了能够更好进行三维场景恢复,改善视差的工作便迫在眉睫。主要研究了在基于模板的可信传播立体匹配算法中改善视差初始值的算法:通过引入梯度差算子与绝对差和算子加权的匹配代价,运用交叉检验估计及WTA优化初始视差矩阵,进而提高初始视差值的准确性,从而改善最终的视差结果。经实验证明,本方法能够很有效地去除噪点,进而获得较高质量的视差结果。

改进的局部加权窗口匹配代价算法

稠密匹配可以看做匹配代价最小化的过程,而匹配代价的计算是各种稠密匹配算法的必要步骤。分析取得良好效果的测地线距离局部加权窗口匹配算法,针对测地线权值计算的核心部分进行改进,提出一种环式的测地线权值计算方法,并详细介绍改进后的权值计算方法应用于局部加权匹配的性能优势。最后通过对比实验证明:在不损失精度的前提下,改进后的匹配代价整体计算时间提高了近1/2。

自适应构造与聚合多尺度代价体的双目立体匹配

基于卷积神经网络的双目立体匹配算法取得了重要进展,但现有方法在弱纹理区域、细节和边缘等位置仍然存在匹配不准确的问题.立足于双目立体匹配任务中常用的匹配代价体(cost volume),提出自适应构造与聚合多尺度代价体的双目立体匹配网络.首先将多个尺度的输入特征融合成为重组特征;然后设计可学习的特征增强模块,为各个尺度的匹配代价体恢复所需的细节信息;最后基于全局注意力对各尺度匹配代价体进行尺度内聚合,并提出自适应多尺度加权方法进行尺度间聚合,筛选出适用于回归各尺度视差的匹配特征.在SceneFlow和KITTI2015数据集上的实验表明:所提方法在较小网络规模的情况下取得了有竞争力的性能表现,验证了所提方法的有效性.

一种改进AD代价的立体匹配算法

本文提出了一种基于改进AD-Census的立体匹配算法,旨在获得最优匹配代价,引入机器学习训练特征思想和数据分析思想,以此获取最优代价对应的匹配效果。对于AD代价函数,引入了动态参数,便于动态调参。用基本单位化操作和异化操作调整AD代价函数结构,用于更密的代价集合,且便于配合最优动态参数获取最优代价。考虑到AD匹配代价的不足之处,将新改进后的AD代价和Census代价进行代价融合,得到最优AD代价。最优AD代价匹配算法的实验结果表明,匹配精度更高,鲁棒性更好。实验应用Middlebury数据集,平均误匹率相较于AD-Census算法整体平均提高了3.9002%。

基于色彩分割和自适应窗口的快速立体匹配

针对现有立体匹配算法难以兼顾匹配精度和速度的不足,提出了一种基于联合匹配代价的局部方法。首先,根据视差在同一色彩分割区域内平滑变化的假设,提出了一种利用参考图像和目标图像的色彩分割信息获得的基于任意形状和大小支持区域的匹配代价;然后在RGB色彩空间中,通过由窗口内的平均匹配误差、误差方差及较大窗口的偏向误差构成的窗口选择评价函数,获得基于自适应矩形窗口的匹配代价;最后,将这两种匹配代价进行有机的结合构成联合匹配代价,并通过局部优化方法获得稠密视差图。采用Middlebury dataset进行的实验结果表明,本文算法不仅可以提高视差不连续区域和低纹理区域的匹配精度,而且获得的视差与当前主流算法具有可比性。此外,所提算法的处理时间较之当前优秀的局部方法提高了约19~35倍。

基于全局差错能量函数的立体匹配算法

针对全局立体匹配算法计算量大的问题,引入全局差错能量函数对算法进行改进。将全局差错能量函数作为立体匹配的匹配代价,同时进行跳跃式区域生长,隔点求取差错能量函数值以获取视差图,并采用均值滤波器对其做平滑处理,设置影响滤波阈值大小的容差系数,使之更适合人眼的观察。针对不同像素的彩色图像对,自适应选取容差系数得到较优的滤波后视差图。实验结果表明,改进算法在保证准确性的基础上可有效减小计算耗时,提高匹配实时性。

基于SGM的多分辨率影像匹配方法

分析了SGM影像匹配算法的基本思想及其不足,给出了半全局影像匹配算法的基本模型;在此基础上,对该SGM算法模型进行了多分辨率扩展,设计了一种多分辨率半全局影像匹配方法 P-SGM,并讨论了该方法的实现步骤及其技术细节;利用实际影像数据进行了P-SGM影像匹配实验。实验结果表明,该方法能够完成大场景、大幅面遥感影像的密集匹配工作,获取实验区密集匹配点云;并具有较高的匹配性能和匹配精度。

快速收敛的置信度传播立体匹配算法

针对传统基于置信度传播的立体匹配算法运算次数较多、效率低下的问题,提出一种快速收敛的置信度传播算法。该算法在计算每一个像素点的置信度时,只考虑当前像素点自适应大小邻域内像素点对它的信息传递,而忽略距离较远的像素点的影响。实验结果表明提出的算法在保持相近匹配精度的前提下,运算时间减少40%～50%,满足立体匹配的实时性要求。

基于自适应权重AD-Census变换的双目立体匹配

针对AD-Census变换采用固定权重将AD变换代价与Census变换代价合成的双目立体匹配代价无法体现像素点区域特征的问题,提出一种基于自适应权重AD-Census变换的双目立体匹配算法。算法首先通过增加相邻像素点的灰度差阈值条件改善十字支撑自适应窗口;然后以每个像素点的十字支撑自适应窗口的最短臂长为自变量,利用指数形式的函数,进行AD变换代价与Census变换代价合成权重的自适应设置。由于像素点十字支撑自适应窗口的最短臂长能够反映像素点的区域特性,因此自适应设置的权重大小与像素点的区域特性直接相关,计算图像边缘区域像素点的匹配代价时,AD变换的权重大;计算平滑区域像素点的匹配代价时,Census变换的权重大。Middlebury第3代双目立体匹配评估平台的结果显示,基于自适应权重AD-Census变换的双目立体匹配性能与基于AD-Census变换的双目立体匹配性能相比,所有图像集的全部像素点的视差平均误差减小了25%,非遮挡像素点的视差平均误差减小了20%,性能得到了提升;平台上包括Adir在内的多个图像集的匹配结果表明基于自适应权重AD-Census变换的双目立体匹配更适合含纹理丰富、存在重复区域的图像。

融合色彩分割和加权非参数变换的立体匹配

针对传统非参数变换的局限性,提出了一种立体匹配算法。利用参考图像的色彩分割信息获得基于任意形状和大小支持区域的匹配代价,并在相似色彩区域内计算加权非参数变换匹配代价,再将这两种匹配代价融合构成联合匹配代价,通过局部优化方法获得稠密视差图。实验结果表明算法提高了低纹理区域、遮挡区域和不连续区域的匹配精度,并对幅度失真具有鲁棒性。

基于图像分割和可变窗的联合立体匹配

提出一种基于图像分割和可变窗的联合立体匹配算法。首先对参考图像和目标图像进行图像分割,根据视差在同一色彩分割区域平滑的假设,计算出分割区域的匹配代价;然后由窗口内的匹配误差均值、误差方差、偏向误差确定最佳可变窗并求出其匹配代价;最后综合两类匹配代价通过局部优化方法获得稠密视差图。实验结果表明,该算法能够较好的处理低纹理和深度不连续区域,得到较高匹配精度的同时降低了匹配时间。

基于ADCensus的改进半全局匹配方法

考虑到AD相似性测度对灰度信息及纹理丰富的区域的优势和Census变换对图像辐射差异具有鲁棒性的优势,将AD和Census算法融合替代单一匹配代价来改进半全局密集匹配算法,可有效提高算法的匹配精度和抗干扰性。同时用金字塔分层匹配策略来约束视差的搜索范围,实验结果表明,该方法在保证匹配精度的同时,减少内存消耗和运行时间,适用于无人机影像的密集匹配。

基于多尺度卷积神经网络的立体匹配算法研究

针对传统障碍物检测中的立体匹配算法存在特征提取不充分,在复杂场景和光照变化明显等区域存在误匹配率较高,算法所获视差图精度较低等问题,提出了一种基于多尺度卷积神经网络的立体匹配方法;首先,在匹配代价计算阶段,建立了一种基于多尺度卷积神经网络模型,采用多尺度卷积神经网络捕获图像的多尺度特征;为增强模型的抗干扰和快速收敛能力,在原有损失函数中提出改进,使新的损失函数在训练时可以由一正一负两个样本同时进行训练,缩短了模型训练时间;其次,在代价聚合阶段,构造一个全局能量函数,将二维图像上的最优问题分解为4个方向上的一维问题,利用动态规划的思想,得到最优视差;最后,通过左右一致性检测对所得视差进行进一步精化,得到最终视差图;在Middlebury数据集提供的标准立体匹配图像测试上进行了对比实验,经过实验验证算法的平均误匹配率为4.94%,小于对比算法中的实验结果,并提高了在光照变化明显以及复杂区域的匹配精度,得到了高精度视差图。

基于ADCensus的改进双目立体匹配算法

由于ADCensus算法只依赖于图像的灰度信息,对于弱纹理区域和重复纹理区域的匹配效果不好,本文提出一种依赖于图像像素梯度和灰度匹配代价计算方法,以图像像素梯度信息作为图像灰度信息的补充,提高了匹配准确率,加入了自适应匹配模板后,误匹配率降低到19.85%以下。

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。

基于多维注意力的立体匹配网络

针对基于深度学习的立体匹配算法在挑战区域(如细节区域、弱纹理区域)存在一些误匹配的问题,提出一种基于多维注意力的立体匹配方法。首先,设计空间金字塔注意(SPA)模块,通过将空间金字塔结构与注意力机制相结合,获取更有效的全局上下文信息,来提高匹配精度;然后,构建注意力堆叠沙漏聚合(ASA)模块,在堆叠沙漏结构中引入注意力机制(AM),对匹配代价体进行重新校准,以进行更精确的视差计算;同时,采用可微分的Patch Match(DPM)方法,通过减少候选视差数量,构建轻量级匹配代价体,在保证模型匹配精度的同时,降低了计算资源的消耗。在Scene Flow、KITTI2015和KITTI2012数据集上的实验结果表明,与基准方法相比,所提算法在减少运行时间的同时提高了匹配精度。

基于树形结构的半全局立体匹配算法

半全局匹配算法中匹配代价的计算不能完全利用待匹配点周围的像素,在影像纹理相似区域会造成误匹配现象。针对该问题,提出一种加入2种树形结构的半全局匹配算法。研究代价函数聚合路径方向对匹配结果的影响,将2种不同的树形结构加入到半全局匹配代价函数中,利用动态规划原理计算新的匹配代价,并从4条路径进行匹配代价的聚合,在视差最大允许范围内求解聚合后的匹配代价,查找出使匹配代价最小的视差作为待匹配点的视差值。实验结果表明,该算法在计算匹配代价时,克服了半全局匹配算法不能充分利用影像像素的问题,结合树形结构的特点可实现对待匹配点周围像素的完全利用,比原有算法具有更高的匹配精度,且将匹配代价聚合的路径由16条减至4条,执行效率提高2倍以上。