[发明专利]基于深度学习算子的立体匹配方法和系统

说明书

本发明公开了一种基于深度学习算子的立体匹配方法和系统，所述方法包括：获取目标区域的左右视图；使用卷积核对左右视图进行视差匹配代价计算，以得到匹配代价值；基于得到的匹配代价值，使用深度学习算子沿多个方向进行匹配代价聚合，以得到聚合代价值；基于赢家通吃算法，得到具有最大代价值的整像素视差结果；根据拟合算法对整像素视差结果进行亚像素视差计算，以得到目标视差值。该方法和系统提高了立体匹配方法的精度和泛化能力。

技术领域

本申请实施例涉及自动驾驶技术领域，具体涉及一种基于深度学习算子的立体匹配方法和系统。

背景技术

随着人们对更加安全和便捷出行的需求的日益增长，智能驾驶技术正处于蓬勃发展时期，感知和理解环境的能力是汽车智能系统的基础和前提。智能车辆通过双目相机采集视图，并在感知周围环境后做出分析，通过将信息提供给控制系统，实现对路面情况的检测。同时，双目相机的立体匹配精度和泛化能力，直接影响数据采集的准确性。

因此，提供一种基于深度学习算子的立体匹配方法和系统，以提高立体匹配方法的精度和泛化能力，从而保证自动驾驶过程中的数据采集准确性，就成本领域技术人员亟待解决的问题。

发明内容

为此，本发明提供一种基于深度学习算子的立体匹配方法和系统，以提高立体匹配方法的精度和泛化能力，从而保证自动驾驶过程中的数据采集准确性。

为了实现上述目的，本申请实施例提供如下技术方案：

一种基于深度学习算子的立体匹配方法，所述方法包括：

获取目标区域的左右视图；

使用卷积核对左右视图进行视差匹配代价计算，以得到匹配代价值；

基于得到的匹配代价值，使用深度学习算子沿多个方向进行匹配代价聚合，以得到聚合代价值；

基于赢家通吃算法，得到具有最大代价值的整像素视差结果；

根据拟合算法对整像素视差结果进行亚像素视差计算，以得到目标视差值。

进一步地，使用卷积核对左右视图进行视差匹配代价计算，以得到匹配代价值，具体包括：

使用第一Sobel算子对左右视图进行卷积，使用第二Sobel算子对左右视图进行卷积，所述第一Sobel算子和所述第二Sobel算子的大小不同，以便在卷积后得到两种不同的梯度信息；

计算左图对应右图的边缘结构相似值，并计算右图对应左图的边缘结构相似性；

计算和的最小值为当前点时，当前视差的匹配代价结果。

进一步地，计算左图对应右图的边缘结构相似值，具体包括：

计算左图中左图目标像素点 基于所述第一Sobel算子得到的结果、基于所述第二Sobel算子得到的结果，以及所述左图目标像素点p左边相邻像素点基于所述第一Sobel算子结果；

取、和中的最大值和最小值，并计算右图目标像素点基于所述第一Sobel算子的，其中，所述右图目标像素点为所述左图目标像素点在右图中的对应像素点，且p和之间的视差为d；

计算和中的最大值，并以作为左图对应右图中的边缘结构相似性。

进一步地，利用以下公式，进行匹配代价聚合：

其中，表示在传播方向上像素点在视差的聚合代价值，表示传播方向， 表示像素点在视差的匹配代价值，表示在r传播方向上p像素点的前一个像素点所有视差的聚合代价，表示不同视差所对用的惩罚项。

进一步地，利用以下公式，对整像素视差结果进行亚像素视差计算：