电子信息技术

本发明公开了基于逐组SAD成本量和特征重利用的双目立体匹配算法，本发明提出采用逐组SAD的方法去计算成本量，相减可以更明确的表征特征间的相似性，区域的相减考虑了周围像素的信息和上下文信息，可以更加明确的计算特征间的相似性，与全相关和逐组相关相比，提高了成本量的准确性，为3D聚合部分提供了更加精确的信息，进而提高了立体匹配的精度；并且构建了基于稠密连接的特征重利用聚合网络，采用稠密连接的原理对代价聚合部分的多尺寸信息进行重复利用，减少了在编码解码过程中信息的丢失，在一定程度上提高了代价聚合网络的有效性，在不增加时间消耗的前提下，提高了聚合网络的效率，在没有增加时间的前提下进一步提高了匹配精度。

提升立体视觉精度：通过逐组SAD成本量和特征重利用，显著提高双目立体匹配的精度，适用于高精度3D重建和场景深度感知。

增强实时处理能力：该算法优化了计算效率，能够在实时应用中快速生成深度图，满足自动驾驶、机器人导航等领域的需求。

降低计算资源消耗：特征重利用减少了重复计算，降低算法对硬件资源的依赖，使其更适用于嵌入式设备和移动平台。

推动计算机视觉发展：该技术为立体视觉应用提供高效解决方案，推动虚拟现实、增强现实和智能监控等领域的技术进步。

本发明提出了一种新的基于深度学习的端到端双目立体匹配算法的框架，相比先前的才有全相关和逐组相关计算成本量的方式，本发明提出了一种逐组SAD的方法去计算成本量，相减可以更明确的表达特征间的相似性，区域的相减考虑了周围像素的信息和上下文信息，可以更加明确的计算特征间的相似性，与全相关和逐组相关相比，提高了成本量的准确性，为3D聚合部分提供了更加精确的信息，进而提高了立体匹配的精度；并且构建了稠密连接的特征重利用聚合网络，采用稠密连接的原理对代价聚合部分的多尺寸信息进行重复利用，减少了在编码解码过程中信息的丢失，在一定程度上提高了代价聚合网络的有效性，在不增加时间消耗的前提下，提高了聚合网络的效率，在没有增加时间的前提下进一步提高了匹配精度。