-
公开(公告)号：CN110570467A
公开(公告)日：2019-12-13
申请号：CN201910625121.8
申请日：2019-07-11
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于并行队列的立体匹配视差计算方法，包括：对极线矫正过后的双目图像进行边缘提取，提取出两幅图像的高纹理区域图像和低纹理区域图像，并将高低纹理图像分别合成新的图像块,然后再运用全局匹配和局部匹配算法分别对高低纹理图像块进行特征点匹配计算，特征点匹配计算中，采用队列消息机制对匹配过程进行监督，实时更新视差图，加快立体视差计算速度。
-
公开(公告)号：CN111462211B
公开(公告)日：2023-04-28
申请号：CN202010199730.4
申请日：2020-03-20
Applicant: 华南理工大学
IPC: G06T7/593 , G06T7/564 , G06V10/766 , G06V10/80 , G06V10/82 , G06V10/44 , G06N3/045 , G06N3/0464 , G06N3/047
Abstract: 本发明公开了一种基于卷积神经网络的双目视差计算方法，通过采用并行的小膨胀卷积核对左右图像进行特征提取，同时在多尺度特征融合时加入Prewitt算子所提取的图像边缘特征强化双目图像的边缘特征信息，然后利用多尺度特征信息结合视差网络层构建4D cost volume，最后使用3D CNN模块进行代价聚合，得到双目图像的视差结果。
-
公开(公告)号：CN111915503A
公开(公告)日：2020-11-10
申请号：CN202010534851.X
申请日：2020-06-12
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于树形神经网络结构的视差获取方法、存储介质及计算设备，包括，通过傅里叶变换对图像进行去噪预处理，然后利用树形深度神经网络提取不同分辨率的图像特征，进而将左右图的不同分辨率的特征图通过分级代价聚合网络获取视差图。相比与其它方法，这种方法可以解决图像中反光表面与遮挡区域对视差获取结果的影响。
-
公开(公告)号：CN111915503B
公开(公告)日：2023-08-22
申请号：CN202010534851.X
申请日：2020-06-12
Applicant: 华南理工大学
IPC: G06T5/00 , G06N3/0464 , G06N3/08 , G06T5/50
Abstract: 本发明公开了一种基于树形神经网络结构的视差获取方法、存储介质及计算设备，包括，通过傅里叶变换对图像进行去噪预处理，然后利用树形深度神经网络提取不同分辨率的图像特征，进而将左右图的不同分辨率的特征图通过分级代价聚合网络获取视差图。相比与其它方法，这种方法可以解决图像中反光表面与遮挡区域对视差获取结果的影响。
-
公开(公告)号：CN111462212B
公开(公告)日：2023-02-10
申请号：CN202010222042.5
申请日：2020-03-26
Applicant: 华南理工大学
IPC: G06T7/593
Abstract: 本发明公开了一种针对双目测距的立体匹配成本体积构造的方法，通过设置阈值对左图特征成本信息与右图特征成本信息进行分组，得到相关联成本信息组；其次通过softmax归一化指数函数，得到每一组相关联成本信息组组内各元素的权重；然后得到一个相关联成本信息值，再将相关联成本信息值扩展为原本的元素个数，保持元素个数不变，得到左图相关成本与右图相关成本；最后将左图相关成本与右图相关成本连接得到相关成本体积。这种方法不会丢失完全相关联信息，增加了相关联信息的利用率，有助于提高系统的性能。
-
Patent Agency Ranking
公开(公告)号：CN110570467B
公开(公告)日：2023-09-19
申请号：CN201910625121.8
申请日：2019-07-11
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于并行队列的立体匹配视差计算方法，包括：对极线矫正过后的双目图像进行边缘提取，提取出两幅图像的高纹理区域图像和低纹理区域图像，并将高低纹理图像分别合成新的图像块,然后再运用全局匹配和局部匹配算法分别对高低纹理图像块进行特征点匹配计算，特征点匹配计算中，采用队列消息机制对匹配过程进行监督，实时更新视差图，加快立体视差计算速度。
-
公开(公告)号：CN111582437B
公开(公告)日：2023-06-20
申请号：CN202010257910.3
申请日：2020-04-03
Applicant: 华南理工大学
IPC: G06N3/0464 , G06N3/045 , G06N3/082
Abstract: 本发明公开了一种视差回归深度神经网络的构造方法，包括低层次特征信息提取步骤、匹配低价计算步骤、局部代价聚合步骤及使用贝叶斯推导和跳跃连接对初始视差进行迭代细化。本发明改进传统立体匹配网络的结构，加入了跳跃连接，局部代价聚合和迭代细化步骤，能够提高网络的视差预测效果。
-
公开(公告)号：CN111462212A
公开(公告)日：2020-07-28
申请号：CN202010222042.5
申请日：2020-03-26
Applicant: 华南理工大学
IPC: G06T7/593
Abstract: 本发明公开了一种针对双目测距的立体匹配成本体积构造的方法，通过设置阈值对左图特征成本信息与右图特征成本信息进行分组，得到相关联成本信息组；其次通过softmax归一化指数函数，得到每一组相关联成本信息组组内各元素的权重；然后得到一个相关联成本信息值，再将相关联成本信息值扩展为原本的元素个数，保持元素个数不变，得到左图相关成本与右图相关成本；最后将左图相关成本与右图相关成本连接得到相关成本体积。这种方法不会丢失完全相关联信息，增加了相关联信息的利用率，有助于提高系统的性能。
-
-
公开(公告)号：CN111462211A
公开(公告)日：2020-07-28
申请号：CN202010199730.4
申请日：2020-03-20
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于卷积神经网络的双目视差计算方法，通过采用并行的小膨胀卷积核对左右图像进行特征提取，同时在多尺度特征融合时加入Prewitt算子所提取的图像边缘特征强化双目图像的边缘特征信息，然后利用多尺度特征信息结合视差网络层构建4D cost volume，最后使用3D CNN模块进行代价聚合，得到双目图像的视差结果。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
