CN114782290A - 视差图修正方法、装置、设备和计算机可读介质 - Google Patents

视差图修正方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
CN114782290A
CN114782290A CN202210715254.6A CN202210715254A CN114782290A CN 114782290 A CN114782290 A CN 114782290A CN 202210715254 A CN202210715254 A CN 202210715254A CN 114782290 A CN114782290 A CN 114782290A
Authority
CN
China
Prior art keywords
branch
probability distribution
distribution information
confidence
disparity map
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210715254.6A
Other languages
English (en)
Other versions
CN114782290B (zh
Inventor
傅泽华
宋哲明
范时朝
刘庆杰
王蕴红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202210715254.6A priority Critical patent/CN114782290B/zh
Publication of CN114782290A publication Critical patent/CN114782290A/zh
Application granted granted Critical
Publication of CN114782290B publication Critical patent/CN114782290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20228—Disparity calculation for image-based rendering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本公开的实施例公开了视差图修正方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：获取双目图像中的左图像和右图像；将左图像和右图像重复输入多分支的立体匹配网络，得到各个分支对应的各个分支概率分布信息集合；根据各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合；根据分支目标概率分布信息集合和预测分支置信度信息集合，生成预测视差图的置信度信息；根据置信度信息，修正预测视差图，得到修正视差图。该实施方式可以在训练过程中无需提供置信度信息标签，即可在半监督、全监督、无监督等任务中生成视差图的置信度信息，从而可以用于修正视差图。

Description

视差图修正方法、装置、设备和计算机可读介质
技术领域
本公开的实施例涉及计算机视觉与深度学习领域，具体涉及视差图修正方法、装置、设备和计算机可读介质。
背景技术
随着双目立体视觉技术的发展，通过立体匹配技术生成视差图以应用在机器人、三维重建等领域已成为一种发展趋势。目前，在修正视差图时，通常采用的方式为：基于训练完成的神经网络模型生成视差图的置信度信息，从而修正视差图。
然而，当采用上述方式修正视差图时，经常会存在如下技术问题：
第一，采用有监督的神经网络模型的生成视差图的置信度信息方式，在训练过程中需要提供置信度信息标签，从而无法应用在半监督、无监督等任务中。
第二，采用有监督的神经网络模型的生成视差图的置信度信息方式，在训练过程中需要提供置信度信息标签，无法应用在无置信度信息标签的车辆检测场景中。
第三，采用有监督的神经网络模型的生成视差图的置信度信息方式，在训练过程中需要提供置信度信息标签，无法应用在无置信度信息标签的人脸识别场景中。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了视差图修正方法、装置、电子设备、计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种视差图修正方法，该方法包括：获取双目图像中的左图像和右图像；将上述左图像和上述右图像重复输入多分支的立体匹配网络，得到各个分支对应的各个分支概率分布信息集合，其中，上述各个分支包括一个主分支和至少一个辅助分支，上述各个分支中的分支对应上述各个分支概率分布信息集合包括的分支概率分布信息集合；根据上述各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合，其中，上述分支目标概率分布信息集合包括对应上述主分支的分支目标概率分布信息，以及对应上述至少一个辅助分支中各个辅助分支的各个分支目标概率分布信息；根据上述分支目标概率分布信息集合和上述预测分支置信度信息集合，生成预测视差图的置信度信息；根据上述置信度信息，修正上述预测视差图，得到修正视差图。
第二方面，本公开的一些实施例提供了一种视差图修正装置，装置包括：获取单元，被配置成获取双目图像中的左图像和右图像；输入单元，被配置成将上述左图像和上述右图像重复输入多分支的立体匹配网络，得到各个分支对应的各个分支概率分布信息集合，其中，上述各个分支包括一个主分支和至少一个辅助分支，上述各个分支中的分支对应上述各个分支概率分布信息集合包括的分支概率分布信息集合；第一生成单元，被配置成根据上述各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合，其中，上述分支目标概率分布信息集合包括对应上述主分支的分支目标概率分布信息，以及对应上述至少一个辅助分支中各个辅助分支的各个分支目标概率分布信息；第二生成单元，被配置成根据上述分支目标概率分布信息集合和上述预测分支置信度信息集合，生成预测视差图的置信度信息；修正单元，被配置成根据上述置信度信息，修正上述预测视差图，得到修正视差图。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；声音播放设备，被配置成播放警报信息；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的视差图修正方法，可以在训练过程中无需提供置信度信息标签，即可生成视差图的置信度信息，从而可以用于修正视差图。具体来说，造成无法应用在半监督、无监督等任务中的原因在于：采用有监督的神经网络模型的生成视差图的置信度信息方式，在训练过程中需要提供置信度信息标签，从而无法应用在半监督、无监督等任务中。基于此，本公开的一些实施例的视差图修正方法，首先，获取双目图像中的左图像和右图像。由此，可以得到双目图像中的左图像和右图像，从而可以生成视差图。其次，将上述左图像和上述右图像重复输入多分支的立体匹配网络，得到各个分支对应的各个分支概率分布信息集合。其中，上述各个分支包括一个主分支和至少一个辅助分支。上述各个分支中的分支对应上述各个分支概率分布信息集合包括的分支概率分布信息集合。由此，可以得到各个分支对应的各个分支概率分布信息集合，从而可以用于生成分支目标概率分布信息和预测分支置信度信息。然后，根据上述各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合。其中，上述分支目标概率分布信息集合包括对应上述主分支的分支目标概率分布信息，以及对应上述至少一个辅助分支中各个辅助分支的各个分支目标概率分布信息。由此，可以得到分支目标概率分布信息集合和预测分支置信度信息集合，从而无需提供置信度信息标签。之后，根据上述分支目标概率分布信息集合和上述预测分支置信度信息集合，生成预测视差图的置信度信息。由此，可以得到预测视差图的置信度信息，从而可以应用于半监督、全监督、无监督等任务中生成预测视差图的置信度信息。最后，根据上述置信度信息，修正上述预测视差图，得到修正视差图。由此，可以得到修正后的视差图。也因为在训练过程中无需提供置信度信息标签，即可在半监督、全监督、无监督等任务中生成预测视差图的置信度信息。由此，可以在训练过程中无需提供置信度信息标签，即可在半监督、全监督、无监督等任务中生成视差图的置信度信息，从而可以用于修正视差图。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的视差图修正方法的一些实施例的流程图；
图2是根据本公开的视差图修正装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的视差图修正方法的一些实施例的流程100。该视差图修正方法，包括以下步骤：
步骤101，获取双目图像中的左图像和右图像。
在一些实施例中，视差图修正方法的执行主体（例如计算机设备）可以通过有线连接方式或者无线连接方式获取双目图像中的左图像和右图像。其中，上述左图像可以为双目相机采集的对应左侧的图像。上述右图像可以为双目相机采集的对应右侧的图像。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
步骤102，将左图像和右图像重复输入多分支的立体匹配网络，得到各个分支对应的各个分支概率分布信息集合。
在一些实施例中，上述执行主体可以将上述左图像和上述右图像重复输入多分支的立体匹配网络，得到各个分支对应的各个分支概率分布信息集合。其中，上述各个分支包括一个主分支和至少一个辅助分支。上述各个分支中的分支对应上述各个分支概率分布信息集合包括的分支概率分布信息集合。上述各个分支中的分支与上述各个分支概率分布信息集合包括的分支概率分布信息集合之间的对应关系可以为一一对应。上述立体匹配网络可以为以左图像和右图像为输入，以对应分支的视差图和分支概率分布信息集合、对应整体网络的预测视差图。上述预测视差图可以为预测的视差图。例如，上述神经网络模型可以为卷积神经网络模型。上述分支可以为上述立体匹配网络包括的网络分支。上述分支概率分布信息集合包括的分支概率分布信息可以为一个分支一次输出得到的概率分布信息。上述分支概率分布信息可以包括对应的视差图中各个像素点的各个视差值所对应的各个概率值。实践中，上述执行主体可以将上述左图像和上述右图像输入多分支的立体匹配网络预设数值次，得到各个分支对应的各个分支概率分布信息集合。上述预设数值可以为预先设定的数值。上述预设数值可以为大于1的数值。例如，上述预设数值可以为10。由此，通过多次输入可以得到多个上述分支概率分布信息集合包括的分支概率分布信息。作为示例，上述执行主体可以将上述左图像和上述右图像输入立体匹配网络的主分支和各个辅助分支10次，得到主分支上的分支概率分布信息集合和各个辅助分支上的各个分支概率分布信息集合。其中，分支概率分布信息集合可以包括10个分支概率分布信息。
可选地，上述立体匹配网络包括蒙特卡洛Dropout层。在步骤102之前，上述执行主体可以根据激活函数激活上述蒙特卡洛Dropout层。
步骤103，根据各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合。
在一些实施例中，上述执行主体可以通过各种方式根据上述各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合。其中，上述分支目标概率分布信息集合包括对应上述主分支的分支目标概率分布信息，以及对应上述至少一个辅助分支中各个辅助分支的各个分支目标概率分布信息。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤根据上述各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合：
第一步，对于上述各个分支中的每个分支，执行以下子步骤：
第一子步骤，将上述分支所对应的分支概率分布信息集合包括的各个分支概率分布信息确定为预测分支概率分布信息集合。
作为示例，上述分支可以为主分支。可以将主分支对应的各个分支概率分布信息确定为预测分支概率分布信息集合。
第二子步骤，将上述预测分支概率分布信息集合包括的各个预测分支概率分布信息的均值确定为上述分支对应的分支目标概率分布信息。实践中，对于上述分支对应的任意视差图中的每个像素点，首先，上述执行主体可以从上述各个预测分支概率分布信息中提取对应上述像素点的概率值；然后，可以将所提取的各个概率值的均值确定为对应上述像素点的置信度。最后，可以将所确定的各个置信度组成上述分支对应的预测分支置信度信息。
第三子步骤，将上述预测分支概率分布信息集合包括的各个预测分支概率分布信息的方差确定为上述分支对应的预测分支置信度信息。实践中，对于上述分支对应的任意视差图中的每个像素点，首先，上述执行主体可以从上述各个预测分支概率分布信息中提取对应上述像素点的概率值；然后，可以将所提取的各个概率值的方差确定为对应上述像素点的置信度。最后，可以将所确定的各个置信度组成上述分支对应的预测分支置信度信息。
第二步，将所确定的各个分支目标概率分布信息组成分支目标概率分布信息集合。
第三步，将所确定的各个预测分支置信度信息组成预测分支置信度信息集合。
步骤104，根据分支目标概率分布信息集合和预测分支置信度信息集合，生成预测视差图的置信度信息。
在一些实施例中，上述执行主体可以通过各种方式根据上述分支目标概率分布信息集合和上述预测分支置信度信息集合，生成预测视差图的置信度信息。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤，根据上述分支目标概率分布信息集合和上述预测分支置信度信息集合，生成预测视差图的置信度信息：
第一步，将对应上述主分支的分支目标概率分布信息确定为主分支目标概率分布信息。
第二步，将对应上述各个辅助分支的各个分支目标概率分布信息确定为辅助分支目标概率分布信息集合。
第三步，对于上述辅助分支目标概率分布信息集合中的每个辅助分支目标概率分布信息，生成主分支目标概率分布信息与上述辅助分支目标概率分布信息的散度信息。其中，上述散度信息可以为KL散度（Kullback-Leibler Divergence）。实践中，上述执行主体可以通过下式生成主分支目标概率分布信息与上述辅助分支目标概率分布信息的散度信息：
Figure 614956DEST_PATH_IMAGE001
。
其中，
Figure 266517DEST_PATH_IMAGE003
可以表示上述各个分支的数量。第
Figure DEST_PATH_IMAGE004
个分支可以为主分支。
Figure 249517DEST_PATH_IMAGE005
可以表示上述主分支目标概率分布信息与对应第
Figure DEST_PATH_IMAGE006
个辅助分支的辅助分支目标概率分布信息的散度信息。
Figure 785671DEST_PATH_IMAGE007
可以表示上述主分支目标概率分布信息。
Figure DEST_PATH_IMAGE008
可以表示对应第
Figure 131202DEST_PATH_IMAGE006
个辅助分支的辅助分支目标概率分布信息。
Figure 360189DEST_PATH_IMAGE009
可以表示预先设定的参数。
Figure DEST_PATH_IMAGE010
可以表示对应上述主分支的视差图中视差值为
Figure 158381DEST_PATH_IMAGE011
的主分支目标概率分布信息包括的。
Figure DEST_PATH_IMAGE012
可以表示对应第
Figure 560544DEST_PATH_IMAGE006
个辅助分支的视差图中视差值为
Figure 963843DEST_PATH_IMAGE013
的对应第
Figure 629311DEST_PATH_IMAGE006
个辅助分支的辅助分支目标概率分布信息。
第四步，根据生成的各个散度信息，生成目标散度信息。其中，上述目标散度信息可以为上述预测视差图的散度信息。实践中，上述执行主体可以通过下式生成目标散度信息：
Figure DEST_PATH_IMAGE014
。
其中，
Figure 914799DEST_PATH_IMAGE015
可以表示上述目标散度信息。
第五步，根据上述目标散度信息，生成对应上述各个分支中每个分支的分支置信度信息，得到分支置信度信息集合。其中，上述分支置信度信息可以包括归一化后对应分支的置信度信息。实践中，上述执行主体可以通过下式生成对应上述各个分支中每个分支的分支置信度信息：
Figure DEST_PATH_IMAGE016
。
其中，
Figure 792756DEST_PATH_IMAGE017
可以表示放大系数。
Figure DEST_PATH_IMAGE018
可以表示第
Figure 847300DEST_PATH_IMAGE006
个分支对应的分支置信度信息。
第六步，根据上述分支置信度信息集合以及上述预测分支置信度信息集合，生成上述预测视差图的置信度信息。实践中，上述执行主体可以通过各种方式根据上述分支置信度信息集合以及上述预测分支置信度信息集合，生成上述预测视差图的置信度信息。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤根据上述分支置信度信息集合以及上述预测分支置信度信息集合，生成上述预测视差图的置信度信息：
第一步，对于上述各个辅助分支的每个辅助分支，执行以下步骤：
第一子步骤，将对应上述辅助分支的分支置信度信息和对应上述辅助分支的预测分支置信度信息的乘积确定为上述辅助分支对应的第一目标分支置信度信息。
第二子步骤，将上述第一目标分支置信度信息的平方根确定为上述辅助分支对应的第二目标分支置信度信息。
第二步，将所确定的各个第二目标分支置信度信息的和确定为第三目标分支置信度信息。
第三步，将对应上述主分支的预测分支置信度信息与预设参数的乘积确定为第四目标分支置信度信息。其中，上述预设参数可以为超参数。
第四步，根据上述第三目标分支置信度信息和上述第四目标分支置信度信息，生成上述预测视差图的置信度信息。实践中，上述执行主体可以通过下式生成上述预测视差图的置信度信息：
Figure 946318DEST_PATH_IMAGE019
。
其中，
Figure DEST_PATH_IMAGE020
可以表示上述预测视差图的置信度信息。
Figure 453523DEST_PATH_IMAGE021
可以表示上述第三目标分支置信度信息。
Figure DEST_PATH_IMAGE022
可以表示上述第四目标分支置信度信息。
Figure DEST_PATH_IMAGE023
可以表示上述各个辅助分支包括的辅助分支的数量。
步骤105，根据置信度信息，修正预测视差图，得到修正视差图。
在一些实施例中，上述执行主体可以通过各种方式根据上述置信度信息，修正上述预测视差图，得到修正视差图。其中，上述修正视差图可以为修正得到的视差图。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤根据上述置信度信息，修正上述预测视差图，得到修正视差图：
第一步，根据上述置信度信息，从上述预测视差图中选择对应的视差值满足预设置信度条件的各个像素坐标作为像素坐标集合。其中，上述预设置信度条件为视差值对应的置信度小于预设置信度阈值。上述预设置信度阈值可以为预先设定的置信度阈值。上述预设置信度阈值可以大于零且小于1。例如，上述预设置信度阈值可以为0.6。
第二步，对于上述像素坐标集合中的每个像素坐标，执行以下步骤：
第一子步骤，将预测视差图中对应上述像素坐标的各个相邻像素坐标确定为相邻像素坐标集合。其中，上述相邻像素坐标集合中的相邻像素坐标可以为与上述像素坐标相邻的像素坐标。
第二子步骤，将上述相邻像素坐标集合中每个相邻像素坐标对应的视差值确定为相邻视差值，得到相邻视差值集合。
第三子步骤，将上述相邻视差值集合包括的各个相邻视差值的均值确定为目标视差值。
第四子步骤，将上述像素坐标对应的视差值替换为上述目标视差值。
第三步，将替换各个视差值后的预测视差图确定为修正视差图。
可选地，上述执行主体可以执行以下步骤：
第一步，响应于确定上述修正视差图为目标车辆的前车图像，提取上述修正视差图包括的车辆图像。其中，上述目标车辆可以为与上述执行主体对应的车辆。例如，上述执行主体为车载终端时，上述目标车辆可以为设置有上述车载终端的车辆。又如，上述执行主体为服务器时，上述目标车辆可以为拍摄上述双目图像、并将所拍摄的双目图像发送至上述服务器的车辆。上述前车图像可以为前车的图像。上述车辆图像可以为显示了上述目标车辆的前方车辆的图像。实践中，上述执行主体可以响应于确定上述修正视差图为目标车辆的前车图像，基于背景差分法提取上述修正视差图包括的车辆图像。
第二步，提取上述车辆图像的车辆图像特征向量。其中，上述车辆图像特征向量可以为车辆图像特征的向量。上述车辆图像特征可以为车辆图像的特征。实践中，上述执行主体可以基于车辆图像特征提取模型提取上述车辆图像的车辆图像特征向量。上述车辆图像特征提取模型可以为以车辆图像为输入，且以车辆图像特征向量为输出的神经网络模型。上述神经网络模型可以为卷积神经网络模型。
第三步，将上述车辆图像特征向量输入预设车辆分类模型，得到车辆类型。其中，上述预设车辆分类模型可以为以车辆图像特征向量为输入，且以车辆类型为输出的神经网络模型。上述神经网络模型可以为卷积神经网络模型。上述车辆类型可以为车辆所属的类型。上述车辆类型可以为特种车辆，也可以为小型汽车。
第四步，响应于确定车辆类型为特种车辆，控制上述目标车辆执行减速操作。上述减速操作可以为根据预设减速度进行减速的操作。上述预设减速度可以为预先设定的减速度。
上述技术方案及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“采用有监督的神经网络模型的生成视差图的置信度信息方式，在训练过程中需要提供置信度信息标签，无法应用在无置信度信息标签的车辆检测场景中”。导致无法应用在无置信度信息标签的车辆检测场景中的因素往往如下：采用有监督的神经网络模型的生成视差图的置信度信息方式，在训练过程中需要提供置信度信息标签，无法应用在无置信度信息标签的车辆检测场景中。如果解决了上述因素，就能达到可以应用在无置信度信息标签的车辆检测场景的效果。为了达到这一效果，本公开的一些实施例的视差图修正方法，首先，响应于确定上述修正视差图为目标车辆的前车图像，提取上述修正视差图包括的车辆图像。由此，可以在无车辆图像置信度信息标签的情况下，得到车辆图像，从而可以提取车辆图像特征向量。其次，提取上述车辆图像的车辆图像特征向量。由此，可以得到车辆图像特征，从而可以进行特征匹配。之后，将上述车辆图像特征向量输入预设车辆分类模型，得到车辆类型。由此，可以得到车辆类型，从而可以判断是否调整车速。最后，响应于确定车辆类型为特种车辆，控制上述目标车辆执行减速操作。由此，可以执行控制车速的操作，从而应用在车辆检测场景中。也因为在在无车辆图像置信度信息标签的情况下，所得的上述修正视差图可以应用在车辆检测场景中。由此，可以应用在无置信度信息标签的车辆检测场景中。
可选地，上述执行主体可以执行以下步骤：
第一步，响应于确定上述修正视差图为人脸图像，将上述修正视差图转换为深度图。
第二步，提取上述深度图的人脸图像向量。其中，上述人脸图像向量可以为人脸图像特征的向量。实践中，上述执行主体可以基于人脸图像特征提取模型提取上述深度图的人脸图像向量。上述人脸图像特征提取模型可以为以人脸图像为输入，且以人脸图像向量为输出的神经网络模型。上述神经网络模型可以为卷积神经网络模型。
第三步，将上述人脸图像向量输入预设人脸识别模型，得到人脸识别结果。其中，上述预设人脸识别模型可以为以人脸图像向量为输入，且以人脸识别结果为输出的神经网络模型。上述神经网络模型可以为卷积神经网络模型。
第四步，响应于确定人脸识别结果表征人脸匹配成功，控制相关联的开关装置执行打开操作。上述开关装置可以为门禁开关。上述人脸识别结果包括用户信息时，可以表征人脸匹配成功。上述用户信息可以包括用户标识和/或用户姓名。
第五步，响应于确定人脸识别结果表征人脸匹配失败，生成警报信息。上述警报信息可以为用于提示人脸匹配失败的信息。上述警报信息可以包括预设警报语料。上述预设警报语料可以为：警报，人脸匹配失败。上述预设警报语料还可以为：匹配失败，禁止通行。上述人脸识别结果为空时，可以表征人脸匹配失败。
第六步，控制相关联的声音播放设备播放上述警报信息。其中，上述声音播放设备可以为音响。
上述技术方案及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“采用有监督的神经网络模型的生成视差图的置信度信息方式，在训练过程中需要提供置信度信息标签，无法应用在无置信度信息标签的人脸识别场景中”。导致无法应用在无置信度信息标签的人脸识别场景中的因素往往如下：采用有监督的神经网络模型的生成视差图的置信度信息方式，在训练过程中需要提供置信度信息标签，无法应用在无置信度信息标签的人脸识别场景中。如果解决了上述因素，就能达到可以应用在无置信度信息标签的人脸识别场景中的效果。为了达到这一效果，本公开的一些实施例的视差图修正方法，首先，响应于确定上述修正视差图为人脸图像，将上述修正视差图转换为深度图。由此，可以在无人脸图像置信度信息标签的情况下，得到深度图，从而可以提取人脸图像向量。其次，提取上述深度图的人脸图像向量。由此，可以得到人脸图像特征，从而可以进行特征匹配。之后，将上述人脸图像向量输入预设人脸识别模型，得到人脸识别结果。由此，可以得到人脸识别结果，从而可以判断人脸匹配是否成功。接着，响应于确定人脸识别结果表征人脸匹配成功，控制相关联的开关装置执行打开操作。由此，可以在得到人脸匹配成功的结果之后，控制相关联的开关装置执行打开操作，用于访客通行，从而应用在人脸识别场景中。紧接着，响应于确定人脸识别结果表征人脸匹配失败，生成警报信息。由此，可以在得到人脸匹配失败的结果之后，生成警报信息，从而可以用于发出警报。最后，控制相关联的声音播放设备播放上述警报信息。由此可以播放警报，进行提示，从而应用在人脸识别场景中。也因为在在无人脸图像置信度信息标签的情况下，所得的上述修正视差图可以应用在人脸识别场景中。由此，可以应用在无置信度信息标签的人脸识别场景中。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的视差图修正方法，可以在训练过程中无需提供置信度信息标签，即可生成视差图的置信度信息，从而可以用于修正视差图。具体来说，造成无法应用在半监督、无监督等任务中的原因在于：采用有监督的神经网络模型的生成视差图的置信度信息方式，在训练过程中需要提供置信度信息标签，从而无法应用在半监督、无监督等任务中。基于此，本公开的一些实施例的视差图修正方法，首先，获取双目图像中的左图像和右图像。由此，可以得到双目图像中的左图像和右图像，从而可以生成视差图。其次，将上述左图像和上述右图像重复输入多分支的立体匹配网络，得到各个分支对应的各个分支概率分布信息集合。其中，上述各个分支包括一个主分支和至少一个辅助分支。上述各个分支中的分支对应上述各个分支概率分布信息集合包括的分支概率分布信息集合。由此，可以得到各个分支对应的各个分支概率分布信息集合，从而可以用于生成分支目标概率分布信息和预测分支置信度信息。然后，根据上述各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合。其中，上述分支目标概率分布信息集合包括对应上述主分支的分支目标概率分布信息，以及对应上述至少一个辅助分支中各个辅助分支的各个分支目标概率分布信息。由此，可以得到分支目标概率分布信息集合和预测分支置信度信息集合，从而无需提供置信度信息标签。之后，根据上述分支目标概率分布信息集合和上述预测分支置信度信息集合，生成预测视差图的置信度信息。由此，可以得到预测视差图的置信度信息，从而可以应用于半监督、全监督、无监督等任务中生成预测视差图的置信度信息。最后，根据上述置信度信息，修正上述预测视差图，得到修正视差图。由此，可以得到修正后的视差图。也因为在训练过程中无需提供置信度信息标签，即可在半监督、全监督、无监督等任务中生成预测视差图的置信度信息。由此，可以在训练过程中无需提供置信度信息标签，即可在半监督、全监督、无监督等任务中生成视差图的置信度信息，从而可以用于修正视差图。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种视差图修正装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的视差图修正装置200包括：获取单元201、输入单元202、第一生成单元203、第二生成单元204和修正单元205。其中，获取单元201被配置成获取双目图像中的左图像和右图像；输入单元202被配置成将上述左图像和上述右图像重复输入多分支的立体匹配网络，得到各个分支对应的各个分支概率分布信息集合，其中，上述各个分支包括一个主分支和至少一个辅助分支，上述各个分支中的分支对应上述各个分支概率分布信息集合包括的分支概率分布信息集合；第一生成单元203被配置成根据上述各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合，其中，上述分支目标概率分布信息集合包括对应上述主分支的分支目标概率分布信息，以及对应上述至少一个辅助分支中各个辅助分支的各个分支目标概率分布信息；第二生成单元204被配置成根据上述分支目标概率分布信息集合和上述预测分支置信度信息集合，生成预测视差图的置信度信息；修正单元205被配置成根据上述置信度信息，修正上述预测视差图，得到修正视差图。
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（例如计算设备或终端设备）300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取双目图像中的左图像和右图像；将上述左图像和上述右图像重复输入多分支的立体匹配网络，得到各个分支对应的各个分支概率分布信息集合，其中，上述各个分支包括一个主分支和至少一个辅助分支，上述各个分支中的分支对应上述各个分支概率分布信息集合包括的分支概率分布信息集合；根据上述各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合，其中，上述分支目标概率分布信息集合包括对应上述主分支的分支目标概率分布信息，以及对应上述至少一个辅助分支中各个辅助分支的各个分支目标概率分布信息；根据上述分支目标概率分布信息集合和上述预测分支置信度信息集合，生成预测视差图的置信度信息；根据上述置信度信息，修正上述预测视差图，得到修正视差图。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、输入单元、第一生成单元、第二生成单元和修正单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取双目图像中的左图像和右图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种视差图修正方法，包括：
获取双目图像中的左图像和右图像；
将所述左图像和所述右图像重复输入多分支的立体匹配网络，得到各个分支对应的各个分支概率分布信息集合，其中，所述各个分支包括一个主分支和至少一个辅助分支，所述各个分支中的分支对应所述各个分支概率分布信息集合包括的分支概率分布信息集合；
根据所述各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合，其中，所述分支目标概率分布信息集合包括对应所述主分支的分支目标概率分布信息，以及对应所述至少一个辅助分支中各个辅助分支的各个分支目标概率分布信息；
根据所述分支目标概率分布信息集合和所述预测分支置信度信息集合，生成预测视差图的置信度信息；
根据所述置信度信息，修正所述预测视差图，得到修正视差图。
2.根据权利要求1所述的方法，其中，所述立体匹配网络包括蒙特卡洛Dropout层；以及
在所述将所述左图像和所述右图像重复输入多分支的立体匹配网络，得到各个分支对应的各个分支概率分布信息集合之前，所述方法还包括：
激活所述蒙特卡洛Dropout层。
3.根据权利要求2所述的方法，其中，所述根据所述各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合，包括：
对于所述各个分支中的每个分支，执行以下步骤：
将所述分支所对应的分支概率分布信息集合包括的各个分支概率分布信息确定为预测分支概率分布信息集合；
将所述预测分支概率分布信息集合包括的各个预测分支概率分布信息的均值确定为所述分支对应的分支目标概率分布信息；
将所述预测分支概率分布信息集合包括的各个预测分支概率分布信息的方差确定为所述分支对应的预测分支置信度信息；
将所确定的各个分支目标概率分布信息组成分支目标概率分布信息集合；
将所确定的各个预测分支置信度信息组成预测分支置信度信息集合。
4.根据权利要求2所述的方法，其中，所述根据所述分支目标概率分布信息集合和所述预测分支置信度信息集合，生成预测视差图的置信度信息，包括：
将对应所述主分支的分支目标概率分布信息确定为主分支目标概率分布信息；
将对应所述各个辅助分支的各个分支目标概率分布信息确定为辅助分支目标概率分布信息集合；
对于所述辅助分支目标概率分布信息集合中的每个辅助分支目标概率分布信息，生成主分支目标概率分布信息与所述辅助分支目标概率分布信息的散度信息；
根据生成的各个散度信息，生成目标散度信息；
根据所述目标散度信息，生成对应所述各个分支中每个分支的分支置信度信息，得到分支置信度信息集合；
根据所述分支置信度信息集合以及所述预测分支置信度信息集合，生成所述预测视差图的置信度信息。
5.根据权利要求2所述的方法，其中，所述根据所述置信度信息，修正所述预测视差图，得到修正视差图，包括：
根据所述置信度信息，从所述预测视差图中选择对应的视差值满足预设置信度条件的各个像素坐标作为像素坐标集合，其中，所述预设置信度条件为视差值对应的置信度小于预设置信度阈值；
对于所述像素坐标集合中的每个像素坐标，执行以下步骤：
将预测视差图中对应所述像素坐标的各个相邻像素坐标确定为相邻像素坐标集合；
将所述相邻像素坐标集合中每个相邻像素坐标对应的视差值确定为相邻视差值，得到相邻视差值集合；
将所述相邻视差值集合包括的各个相邻视差值的均值确定为目标视差值；
将所述像素坐标对应的视差值替换为所述目标视差值；
将替换各个视差值后的预测视差图确定为修正视差图。
6.一种视差图修正装置，包括：
获取单元，被配置成获取双目图像中的左图像和右图像；
输入单元，被配置成将所述左图像和所述右图像重复输入多分支的立体匹配网络，得到各个分支对应的各个分支概率分布信息集合，其中，所述各个分支包括一个主分支和至少一个辅助分支，所述各个分支中的分支对应所述各个分支概率分布信息集合包括的分支概率分布信息集合；
第一生成单元，被配置成根据所述各个分支概率分布信息集合，生成分支目标概率分布信息集合和预测分支置信度信息集合，其中，所述分支目标概率分布信息集合包括对应所述主分支的分支目标概率分布信息，以及对应所述至少一个辅助分支中各个辅助分支的各个分支目标概率分布信息；
第二生成单元，被配置成根据所述分支目标概率分布信息集合和所述预测分支置信度信息集合，生成预测视差图的置信度信息；
修正单元，被配置成根据所述置信度信息，修正所述预测视差图，得到修正视差图。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
声音播放设备，被配置成播放声音；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN202210715254.6A 2022-06-23 2022-06-23 视差图修正方法、装置、设备和计算机可读介质 Active CN114782290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210715254.6A CN114782290B (zh) 2022-06-23 2022-06-23 视差图修正方法、装置、设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210715254.6A CN114782290B (zh) 2022-06-23 2022-06-23 视差图修正方法、装置、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN114782290A true CN114782290A (zh) 2022-07-22
CN114782290B CN114782290B (zh) 2022-11-08

Family

ID=82422482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210715254.6A Active CN114782290B (zh) 2022-06-23 2022-06-23 视差图修正方法、装置、设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN114782290B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631887A (zh) * 2016-01-18 2016-06-01 武汉理工大学 基于自适应支持权重匹配算法的两步视差改良方法及系统
US20180061046A1 (en) * 2016-08-31 2018-03-01 International Business Machines Corporation Skin lesion segmentation using deep convolution networks guided by local unsupervised learning
US20180177461A1 (en) * 2016-12-22 2018-06-28 The Johns Hopkins University Machine learning approach to beamforming
CN109919993A (zh) * 2019-03-12 2019-06-21 腾讯科技（深圳）有限公司 视差图获取方法、装置和设备及控制系统
CN111259945A (zh) * 2020-01-10 2020-06-09 大连理工大学 引入注意力图谱的双目视差估计方法
CN112862877A (zh) * 2021-04-09 2021-05-28 北京百度网讯科技有限公司 用于训练图像处理网络和图像处理的方法和装置
CN113313740A (zh) * 2021-05-17 2021-08-27 北京航空航天大学 一种基于平面连续性的视差图和表面法向量联合学习方法
CN114358133A (zh) * 2021-12-09 2022-04-15 武汉市虎联智能科技有限公司 一种基于语义辅助双目视觉slam检测回环帧的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631887A (zh) * 2016-01-18 2016-06-01 武汉理工大学 基于自适应支持权重匹配算法的两步视差改良方法及系统
US20180061046A1 (en) * 2016-08-31 2018-03-01 International Business Machines Corporation Skin lesion segmentation using deep convolution networks guided by local unsupervised learning
US20180177461A1 (en) * 2016-12-22 2018-06-28 The Johns Hopkins University Machine learning approach to beamforming
CN109919993A (zh) * 2019-03-12 2019-06-21 腾讯科技（深圳）有限公司 视差图获取方法、装置和设备及控制系统
CN111259945A (zh) * 2020-01-10 2020-06-09 大连理工大学 引入注意力图谱的双目视差估计方法
CN112862877A (zh) * 2021-04-09 2021-05-28 北京百度网讯科技有限公司 用于训练图像处理网络和图像处理的方法和装置
CN113313740A (zh) * 2021-05-17 2021-08-27 北京航空航天大学 一种基于平面连续性的视差图和表面法向量联合学习方法
CN114358133A (zh) * 2021-12-09 2022-04-15 武汉市虎联智能科技有限公司 一种基于语义辅助双目视觉slam检测回环帧的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANDREAS KLAUS ET AL.: ""Segment-Based Stereo Matching Using Belief Propagation and a Self-Adapting Dissimilarity Measure"", 《2006 18TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 *
徐昇 等: ""基于视差图优化的立体匹配算法研究"", 《计算机工程与设计》 *

Also Published As

Publication number Publication date
CN114782290B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN109816589B (zh) 用于生成漫画风格转换模型的方法和装置
CN109858445B (zh) 用于生成模型的方法和装置
US11455830B2 (en) Face recognition method and apparatus, electronic device, and storage medium
US11436863B2 (en) Method and apparatus for outputting data
CN111368685B (zh) 关键点的识别方法、装置、可读介质和电子设备
CN109829432B (zh) 用于生成信息的方法和装置
CN109993150B (zh) 用于识别年龄的方法和装置
CN110009059B (zh) 用于生成模型的方法和装置
CN109981787B (zh) 用于展示信息的方法和装置
CN113505848B (zh) 模型训练方法和装置
CN110059623B (zh) 用于生成信息的方法和装置
CN108470179B (zh) 用于检测对象的方法和装置
CN111539903B (zh) 训练人脸图像合成模型的方法和装置
CN114898177B (zh) 缺陷图像生成方法、模型训练方法、设备、介质及产品
CN115546293A (zh) 障碍物信息融合方法、装置、电子设备和计算机可读介质
CN115578570A (zh) 图像处理方法、装置、可读介质及电子设备
CN115270981A (zh) 对象处理方法、装置、可读介质及电子设备
CN112037305B (zh) 对图像中的树状组织进行重建的方法、设备及存储介质
CN111899747B (zh) 用于合成音频的方法和装置
CN110414625B (zh) 确定相似数据的方法、装置、电子设备及存储介质
US20240290135A1 (en) Method, electornic device, and storage medium for image processing
CN114782290B (zh) 视差图修正方法、装置、设备和计算机可读介质
US11810336B2 (en) Object display method and apparatus, electronic device, and computer readable storage medium
CN115326079A (zh) 车辆车道级定位方法、装置、设备和计算机可读介质
CN115757933A (zh) 推荐信息生成方法、装置、设备、介质和程序产品

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant