为了解决弱纹理与遮挡区域中难以准确匹配对应点的问题,在马尔可夫随机场(Markov random field,MRF)框架下,提出一种结合卷积神经网络(convolutional neural network,CNN)与分割线索的立体匹配算法.首先,采用特征表达能力强的CNN提取立...
详细信息
为了解决弱纹理与遮挡区域中难以准确匹配对应点的问题,在马尔可夫随机场(Markov random field,MRF)框架下,提出一种结合卷积神经网络(convolutional neural network,CNN)与分割线索的立体匹配算法.首先,采用特征表达能力强的CNN提取立体图像特征并匹配区域块.同时,对图像进行区域分割.然后,基于CNN匹配结果构造MRF能量函数数据项.基于分割结果定义能量函数项,通过其他区域约束弱纹理和遮挡区域的匹配过程.最后,最优化求解能量函数计算视差.在Middlebury与KITTI数据集上验证该算法和能量函数各项的作用,并与近2年提出方法进行性能比较.结果表明,该算法准确度更高,应对弱纹理与遮挡区域效果更好.
视觉实时定位与建图(Simultaneous Localization and Mapping,SLAM)是一项关键性的计算机视觉技术,用于实现机器或机器人在未知环境中的自主定位和地图构建,在机器人导航、增强现实和无人驾驶等领域被广泛应用。随着深度方法在图像处理...
详细信息
视觉实时定位与建图(Simultaneous Localization and Mapping,SLAM)是一项关键性的计算机视觉技术,用于实现机器或机器人在未知环境中的自主定位和地图构建,在机器人导航、增强现实和无人驾驶等领域被广泛应用。随着深度方法在图像处理领域的飞速发展,二者相结合推动SLAM技术在应对更加复杂多变的环境的同时提高准确率。通过回顾传统SLAM方法流程,文中提供了对使用深度方法进行模块替代和端到端SLAM的全面概述和详细分析。此外,还介绍了视觉SLAM面临的挑战,并提出了相应的解决方案和未来的研究方向。总之,此项工作旨在帮助读者全面了解视觉SLAM技术的发展现状和潜力,并为进一步研究和应用视觉SLAM提供指导和启示。
暂无评论