一种面向电力设备尺寸测量的双目立体匹配算法制造技术

本发明专利技术公开了一种面向电力设备尺寸测量的双目立体匹配算法，包括：将原始左视图和右视图灰度化并采用GAMMA矫正算法对颜色空间标准化；基于元学习对多尺寸图像进行特征提取得到特征金字塔；使用反卷积网络对高层特征图进行上采样，得到与原始图像同尺寸的特征图；将左右视图的相应通道沿视差维度逐像素错位串联得到4D代价体，对代价体各通道进行垂直梯度图计算和水平梯度图计算，并计算核边缘均值代替核中心值；通过对代价体使用3D卷积核反卷积操作进行正则化，进而获取视差图。本发明专利技术所提供的算法能够有效降低反光，光照噪声以及小范围遮挡对于立体匹配的影响。围遮挡对于立体匹配的影响。围遮挡对于立体匹配的影响。

【技术实现步骤摘要】
一种面向电力设备尺寸测量的双目立体匹配算法


[0001]本专利技术涉及计算机视觉
，尤其涉及一种面向电力设备尺寸测量的双目立体匹配算法。

技术介绍

[0002]电力行业中，户外电气设备在安装施工的过程中，对与设备尺寸测量有较高要求，例如铁塔安装尺、输电线路的对地距离、地脚螺栓尺寸匹配等各类电气设备的测量。利用计算机视觉进行尺寸测量常基于双目相机技术进行，双目相机通过左右视图获取深度图的技术重心在于双目立体匹配算法。
[0003]立体匹配算法的目的在于获取左右视图中的同名点，并利用三角测量获取深度图。立体匹配算法分为传统立体匹配算法和深度学习立体匹配算法，基于深度学习的立体匹配算法在最近几年快速发展，在匹配精度与匹配效率上均取得了超过传统算法的表现。基于深度学习的端到端立体匹配算法利用基于深度网络的特征提取器代替传统人工设计的特征提取函数，经参数共享的卷积模块提取特征后按相关性操作或拼接操作构建代价体，最后根据代价体的维度进行不同的卷积操作以回归出视差图。然而现有的双目立体匹配算法对于反光、遮挡的问题解决的不够好，且深度学习网络的训练需要大量样本及超参数的调试。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。<br/>[0006]因此，本专利技术解决的技术问题是：现有的双目立体匹配算法对于反光、遮挡的问题解决的不够好的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：将原始左视图和右视图灰度化并采用GAMMA矫正算法对颜色空间标准化；
[0008]基于元学习对多尺寸图像进行特征提取得到特征金字塔；
[0009]使用反卷积网络对高层特征图进行上采样，得到与原始图像同尺寸的特征图；
[0010]将左右视图的相应通道沿视差维度逐像素错位串联得到4D代价体，对代价体各通道进行垂直梯度图计算和水平梯度图计算，并计算核边缘均值代替核中心值；
[0011]通过对代价体使用3D卷积核反卷积操作进行正则化，进而获取视差图。
[0012]作为本专利技术所述的面向电力设备尺寸测量的双目立体匹配算法的一种优选方案，其中：将原始左视图和右视图灰度化具体包括，
[0013]使用双目相机获得左右RGB3通道视图ir_r、ir_l，并对原始左视图和右视图灰度化得到灰度图gray_r、gray_l；
[0014]采用GAMMA矫正算法对颜色空间标准化的具体操作包括，
[0015]采用GAMMA矫正算法对颜色空间标准化，分别进行两次GAMMA变换得到图像gm_r1、gm_r2、gm_l1、gm_l2；
[0016]GAMMA矫正公式为：
[0017][0018]其中，V
out
表示输出图像，V
in
表示归一化后的输入图像，取值范围为0～1，γ表示gamma参数；
[0019]当γ小于1时，较亮的区域灰度被拉伸，较暗的区域灰度被压缩的更暗，图像整体变暗；
[0020]当γ大于1时，较亮的区域灰度被压缩，较暗的区域灰度被拉伸的较亮，图像整体变亮。
[0021]作为本专利技术所述的面向电力设备尺寸测量的双目立体匹配算法的一种优选方案，其中：所述特征金字塔的获取包括，
[0022]将图像gm_r1、gm_r2、gm_l1、gm_l2作为左右视图的4、5通道与原始图像ir_r、ir_l进行拼接得到代价计算输入图像in_r、in_l，特征提取阶段基于元学习对多尺寸图像进行特征提取得到特征金字塔。
[0023]作为本专利技术所述的面向电力设备尺寸测量的双目立体匹配算法的一种优选方案，其中：包括，
[0024]在特征提取深度网络种引入空洞卷积，空洞卷积相对于常规卷积增加了扩张率ε，采用混合空洞卷积的方式保证图像信息能够得到增强，并获取不同的感受野大小以提取多尺度特征；
[0025]设置特征提取网络模型，网络总层数为17层；
[0026]第一层为卷积核大小为5
×
5的卷积层，2～4层分别为两个3
×
3卷积层和空洞卷积层，5
‑
16层为2
‑
4层的重复，每一个卷积都跟着一个BN层以及一个ReLU层，最后一层为3
×
3卷积层；
[0027]空洞卷积的扩张率设置为ε＝(1,3,5)，卷积核大小设置为3
×
3；
[0028]设计扩张率ε满足公式C
i
≤K
[0029]C
i
＝max[C
i+1
‑
2ε
i
,C
i+1
‑
2(C
i+1
‑
ε
i
)][0030]其中ε
i
表示空洞卷积率，K表示卷积核尺寸，C
i
为表示第i层扩张率。
[0031]作为本专利技术所述的面向电力设备尺寸测量的双目立体匹配算法的一种优选方案，其中：包括，
[0032]对于扩张率为ε
i
，卷积核大小为k的空洞卷积，扩张后的卷积核大小为k
′
，k
′
＝k+(k
‑
1)
×
(r
‑
1)，感受野的计算公式为(r
‑
1)*(k
‑
1)+k+2)2。
[0033]作为本专利技术所述的面向电力设备尺寸测量的双目立体匹配算法的一种优选方案，其中：还包括，
[0034]确定元学习学习器初始参数Φ，深度学习网络参数为f
θ
，收集电力设备的图像样本数据，针对铁塔、避雷器、消防栓、变压器、开关柜以及室外及室内场景划分为10个任务场景，将样本数据分为不同的训练任务Task
i
，针对Task
i
得到适应具体任务的最优参数
然后在不同任务的样本集D
test
上进行测试，使用梯度下降法使得元学习的损失函数取得最小值；
[0035]元学习器的损失函数L
Φ
的计算包括，
[0036][0037]Φ
*
＝argminL
Φ
[0038]其中，l
n
表示每个任务的损失值,Φ
*
表示最优的学习器；
[0039]对元学习器的损失韩式进行梯度下降法可得：
[0040][0041]其中，Φ表示元学习学习器初始参数，表示学习器参数梯度，N表示任务总数，n表示第n个任务。
[0042]作为本专利技术所述的面向电力设备尺寸测量的双目立体匹配算法的一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向电力设备尺寸测量的双目立体匹配算法，其特征在于，包括：将原始左视图和右视图灰度化并采用GAMMA矫正算法对颜色空间标准化；基于元学习对多尺寸图像进行特征提取得到特征金字塔；使用反卷积网络对高层特征图进行上采样，得到与原始图像同尺寸的特征图；将左右视图的相应通道沿视差维度逐像素错位串联得到4D代价体，对代价体各通道进行垂直梯度图计算和水平梯度图计算，并计算核边缘均值代替核中心值；通过对代价体使用3D卷积核反卷积操作进行正则化，进而获取视差图。2.如权利要求1所述的面向电力设备尺寸测量的双目立体匹配算法，其特征在于：将原始左视图和右视图灰度化具体包括，使用双目相机获得左右RGB3通道视图ir_r、ir_l，并对原始左视图和右视图灰度化得到灰度图gray_r、gray_l；采用GAMMA矫正算法对颜色空间标准化的具体操作包括，采用GAMMA矫正算法对颜色空间标准化，分别进行两次GAMMA变换得到图像gm_r1、gm_r2、gm_l1、gm_l2；GAMMA矫正公式为：其中，V
out
表示输出图像，V
in
表示归一化后的输入图像，取值范围为0～1，γ表示gamma参数；当γ小于1时，较亮的区域灰度被拉伸，较暗的区域灰度被压缩的更暗，图像整体变暗；当γ大于1时，较亮的区域灰度被压缩，较暗的区域灰度被拉伸的较亮，图像整体变亮。3.如权利要求2所述的面向电力设备尺寸测量的双目立体匹配算法，其特征在于：所述特征金字塔的获取包括，将图像gm_r1、gm_r2、gm_l1、gm_l2作为左右视图的4、5通道与原始图像ir_r、ir_l进行拼接得到代价计算输入图像in_r、in_l，特征提取阶段基于元学习对多尺寸图像进行特征提取得到特征金字塔。4.如权利要求1～3任一所述的面向电力设备尺寸测量的双目立体匹配算法，其特征在于：包括，在特征提取深度网络种引入空洞卷积，空洞卷积相对于常规卷积增加了扩张率ε，采用混合空洞卷积的方式保证图像信息能够得到增强，并获取不同的感受野大小以提取多尺度特征；设置特征提取网络模型，网络总层数为17层；第一层为卷积核大小为5
×
5的卷积层，2～4层分别为两个3
×
3卷积层和空洞卷积层，5
‑
16层为2
‑
4层的重复，每一个卷积都跟着一个BN层以及一个ReLU层，最后一层为3
×
3卷积层；空洞卷积的扩张率设置为ε＝(1,3,5)，卷积核大小设置为3
×
3；设计扩张率ε满足公式C
i
≤KC
i
＝max[C
i+1
‑
2ε
i
,C
i+1
‑
2(C
i+1
‑
ε
i
)]其中ε
i
表示空洞卷积率，K表示卷积核尺寸，C
i
为表示第i层扩张率。
5.如权利要求4所述...

【专利技术属性】
技术研发人员：陈勇，蒋宏，李萌，李松，王云辉，李欣明，王涛，谢珉，杨永昆，
申请(专利权)人：云南电网有限责任公司，
类型：发明
国别省市：