一种基于Hopfield网络的立体匹配方法

立体匹配是计算机视觉研究的经典难题，其算法的复杂度和精度直接影响了视觉系统对外部景物的重建性能。为此提出了一种新的基于神经网络的立体匹配方法，其基本思想是：在实现核线重排的前提下，利用唯一性、相容性以及相似性等匹配约束条件，建立反映对应极线间所有匹配点约束关系的能量函数，将其映射到二维Hopfield网络进行极小化求解，网络最后的稳态表示匹配点的对应关系；通过对图中所有极线进行上述操作，可以得到所求的视差图。与传统方法相比，本算法具有两个明显的特点：(1)匹配基元采用了普通的图像点，可以直接获得稠密的深度图；(2)Hopfield网的外部输入不再为常数，而是一个反映对应点灰度相似性关系的值。通过对合成图以及真实图景进行测试，验证了该方法的有效性。     

基于卷积神经网络的高效精准立体匹配算法

针对基于卷积神经网络的立体匹配算法普遍存在参数量巨大、精度不足等问题,提出一种基于卷积神经网络的高效精准立体匹配算法.首先设计了一个融合多尺寸上下文信息的特征提取网络,提高不适定区域(Ill-posed regions)的匹配精度;其次,改进现有的相似度计算步骤,在保证匹配精度的同时,大量减少了网络的参数量;最后,提出一种轻量级的基于注意力机制的视差精修算法,从通道与空间维度上关注并修改初始视差图错误的像素点.与GC-Net在标准数据集Sceneflow上的对比实验表明,该算法在参数量减少14%的同时,匹配精度提高超过了50%.     

边缘引导特征融合和代价聚合的立体匹配算法

针对立体匹配在精细结构,尤其边缘处的误差较大的问题,提出了利用边缘引导特征融合和代价聚合的立体匹配算法。利用图像边缘引导不同尺度特征体加权融合,即对小尺度特征体的边缘处,大尺度特征体的非边缘处赋予更大权重,以获得表征能力更强的融合特征体。在代价聚合阶段弱化边缘处匹配代价,减少不可靠信息传播。所提方法在SceneFlow和KITTI 2015数据集进行了评估,将基准网络PSMNet的误差分别降低了35.2%、2.2%。实验证明,边缘信息的引入针对性地改善了现有算法在精细结构处（尤其边缘处）的视差求解,提高了整体预测精度。此外,所提的模块是轻量的,可适用于不同的立体匹配网络。     

基于区域分割和邻域相关性的立体匹配算法

提出一种在图像分割基础上生成稠密视差图的立体匹配算法,利用滑动窗口生成鲁棒性较好的视差空间图DSI,运用分水岭算法将图像分割成多个小区域,根据每个区域在视差空间图内的视差分布情况计算该区域的信赖度,并综合各区域的邻域对其产生的影响,以获得稠密视差图,采用国际标准数据对该算法进行测试,实验结果表明,该算法能够获得较好的匹配结果。     

基于多尺度卷积神经网络的立体匹配算法研究

针对传统障碍物检测中的立体匹配算法存在特征提取不充分，在复杂场景和光照变化明显等区域存在误匹配率较高，算法所获视差图精度较低等问题，提出了一种基于多尺度卷积神经网络的立体匹配方法。首先，在匹配代价计算阶段，建立了一种基于多尺度卷积神经网络模型，采用多尺度卷积神经网络捕获图像的多尺度特征。为增强模型的抗干扰和快速收敛能力，在原有损失函数中提出改进，使新的损失函数在训练时可以由一正一负两个样本同时进行训练，缩短了模型训练时间。其次，在代价聚合阶段，构造一个全局能量函数，将二维图像上的最优问题分解为四个方向上的一维问题，利用动态规划的思想，得到最优视差。最后，通过左右一致性检测对所得视差进行进一步精化，得到最终视差图。在Middlebury数据集提供的标准立体匹配图像测试对上进行了对比实验，经过实验验证算法的平均误匹配率为4.94%，小于对比实验结果，并提高了在光照变化明显以及复杂区域的匹配精度，得到了高精度视差图。     

基于Hopfield神经网络的盲检测数字水印

提出了一种基于Hopfield神经网络的盲检测数字水印算法。基于噪声可见函数实现了水印的自适应嵌入,利用Hopfield神经网络记忆宿主图像以及原始水印信息。在水印检测时,通过神经网络从嵌入水印的图像中联想出宿主图像和水印嵌入信息,再利用嵌水印图像和联想出的宿主图像提取出水印,实现了水印的盲检测。     

一种改进的立体视觉匹配算法*

针对目前双目立体视觉匹配算法匹配误匹配率高的问题,提出了一种具有尺度不变特性的 Harris检测算法,将SIFT特征描述子引入到Harris特征的描述过程当中,使其提取到的特征具有旋转、尺度、亮度不变性。并且为了提高匹配精度,采用RANSAC法去除误匹配来降低误匹配率。相对于经典的 Harris算法,该算法提取的特征具有尺度不变特性且误匹配率降低,是一种有效可行的立体匹配算法。     

一种改进的立体像对密集点匹配算法

文中研究在随机光场照射下基于窗口的密集点匹配算法。针对基于窗口匹配中出现的细节平滑问题,提出了在窗口内对像素点引入权值参数来提高细节部分测量精度的方法。在匹配前对图像进行校正,使得各极线和图像坐标系的横轴平行,在匹配过程中不需要再计算极线方程,大大提高了匹配的效率。根据待匹配图像的灰度信息和摄像机的内外参数信息,通过求解对应窗口内像素点向量夹角的方式进行双目立体匹配。在试验中,完成了棋盘格图像的密集点匹配,并与典型区域匹配算法进行了匹配效率与视差图效果的对比分析,验证了文中算法在匹配效率和视差图效果方面的优越性。     

基于双目视觉的深度图立体匹配算法研究改进

双目立体视觉可以直接模仿人眼与人类视觉的立体感知过程,是计算机视觉研究的核心课题之一。文章主要针对图像的立体匹配算法研究,对区域相关算法进行了分析。在传统的NCC基本灰度相关度测度函数的基础上,将动态规划优化理论引入到匹配中,提高了匹配的速度和准确度。实验表明,本文算法能够满足目标跟踪试验要求,具有重要的理论意义和较高的实用价值。     

基于Hopfield神经网络的WSN分布式拓扑

提出一种基于Hopfield神经网络模型的传感器网络的分布式广播算法。在已有网络拓扑的基础上对其数据获取方式进行改进。用优化的Hopfield神经网络模型在各簇中分别从广播源点开始遍历所有传感节点,并返回广播源点的最优链路。利用Hopfield神经网络收敛速率快、通信路径最优,且易于硬件电路实现的特点,形成了能量消耗较少、延时较小的WSN网络,它是一种能量高效的网络。     

基于连续函数的自反馈Hopfield神经网络图像复原算法

在分析图像复原的Hopfield神经网络恢复算法的基础上,提出了一种基于连续函数的全并行自反馈改进算法,利用该算法对匀速直线运动模糊图像进行复原,并与Paik方法得到的复原图像进行比较,发现该方法得到的复原图像信噪比提高显著,且恢复过程加快。     

基于自适应迭代松弛的立体点对匹配鲁棒算法

图像匹配是立体视觉的重要部分,也是双目立体测量系统必须解决和最难解决的问题。为了对图像进行鲁棒性匹配,提出了一种基于自适应迭代松弛的立体点对匹配方法。该方法首先利用视差梯度约束来构造匹配支持度函数;然后通过松弛方法优化该函数来完成立体点对的匹配。由于利用了动态更新松弛匹配过程参数的方法,因此有效地降低了误匹配率和误剔除率。在此基础上还提出了对松弛过程结束后的匹配结果,再次使用视差梯度约束来进行进一步检验的策略,该策略能够以一定幅度的误剔除率提升为代价,大幅度降低了误匹配率,从而可满足许多要求严格限制误匹配率的应用。实验结果证明,该新算法是有效的,并已经用于一个双目立体测量原型系统当中。     

基于自适应权重的改进Census立体匹配算法

针对传统Census算法对噪声敏感且在弱纹理区域匹配精度低的不足,提出一种基于自适应权重的改进算法.在代价计算阶段,通过空间相似度加权计算得到参考像素值,设定阈值限定参考值与中心点像素的差异,使算法能够判断中心点是否发生突变并自适应选择中心参考像素值.在代价聚合阶段,引入多尺度聚合策略,将引导滤波作为代价聚合核函数,加...     

自适应窗口的时间规整立体匹配算法

针对立体视觉中图像对应点的误匹配问题,以时间规整算法(DTW)为基础,提出了自适应窗口的立体匹配算法．根据外极线的约束,在自适应窗口内采用灰度相关技术得到长度不相等的两个灰度段作为相容的匹配序列;利用动态规划法及连续性约束寻找一条最佳的匹配路径．根据回溯得到的匹配路径及其坐标值得到高密度视差图．实验结果表明,该算法具有较高的运行效率和良好的匹配效果．     

一种光照度不一致鲁棒立体匹配算法

为了提高光照度不一致立体图像对的匹配率,提出一种基于对数颜色空间下改进极线距离变换的立体匹配算法.在对数颜色空间下,首先根据初始视差图计算立体图像对的灰度比;然后,采用与灰度比成比例的灰度误差系数,分别对左右图像进行极线距离变换;最后利用置信度传播算法计算视差图.理论上,本文算法的匹配结果不会受光源位置、光源谱分布、光照强度以及摄像机参数设置等光照度不一致因素的影响.实验表明:本文算法的匹配率相对于原始极线距离变换算法最多可提高60%;而应用于弱纹理图像对时,相对于当前先进的自适应归一化算法,匹配率最多可提高78%.     

基于CS的Hopfield神经网络数字识别应用

介绍了布谷鸟搜索(cuckoo search, CS)和Hopfield神经网络的基本原理,研究了基于Hopfield神经网络的数字识别应用。针对Hopfield网络权值在数字识别时易陷入局部最优,提出将CS引入Hopfield神经网络的解决方法。利用CS对复杂、多峰、非线性极不可微函数的全局搜索能力,使Hopfield网络在较高噪信比的情况下仍保持较高的联想成功率,并进行了仿真。仿真结果表明,该方法识别数字的效果更佳。     

基于混沌神经网络的图像复原算法

文章提出了一种基于混沌神经网络的图像复原新算法。在对退化图像进行复原的过程中,针对Hopfield算法易于陷入局部极小的缺点,在Hopfield神经网络中引入暂态混沌和时变增益,充分利用混沌理论的全局搜索性能进行＂粗＂搜索,当搜索到全局最优解附近时,再利用Hopfield算法进行局部搜索。通过对图像复原后的效果进行比较,证明基于混沌神经网络方法得到的图像复原的信噪比更高,目视效果更加。     

TSP及其基于Hopfield网络优化的研究

Ｈｏｐｆｉｅｌｄ网络（ＨＮＮ）是一种有效的优化模型,但存在易收敛到非法解或局部极小以及对模型参数与初值依赖性强的缺点。旅行商问题（ＴＳＰ）是研究算法性能的典型算例,通过对其进行计算机仿真优化,分析归纳了ＨＮＮ模型存在缺点的原因,总结并提出若干改进方法与思想。同时,针对ＴＳＰ问题的工程背景提出了若干发展性研究内容与方法。     

基于遗忘进化规划的Hopfield网学习算法

本文提出了一个基于遗忘进化规划的Hopfield网学习算法.通过遗忘部分个体,算法能避免局部最小.给定不动点、极限环或迭代序列,通过解不等式,算法能同时获得Hopfield网的拓扑结构和权值.该算法克服了进化Hopfield网学习的局限性.它还能找到多个优化解.实验也证明了该算法的有效性.     

基于视差优化的立体匹配网络

现有的立体匹配算法通常采用深层卷积神经网络提取特征,对前景物体的检测更加精细,但对背景中的小物体及边缘区域匹配效果较差。为提高视差估计质量,构建一个基于视差优化的立体匹配网络CTFNet。分别提取浅层与深层特征,并基于深层特征构建全局稀疏代价卷,从而预测初始视差图。在预测的初始视差图和浅层特征的基础上构建局部稠密代价卷并进行视差优化,以细化预测视差值邻域的概率分布,提高特征不明显区域的匹配精度。此外,引入新的概率分布损失函数,监督softmax函数计算的视差值概率分布在真实视差值附近成单峰分布,提高算法的鲁棒性。实验结果表明,该网络在SceneFlow和KITTI数据集上的误匹配率分别为0.768%和1.485%,在KITTI测评网站上的误差率仅为2.20%,与PSMNet网络相比,精度和速度均得到一定提升。