高精度双目视觉测距方法与流程

本发明属于图像处理，具体涉及高精度双目视觉测距方法。

背景技术：

1、双目视觉测距技术已经成为计算机视觉领域中的重要研究方向，并在自动驾驶、机器人导航、三维重建等多个应用领域得到了广泛应用。双目视觉测距系统通过模拟人类双眼的视差原理，利用两个相机同时拍摄同一场景的图像，通过分析图像中对应点的视差来计算场景中各点的深度信息。这种方法具有非接触、实时性强、测量精度高等优点。然而，现有的双目视觉测距技术在实际应用中仍然面临许多挑战和问题，需要进一步研究和改进。

2、目前，双目视觉测距技术的研究主要集中在视差估计、特征提取、图像增强以及多重补偿等方面。现有技术主要包括以下几种方法：传统的双目视觉测距方法主要依赖于特征点的匹配，如sift、surf、orb等特征提取算法。这些算法通过提取图像中的显著特征点，并在左右图像中进行匹配，从而计算视差。然而，这些方法在处理纹理较少或重复纹理较多的场景时，往往会出现匹配错误，导致视差估计不准确。此外，这些方法对光照变化和噪声较为敏感，在实际应用中鲁棒性较差。块匹配方法通过在左右图像中搜索固定大小的窗口，找到相似度最高的窗口对，并计算它们之间的视差。这种方法简单直观，计算量较小，但在处理复杂场景时容易受到噪声和遮挡的影响，导致视差估计精度下降。常见的块匹配算法包括ssd（sum of squared differences）和sad（sum of absolute differences）等。近年来，基于优化的方法逐渐成为视差估计的主流。这些方法通过构建能量函数，表示视差估计的代价，并通过全局优化技术找到能量最小的视差分布。常见的优化方法包括图割（graphcuts）、信赖传播（belief propagation）和半全局匹配（semi-global matching）等。这些方法能够在一定程度上提高视差估计的精度和鲁棒性，但计算复杂度较高，难以满足实时应用的需求。随着深度学习技术的发展，基于卷积神经网络（cnn）的视差估计方法逐渐兴起。这些方法通过大规模数据训练，能够自动学习图像中的高级特征，实现高精度的视差估计。常见的深度学习模型包括dispnet、gc-net、psmnet等。这些方法在处理复杂场景和光照变化时表现出色，但对计算资源和训练数据的需求较高。

技术实现思路

1、鉴于此，本发明的主要目的在于提供高精度双目视觉测距方法，提出了一种高精度、鲁棒的双目视觉测距方法，显著提升了系统在复杂环境下的测距能力和适应性。

2、本发明采用的技术方案如下：高精度双目视觉测距方法，所述方法包括：

3、步骤1：使用双目视觉图像获取设备获取目标的左视图像和右视图像；分别对左视图像和右视图像进行图像增强，得到增强右视图像和增强左视图像；

4、步骤2：分别构建增强右视图像和增强左视图像对应的多尺度金字塔，得到对应的多尺度金字塔图像；基于多尺度金字塔图像，使用多层卷积网络提取特征，得到左图像特征图和右图像特征图；

5、步骤3：基于左图像特征图和右图像特征图，在最低分辨率层进行初步视差估计，得到视差图；

6、步骤4：对视差图依次进行结构光补偿、滤光片补偿、温度补偿和振动补偿，得到补偿后视差图；

7、步骤5：基于补偿后视差图，计算双目视觉图像获取设备到目标的距离。

8、进一步的，设左视图像为和右视图像为；使用如下公式，对左视图像和右视图像进行图像增强，得到增强右视图像和增强左视图像：

9、；

10、其中，为增强左视图像；为增强右视图像；代表像素坐标位置，为x轴坐标，为y轴坐标；为预设的增强系数；为左视图像的像素均值；为右视图像的像素均值；为左视图像的像素标准差；为右视图像的像素标准差。

11、进一步的，步骤2中的多尺度金字塔的层数的范围为4到8层；所述多尺度金字塔为相位一致性多尺度金字塔，在每一层，其方向数的范围为2到6。

12、进一步的，增强左视图像对应的多尺度金字塔图像使用如下公式计算得到：

13、；

14、其中，为增强左视图像对应的第层的多尺度金字塔图像；为增强左视图像对应的第层在第个方向的幅度金字塔图像，为增强左视图像对应的第层在第个方向的幅度金字塔图像；为增强左视图像对应的第层在第个方向的相位金字塔图像，表示对其每个像素做余弦运算；为增强左视图像对应的第层在第个方向的相位金字塔图像，表示对其每个像素做正弦运算；表示将图像视为一个矩阵，然后计算其行列式值；

15、增强右视图像对应的多尺度金字塔图像使用如下公式计算得到：

16、；

17、其中，为增强右视图像对应的第层的多尺度金字塔图像；为增强右视图像对应的第层在第个方向的幅度金字塔图像，为增强右视图像对应的第层在第个方向的幅度金字塔图像；为增强右视图像对应的第层在第个方向的相位金字塔图像，表示对其每个像素做余弦运算；为增强右视图像对应的第层在第个方向的相位金字塔图像，表示对其每个像素做正弦运算。

18、进一步的，设增强左视图像在第层的相位金字塔图像为，使用如下公式计算得到：

19、；

20、其中，为增强左视图像在第层的在y轴方向的相位梯度；为增强左视图像在第层的在x轴方向的相位梯度；为取模运算；为增强左视图像在第层的相位图像；

21、设增强右视图像在第层的相位金字塔图像为，使用如下公式计算得到：

22、；

23、其中，为增强右视图像在第层的在y轴方向的相位梯度；为增强右视图像在第层的在x轴方向的相位梯度；为取模运算；为增强右视图像在第层的相位图像；为标量加法。

24、进一步的，设增强左视图像在第层的相位金字塔图像为，使用如下公式计算得到：

25、；

26、其中，表示降采样操作；为高斯核；为卷积；为增强左视图像在第层的幅度图像；为增强左视图像在第层的在y轴方向的幅度梯度；为增强左视图像在第层的在x轴方向的幅度梯度；设增强右视图像在第层的相位金字塔图像为，使用如下公式计算得到：

27、；

28、其中，为增强右视图像在第层的幅度图像；为增强右视图像在第层的在y轴方向的幅度梯度；为增强右视图像在第层的在x轴方向的幅度梯度。

29、进一步的，基于多尺度金字塔图像，使用多层卷积网络提取特征，得到第层的左图像特征图为，第层的右图像特征图为；步骤3中使用如下公式，在最低分辨率层进行初步视差估计，得到视差图：

30、；

31、其中，为视差值，表示左图像特征图和右图像特征图在同一像素位置的位移差异；为窗口大小，表示在视差估计过程中用于计算差异的局部邻域，定义了在每个像素周围考虑的像素范围；为最低分辨率层，表示多尺度金字塔的分辨率最低的一层；为预设的权重系数；为第层的左图像特征图；为第层的右图像特征图。

32、进一步的，步骤4中通过预设的结构光补偿值、滤光片补偿值、温度补偿值和振动补偿值，分别与视差图进行标量加法运算，以实现对视差图依次进行结构光补偿、滤光片补偿、温度补偿和振动补偿，得到补偿后视差图。

33、进一步的，步骤5中基于补偿后视差图，得到视差值为，再使用如下公式，计算双目视觉图像获取设备到目标的距离：

34、；

35、其中，为双目视觉图像获取设备的焦距；为双目视觉图像获取设备中两个相机之间的基线距离。

36、采用以上技术方案，本发明产生了以下有益效果：本发明利用多尺度金字塔技术，将图像分解成多个不同分辨率的层次，使得图像的全局信息和局部细节都能被有效捕捉和处理。多尺度金字塔技术通过逐层降采样，生成一系列不同分辨率的图像层，能够在不同尺度下分析和处理图像信息。结合多层卷积神经网络（cnn），本发明能够从这些多尺度金字塔图像中提取出丰富的特征信息，包括边缘、纹理、形状等高级特征。这一组合方法的优势在于，卷积神经网络通过层层卷积和池化操作，能够自动学习和提取图像中的复杂特征，使得特征提取过程更加准确和鲁棒。多尺度金字塔提供了一个多层次的图像表示，使得系统在处理复杂场景时，能够兼顾不同尺度和分辨率的信息，提高了特征提取的效果和视差估计的精度。在视差估计过程中，本发明利用卷积神经网络提取的特征图进行匹配，采用在最低分辨率层进行初步视差估计的方法。这种方法能够显著减少计算量，提高计算效率，同时利用低分辨率图像的全局结构信息，减少了细节噪声的干扰，使得初步视差估计更加稳定和鲁棒。具体来说，通过在最低分辨率层进行视差估计，系统能够快速得到一个初步的视差图，为后续高分辨率层的细化处理提供良好的初始条件。视差估计过程中，利用特征图之间的匹配代价函数，结合绝对差值和加权平方差，确保视差值的计算更加精确和可靠。这个过程充分利用了多尺度分析和深度学习提取的特征，显著提升了视差估计的精度和稳定性。