基于多阶融合与循环聚合的立体匹配网络

张瑞峰 任国明 李锵 段子阳,2

(1．天津大学 微电子学院,天津 300072；2.中国电子科技集团公司 第五十三研究所,天津 300300)

立体匹配，又称视差估计，是计算机视觉领域的研究热点之一，广泛应用于自动驾驶、三维重建和增强现实等领域[1- 3]。立体匹配的目标是从立体图像对中寻找像素点之间的匹配关系，进而生成视差图。由于自然场景中存在大量的病态区域，如遮挡区域、弱纹理区域和反光区域等，因此直接从立体图像中寻找匹配像素点是一项极具价值和挑战性的任务。

立体匹配算法可以归结为匹配代价计算、代价聚合、视差计算和视差优化4个步骤[4]。近年来，得益于硬件计算能力的提升和大规模数据集的出现，卷积神经网络(Convolutional Neural Networks,CNN)在计算机视觉领域显示出了一定的优势；因此，研究人员开始将注意力转向利用CNN处理立体匹配问题，取得了远优于传统算法的匹配效果。在初期阶段，许多研究工作试图利用CNN构建具有特定功能的模块，用以取代上述4个步骤中的某一项。bontar等[5]率先提出使用CNN计算匹配代价，并设计连体(Siamese)卷积神经网络用以度量小图像块之间的相似性；针对代价聚合步骤，Seki等[6]提出半全局匹配网络(SGM-Nets)，该方法利用CNN学习半全局匹配(Semi-Global Matching,SGM)算法中的惩罚项参数。

此类方法与传统算法相比虽然匹配精度有所提升，但是在图像的病态区域仍然难以获得准确的匹配结果，而且仍需添加人工设计的后处理步骤，限制了其在实际场景中的应用。最近，端对端(End-to-End)深度网络模型由于其强大的表征能力和拟合能力在许多计算机视觉任务中取得显著成效(如语义分割、目标检测等[7- 8])。……