基于深度学习的双目测距系统分析

李 丹,洪明峰

(安徽工业大学 电气与信息工程学院,安徽 马鞍山 243002)

0 引言

无人驾驶技术对室外环境中的目标检测与距离测量有着极高的要求.传统的目标检测采用了诸如梯度直方图[1]和尺度不变特征变换[2]等方法,在视觉导航[3]和智能视频监控[1]中获得良好的检测效果.但传统的目标检测方法计算量较大,时间复杂度高.随着深度学习的发展,目标检测方向上提出了越来越多的基于卷积神经网络(CNN)的方法,例如2014年提出的基于分类思想的R-CNN,之后被改进为fast-R-CNN[5]和faster-R-CNN[6].Yang等[7]提出了Fast-YOLO模型,并结合半全局匹配(Semi-global Matching, SGM)算法识别和定位物体.Liu Wei[8]等提出SSD,使用多尺度特征图进行目标检测.Howard Andrew G[9]等人提出了深度可分离卷积MobileNet网络,使深度学习以较高的速度运行在移动端以及嵌入式平台上.基于深度学习的目标检测算法,比传统算法具有速度快、精度高、鲁棒性高等特点.

在距离测量上,现有的应用技术是激光雷达等主动式传感器[10-11]但其造价昂贵,且测量范围有限;而摄像头作为一种被动式传感器,价格低廉,测量范围广,具有广阔的应用前景.在摄像头测距这一方面,双目视觉技术是一种常用的方法,它利用两个及以上摄像头同时拍摄得到不同视角的同一目标图像,并借助双目相机模型[12]矫正左右图像的畸变,最后通过图像点的立体特征匹配计算出目标物的部分三维信息,完成目标检测及距离测量.其中立体特征匹配方法是从图像的边缘,颜色和纹理等特征中找……