1.一种基于卷积神经网络的自适应场景双目立体匹配方法,其特征在于,包括:
判断是否有已训练好的深度神经网络模型,如果已有训练好的深度神经网络模型,则直接加载网络模型参数,同时将检测出的目标车辆图像坐标作为所述深度神经网络模型的输入,然后通过前向传播算法预测距离数据;
如果没有训练好的深度神经网络模型,则加载包含目标车辆图像坐标的训练样本,然后通过深度神经网络模型对样本进行训练,以计算网络模型参数并存储。
2.根据权利要求1所述的一种基于卷积神经网络的自适应场景双目立体匹配方法,其特征在于,
所述深度神经网络模型的输入数据是由双目摄像头输出并经校正后的左、右两幅图像。
3.根据权利要求2所述的一种基于卷积神经网络的自适应场景双目立体匹配方法,其特征在于,
所述训练的过程为:
所述左、右图像经过自适应场景检测算法获取图像的亮度特征和纹理特征的权重值;
匹配代价聚合,并计算和优化视差图;
利用摄像头的内、外参数将二维图像重投影到三维空间,根据三维空间的高度和深度信息检测出潜在障碍物。
4.根据权利要求1-3任意一项所述的一种基于卷积神经网络的自适应场景双目立体匹配方法,其特征在于,
所述深度神经网络模型由两个子网络组成,每个子网络为卷积神经网络联结通用回归网络的结构,卷积神经网络占整个网络模型的2/3,余下1/3为通用回归网络。
5.根据权利要求1-3任意一项所述的一种基于卷积神经网络的自适应场景双目立体匹配方法,其特征在于,
所述训练样本经过增强处理,包括:
随机选取1/5的训练样本添加高斯噪声;
随机选取1/5的训练样本,在每幅图像中随机丢弃一个随机大小的矩形区域;
随机选取1/5的训练样本做像素平滑化;
随机选取1/5的训练样本,将rgb像素空间转换到hsv空间,并向hsv空间中的每个像素添加或减少一个随机v值,然后将处理后的hsv空间转换到rgb空间。
6.根据权利要求1-3任意一项所述的一种基于卷积神经网络的自适应场景双目立体匹配方法,其特征在于,
所述训练的损失优化采用adam算法和随机梯度下降算法相结合的方式。
7.根据权利要求1-3任意一项所述的一种基于卷积神经网络的自适应场景双目立体匹配方法,其特征在于,
所述训练使用动量学习率策略和学习率衰减策略。
8.根据权利要求1-3任意一项所述的一种基于卷积神经网络的自适应场景双目立体匹配方法,其特征在于,
所述训练的批尺寸是64。
9.根据权利要求1-3任意一项所述的一种基于卷积神经网络的自适应场景双目立体匹配方法,其特征在于,
基于l1、l2正则化方式以及随机丢弃方法来处理所述深度神经网络模型的过拟合状态。