基于亚像素级自监督卷积神经网络的散斑图像快速匹配
摘要
散斑结构光因只要投射一幅图像即可获取目标的三维信息而成为近年来的研究热点。针对传统算法存在散斑特征点提取数量少、误配率高、实时性差等问题，以及基于深度学习的方法存在需要昂贵的标签数据的障碍，本文提出了一种鲁棒的自监督卷积神经网络，用于实现散斑图像的快速准确匹配。首先，为了有效利用散斑投影信息，提出了一种基于动态深度可分离卷积模块的特征提取主干；其次，在特征检测分支上设计了一个坐标细化模块，该模块可将散斑特征点的坐标细化至亚像素级精度，同时在特征匹配分支上设计了一个细粒度匹配模块，以进一步提升匹配精度；最后，采用迁移学习和自监督训练的策略来克服网络对人工标注数据集的依赖，提高模型的泛化能力和特征表示能力，同时采用数据增强技术来提高模型的鲁棒性。实验结果表明：对于飞行员头盔，所提方法的散斑平均匹配准确度为92.84%，误匹配率仅为0.83%，在RTX 3060上匹配一对图像仅需46 ms；面向不同材质、大小、形貌的物体，所提方法均能够较为清晰地恢复其三维形貌特征，展现出了较好的鲁棒性。
引用本文（GB/T 7714）
李林 Li Lin, 王鹏 Wang Peng, 李岳 Li Yue, 等. 基于亚像素级自监督卷积神经网络的散斑图像快速匹配[J]. Chinese Journal of Lasers, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。