双目立体视觉技术是指使用计算机或相关设备模拟生物视觉系统,使其能够根据二维平面图像感知现实场景中的三维物体,是机器视觉的一种重要形式。目前,双目立体视觉技术广泛应用于机器人导航和控制,车辆自动驾驶,三维场景信息重建等多个领域。本文重点研究了基于卷积神经网络的匹配代价计算过程,设计了一种基于非对称金字塔池化的立体匹配网络架构,主要研究工作如下:(1)本文提出非对称金字塔池化算法,该算法在图像处理过程中根据图片尺寸自适应的调整池化方式,全面提取图像特征,为后续立体匹配步骤提供详细的特征信息。结合孪生神经网络(Siamese Neural Network),以左右视图的局部区域(图像块)作为网络的输入,经过非对称金字塔池化网络和点积运算得到图像块初始匹配代价。(2)本文设计一种多尺度提取特征的卷积神经网络结构,在上述改进的金字塔池化层后叠加两层额外卷积层进行多尺度信息融合和参数降维,同时采用上采样操作恢复图像原始特征,级联操作整合特征信息。此外,设置两组对比实验分析额外卷积层参数对网络匹配精度和收敛速度的影响,设置三组卷积神经网络深度对比实验,确定立体匹配网络深度。最后,综合所有实验选择最优的参数设定网络结构,训练网络模型计算图像对的匹配代价。(3)最后,结合立体匹配后续步骤,完成整个基于卷积神经网络的立体匹配算法。根据半全局匹配代价聚合方法处理初始代价值;采用“赢家通吃”规则计算视差,得到初始视差值;通过视差后处理技术优化视差图,弥补传统卷积神经网络所存在的缺陷,获得了更加平滑的视差效果。本文参考经典卷积神经网络匹配算法和先进图像处理技术,改进金字塔池化算法,经实验证明改进的池化算法能够有效降低初始匹配错误率。设计高效立体匹配网络,通过叠加额外卷积层提升网络匹配精度和收敛速度。最终实验结果表明,与基准算法相比,所提算法收敛时间缩短了约50.1%,匹配错误率从6.65%降低至4.78%。