随着人工智能技术的飞速发展,众多应用都对三维空间环境的理解提出了越来越高的要求。增强现实技术,自动驾驶技术,三维重建及定位技术,无人机技术,机器人同时定位与建图技术等应用场景都对测距技术有较高要求。双目测距技术作为一种非接触测距方案,由于其成本低、易部署、可靠性强等优点,一直受到广泛的研究与应用。本文将深度学习技术应用于双目视觉测距领域,并通过不断结合双目视觉测距任务本身的几何特性,逐步提升算法的实用性。本文的主要研究内容如下:1.本文研究一种结合边缘信息的全卷积网络视差预测方法。在分析了双目视差预测问题输入输出形式的基础上,本文将双目视差预测问题建模为一个图像生成问题进行解决。在此基础上,本文设计了一个全卷积网络对视差图进行预测,并结合视差图的自身特性,通过结合边缘与视觉信息,并构造边缘感知视差平滑损失函数以提升算法性能。2.本文研究一种融合多层几何信息的伪3D卷积网络视差预测方法。本文将双目视觉问题自身的几何特性引入神经网络设计中,通过将左右目输入图像多层的信息进行融合并通过移位拼接构造4D代价体,使神经网络能显式地利用到视差的几何特性。在获得4D代价体后,通过伪3D卷积与转置3D卷积对4D代价体进行进一步的处理,并最终通过软argmin函数获得视差图。该方法获得的视差图准确度较高,并且有较好的泛化能力。3.本文研究一种基于左右目图像重建的无监督自适应视差预测方法。通过对双目视觉问题中左右目图像与视差图之间关系深入分析,本文使用左右目输入图像与视差图完成左右目图像的重建,并通过计算重建图像损失作为反向传播信号进行神经网络训练,最终实现了采用无监督学习机制的视差预测方法。该方法能取得较好的视差预测效果,并且具备在线自适应更新能力,具有较高的实用性。