劉建國，紀(jì) 郭，顏伏伍，沈建宏，孫云飛

（1.先進能源科學(xué)與技術(shù)廣東省實驗室佛山分中心（佛山仙湖實驗室），廣東 佛山 528200；2.武漢理工大學(xué) 現(xiàn)代汽車零部件技術(shù)湖北省重點實驗室，武漢 430070；3.汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心，武漢 430070；4.湖北省新能源與智能網(wǎng)聯(lián)車工程技術(shù)研究中心，武漢 430070；5.寧波華德汽車零部件有限公司，浙江 寧波 315000）

0 概述

隨著圖像處理技術(shù)的發(fā)展，基于視覺的深度估計逐漸發(fā)展成為無人駕駛、機器人等領(lǐng)域的重要測距方法之一，其中基于立體匹配的雙目測距方法以兼顧精度、速度和成本的優(yōu)勢受到廣泛關(guān)注，該方法通過匹配同一場景的左右視點兩幅圖像中的相應(yīng)像素點來計算視差，并根據(jù)相似三角形原理計算深度距離。傳統(tǒng)的立體匹配算法將匹配過程劃分為匹配代價計算、代價聚合、視差計算和視差優(yōu)化4 個部分［1］，并基于代價函數(shù)的約束范圍及搜索策略分為局部、全局和半全局立體匹配算法［2］。但傳統(tǒng)算法采用手工設(shè)計的特征描述符，缺乏全局上下文信息，且受經(jīng)驗參數(shù)的影響，算法魯棒性較差，不適合在復(fù)雜環(huán)境下應(yīng)用［3］。

近年來，隨著深度學(xué)習(xí)在計算機視覺領(lǐng)域中的發(fā)展，研究人員開始基于深度學(xué)習(xí)方法解決立體匹配問題。LECUN 等［4］引入卷積神經(jīng)網(wǎng)絡(luò)提取左右圖特征，通過學(xué)習(xí)兩者的相似性計算匹配代價，有效提高了算法魯棒性，但該方案仍然需要配合傳統(tǒng)算法中的十字交叉代價聚合［5］、半全局優(yōu)化［6-7］及濾波操作等完成立體匹配。LUO 等［8］在此基礎(chǔ)上將匹配代價計算轉(zhuǎn)化為多分類問題，訓(xùn)練網(wǎng)絡(luò)直接輸出所有潛在視差值下的匹配代價，大大提高算法效率。

上述方法利用卷積神經(jīng)網(wǎng)絡(luò)計算匹配代價減少了傳統(tǒng)算法中手工設(shè)計特征的誤差，但仍需結(jié)合傳統(tǒng)算法中的其他步驟求解視差圖，運行速度較低。因此基于卷積神經(jīng)網(wǎng)絡(luò)的端到端立體匹配算法應(yīng)運而生。MAYER 等［9］提出以左右圖像為輸入，以視差圖為輸出的端到端立體匹配網(wǎng)絡(luò)DispNet，并發(fā)布一個帶有真實視差圖的大型合成數(shù)據(jù)集用于訓(xùn)練網(wǎng)絡(luò)。在此基礎(chǔ)上，KENDALL 等［10］提出GCNet，首次通過級聯(lián)不同視差值下的特征圖構(gòu)建匹配代價卷，并通過3D 卷積進行代價聚合，最終通過視差回歸的方式計算視差圖，為后續(xù)算法發(fā)展提供重要思路。PANG 等［11］提出一種兩階段網(wǎng)絡(luò)結(jié)構(gòu)，第1 階段學(xué)習(xí)初始視差，第2 階段學(xué)習(xí)修正初始視差的殘差，最終將兩階段的和作為結(jié)果輸出，有效提高匹配精度。CHANG 等［12］提出PSMNet 網(wǎng)絡(luò)，利用空間金字塔池化（Spatial Pyramid Pooling，SPP）模塊［13］融合不同尺度特征，同時采用堆疊的編碼解碼結(jié)構(gòu)進行代價聚合，有效提高了視差預(yù)測精度。ZHANG 等［14］基于傳統(tǒng)的半全局匹配算法提出GANet，設(shè)計了半全局，引導(dǎo)聚合層從不同方向?qū)Υ鷥r卷進行聚合取代3D 卷積，并結(jié)合局部引導(dǎo)聚合層，有效提升立體匹配的性能。MA 等［15］結(jié)合光流、視差估計及實例分割3 種任務(wù)，將各個實例的光流、視差及語義線索編碼成能量函數(shù)進行最小化求解，實現(xiàn)多任務(wù)間互相融合，但運行時間過長。XU 等［16］采用3D 代價卷并設(shè)計尺度內(nèi)及尺度間代價聚合模塊代替3D 卷積，有效提高算法實時性，但匹配精度相對較低。ZHU 等［17］基于多尺度特征，設(shè)計十字形空間金字塔模塊以不同的比例和位置聚合上下文信息構(gòu)建代價卷，并設(shè)計多尺度3D 特征匹配和融合模塊聚合代價卷，有效提高算法在不適定區(qū)域的匹配精度。

隨著高性能計算平臺的發(fā)展，立體匹配的網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，特征提取及代價聚合網(wǎng)絡(luò)不斷加深。深層網(wǎng)絡(luò)有助于提取更加抽象的特征，對于目標(biāo)檢測、語義分割等對語義信息要求較高的視覺任務(wù)具有重要意義。但立體匹配作為低層級視覺任務(wù)，除了依賴深層特征完成前景物體的基本匹配，還需要淺層特征和局部上下文信息細(xì)化小物體、邊緣等區(qū)域的匹配。而大多數(shù)立體匹配網(wǎng)絡(luò)采用深層特征提取網(wǎng)絡(luò)和堆疊的編碼解碼結(jié)構(gòu)，在反復(fù)上下采樣過程中造成淺層特征中的細(xì)節(jié)信息丟失。同時，傳統(tǒng)的代價卷構(gòu)造方式對每個像素的完整視差范圍都構(gòu)建匹配代價進行計算，雖然通過稀疏化視差的方式可以降低計算量，但是仍然造成代價卷在非真實視差處的計算冗余。

針對上述問題，本文引入視差優(yōu)化思想，基于PSMNet 構(gòu)建一種改進網(wǎng)絡(luò)CTFNet。采用特征提取網(wǎng)絡(luò)分別提取下采樣程度不同的淺層和深層特征，基于深層特征構(gòu)建所有潛在視差值范圍內(nèi)的全局稀疏代價卷，并通過代價聚合和視差計算預(yù)測初始視差圖。此外，基于局部上下文信息豐富的淺層特征和初始視差圖，對每個像素點構(gòu)建初始預(yù)測視差鄰域范圍內(nèi)的局部稠密代價卷，并通過簡單的代價聚合和視差計算進行視差優(yōu)化。在損失函數(shù)部分，本文基于文獻(xiàn)［18］引入softmax 操作后的概率分布損失函數(shù)，在預(yù)測初始視差圖過程中通過限制每個像素點處視差值概率，使其分布在真實視差值附近，形成高斯分布，提高初始視差圖精度，保證視差優(yōu)化階段利用初始視差圖構(gòu)造局部稠密代價卷的可靠性，從而優(yōu)化視差圖精度。

1 網(wǎng)絡(luò)結(jié)構(gòu)

本文以PSMNet 作為骨干網(wǎng)絡(luò)進行改進，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1（a）所示（彩色效果見《計算機工程》官網(wǎng)HTML 版）。PSMNet 采用殘差網(wǎng)絡(luò)和空間金字塔池化（SPP）模塊提取特征，其中殘差網(wǎng)絡(luò)由3 個3×3 卷積層和4 個殘差塊共53 層卷積層構(gòu)成，配合SPP 模塊可以得到多尺度深層特征，基于左右特征圖構(gòu)建的匹配代價卷通過3 個相同的編碼-解碼結(jié)構(gòu)進行聚合并實現(xiàn)多級監(jiān)督，最終視差回歸得到預(yù)測視差圖。PSMNet 的特征提取網(wǎng)絡(luò)相對復(fù)雜，計算成本高，且三次編碼-解碼結(jié)構(gòu)始終對完整視差范圍的代價卷進行聚合，造成計算冗余?；谏鲜鰡栴}，本文提出一種改進后的立體匹配網(wǎng)絡(luò)CTFNet，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1（b）所示，由特征提取、初始視差圖預(yù)測和視差優(yōu)化3 部分構(gòu)成。

圖1 PSMNet 與CTFNet 網(wǎng)絡(luò)結(jié)構(gòu)對比Fig.1 Comparison of PSMNet CTFNet network structures

1.1 特征提取

相對于目標(biāo)檢測、語義分割等視覺任務(wù)，立體匹配對于特征的抽象程度要求相對較低，而且更加注重全局信息與局部細(xì)節(jié)信息的結(jié)合，全局信息有利于保證前景物體匹配精度和視差的連續(xù)性，局部細(xì)節(jié)信息對于提高不適應(yīng)區(qū)域如小物體、邊緣等區(qū)域的匹配精度具有重要作用。因此與PSMNet 網(wǎng)絡(luò)所采用的復(fù)雜特征提取結(jié)構(gòu)不同，本文采用深淺層特征兩階段輸出的特征提取網(wǎng)絡(luò)。具體來說，由淺層特征提取結(jié)構(gòu)和深層特征提取結(jié)構(gòu)組成，如圖2所示。

圖2 特征提取網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of feature extraction network

淺層特征提取結(jié)構(gòu)由3 個卷積核尺寸為3×3 的卷積層構(gòu)成，每個卷積層后都跟隨著批標(biāo)準(zhǔn)化層和ReLU 激活函數(shù)層，其中第1 個卷積層步長為2，將圖像下采樣尺寸設(shè)置為原圖尺寸的1/2，其他卷積層步長均為1，以保留更多的空間細(xì)節(jié)信息。將淺層特征提取模塊輸出的初始特征圖用來繼續(xù)提取深層多尺度特征，同時也經(jīng)過卷積核尺寸為3×3 卷積層對通道進行調(diào)整，并將得到的淺層特征圖輸出到視差優(yōu)化階段，從而構(gòu)建局部稠密代價卷。

將深層特征提取結(jié)構(gòu)引入多孔空間金字塔池化（ASPP）結(jié)構(gòu)［19］，以提取多尺度空間信息，并分別通過卷積核尺寸為1×1 的卷積操作實現(xiàn)跨通道信息整合。每個卷積操作后面都同樣跟隨批標(biāo)準(zhǔn)化層和激活函數(shù)層，最終采用級聯(lián)的方式將包含不同尺度信息的特征圖級聯(lián)起來。ASPP 結(jié)構(gòu)的使用可以保證使用較少的卷積層實現(xiàn)較大的感受野，有利于匹配對全局信息要求較高的前景物體。級聯(lián)后的多尺度特征經(jīng)過卷積核尺寸為3×3 及1×1 的卷積層后與初始特征圖級聯(lián)，再通過卷積核尺寸為3×3 及1×1 的卷積層以及一個卷積核大小為3、步長為2 的卷積層下采樣得到最終輸出的1/4 原圖大小的深層特征圖，并用作初始視差圖預(yù)測。

1.2 初始視差圖預(yù)測

經(jīng)過共享權(quán)重的特征提取網(wǎng)絡(luò)得到左右特征圖后，本文將每個潛在視差值下的左圖特征和對應(yīng)右圖下的特征級聯(lián)起來，封裝成一個4 維的匹配代價卷。針對4 維代價卷，本文采用3D 卷積來聚合上下文信息并通過編碼-解碼結(jié)構(gòu)聚合匹配代價卷。如圖3 所示，通過4 個3D 卷積層對匹配代價卷進行初步的代價聚合，為了補充淺層特征信息，將第2 次卷積的結(jié)果與第4 次卷積的結(jié)果進行跳躍連接。接著，采用基于3D 卷積的編碼-解碼結(jié)構(gòu)對代價卷進行聚合。編碼-解碼結(jié)構(gòu)如圖3 中虛線框所示，編碼與解碼階段分別使用2 個步長為2 的3D 卷積與3D反卷積進行下/上采樣，提高對全局信息的利用程度并降低計算量。為彌補上下采樣引起的局部上下文信息的損失，在反卷積時將編碼階段對應(yīng)尺寸大小的代價卷通過跳躍連接與解碼階段的代價卷進行連接。本文采用2 個編碼-解碼結(jié)構(gòu)串聯(lián)使用進行代價聚合和多級監(jiān)督，將每個編碼-解碼結(jié)構(gòu)輸出的匹配代價卷，通過線性插值的方式上采樣到原圖尺寸，用作視差回歸。

圖3 初始視差圖預(yù)測網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of initial disparity map prediction network

本文采用完全可微的Soft Argmin［10］操作進行視差回歸，將預(yù)測的匹配代價Cd取負(fù)，把匹配代價轉(zhuǎn)化為匹配可能性（匹配代價越高，可能性越低），然后使用softmax 操作進行歸一化，輸出每個像素在不同視差值d下的概率，最終基于概率對視差進行加權(quán)求和得到預(yù)測視差值，如式（1）所示：

其中：d表示預(yù)測視差值；Dmax表示最大視差；Cd表示在視差d下的匹配代價；soft max(·)表示softmax 操作，其數(shù)學(xué)表達(dá)式如下：

1.3 視差優(yōu)化

網(wǎng)絡(luò)采用左右特征圖構(gòu)造全局稀疏視差值（0，4，…，Dmax，Dmax=192）下的代價卷，經(jīng)過2 個沙漏結(jié)構(gòu)聚合后通過上采樣和視差回歸得到與原圖分辨率相同的初始視差圖。代價聚合過程中，用于視差回歸的代價卷需要通過插值的方式恢復(fù)到原圖尺寸和完整稠密視差值范圍（0，1，…，Dmax，Dmax=192），這就使最終的視差結(jié)果在目標(biāo)邊緣、小物體等細(xì)節(jié)區(qū)域引入大量誤差。同時，由于特征圖經(jīng)過多次編碼-解碼結(jié)構(gòu)，其特征隨著網(wǎng)絡(luò)的加深不斷抽象，最終的結(jié)果在前景物體的匹配精度指標(biāo)上表現(xiàn)良好，但是針對背景物體或小物體，由于其對上下文細(xì)節(jié)信息要求較高，因此匹配誤差率會顯著增大?；谏鲜鰡栴}，本文提出基于淺層特征和局部稠密代價卷的視差優(yōu)化模塊。

為降低反復(fù)上下采樣對局部細(xì)節(jié)信息造成的損失，本文在視差優(yōu)化階段采用特征提取階段的1/2 原圖尺寸的淺層特征圖構(gòu)造新代價卷。為減少冗余計算，提高視差回歸精度，本文利用初始視差圖預(yù)測階段輸出的原圖尺寸的視差圖構(gòu)造局部稠密代價卷，僅針對預(yù)測視差值附近的視差范圍求解詳細(xì)的概率分布?；诔跏碱A(yù)測的視差圖，本文將每個像素的預(yù)測視差值線性擴展為其鄰域內(nèi)的2n個視差從而構(gòu)造預(yù)測視差卷，其中n為超參數(shù)。假設(shè)某像素點初始預(yù)測視差為d′，則以[d′-n，d′+n]作為該點的局部視差范圍，并限制其不超出［0，Dmax］。然后將該視差范圍平均劃分為2n個視差值作為候選視差。由于初始視差值是亞像素級的，而傳統(tǒng)構(gòu)造方式只能對視差值為整數(shù)的情況進行代價卷構(gòu)造，因此本文采用一種新的代價卷構(gòu)造方式，如圖4 所示（彩色效果見《計算機工程》官網(wǎng)HTML 版）。

圖4 新代價卷構(gòu)造方式示意圖Fig.4 Schematic diagram of construction mode of new price volume

如圖4 所示，假設(shè)左右特征圖組通道數(shù)均為C，以同為C0通道的左右特征圖為例，由于特征圖尺寸為原圖的1/2，因此首先需要將視差卷下采樣至原圖的1/2 尺寸，同時所有視差值相應(yīng)除以2。然后將C0通道的左特征圖復(fù)制2n次作為第C0通道的代價卷，將右特征圖基于視差卷進行warp 翹曲操作［20］得到第C+C0通道的代價卷。其中warp 翹曲操作如圖5所示。首先，根據(jù)視差圖計算得到1 個與左特征圖尺寸相同的坐標(biāo)網(wǎng)格，網(wǎng)格中每一點（x，y）的值為左特征圖中（x，y）處的像素點在右特征圖中的對應(yīng)匹配點的坐標(biāo)（x-d，y），其中d代表該點候選視差值。然后，利用坐標(biāo)網(wǎng)格將右特征圖中匹配點（x-d，y）處的像素值全部填充到左特征圖的（x，y）處，從而產(chǎn)生1 張新的特征圖。由于視差值d為亞像素級，則計算得到的坐標(biāo)（x-d，y）不一定是整數(shù)值，因此要用插值的方式從（x-d，y）鄰域的像素值得到（x-d，y）處的像素值。將第C0通道的右特征圖基于所有候選視差產(chǎn)生的2n個特征圖作為第C+C0通道的代價卷。最終對所有特征通道的特征圖構(gòu)造代價卷即可得到1 個的4 維代價卷，其中H和W分別代表原圖尺寸的高和寬。

圖5 warp 翹曲操作示意圖Fig.5 Sketch mapnew of warp operation

為保存細(xì)節(jié)信息，本文僅使用1 次編碼-解碼結(jié)構(gòu)對新代價卷進行聚合，聚合后的代價卷僅需通過1 次上采樣即可恢復(fù)成原圖尺寸。對于聚合后的代價卷，本文同樣采用Soft Argmin 操作進行視差回歸，輸出每個像素在不同視差值d下的概率，但由于此時代價卷代表的不再是全局范圍的視差，而是基于初始視差圖構(gòu)造的鄰域局部范圍內(nèi)的視差。因此，本文利用事先構(gòu)造的視差卷，針對每個像素，僅在預(yù)測視差值d′鄰域范圍[d′-n，d′+n]內(nèi)進行視差回歸，達(dá)到視差優(yōu)化的目的。

1.4 損失函數(shù)

本文的損失函數(shù)由2 部分構(gòu)成，如式（3）所示，一部分是基于多級監(jiān)督的視差損失，另一部分是初始視差圖預(yù)測階段的softmax 后概率分布損失。

1.4.1 視差損失

本文采用兼具魯棒性和穩(wěn)定性的Smooth L1函數(shù)作為網(wǎng)絡(luò)的基礎(chǔ)視差損失函數(shù)，如式（4）所示：

其中：N表示有效像素點個數(shù)；dn表示真實視差值；表示預(yù)測視差值；Smooth L1(·)表示平滑的L1 損失，其表達(dá)式如下：

本文采用多級監(jiān)督的訓(xùn)練方式，對網(wǎng)絡(luò)每個編碼-解碼結(jié)構(gòu)輸出的代價卷進行視差回歸并計算損失，最終通過加權(quán)求和的方式計算總的視差損失，從而實現(xiàn)視差逐級細(xì)化，如式（6）所示：

其中：wi表示不同階段輸出的視差損失的權(quán)重；M表示視差結(jié)果受監(jiān)督的層級數(shù)；和參考文獻(xiàn)［12］相同，i取3；各視差結(jié)果對應(yīng)權(quán)重參數(shù)分別為w1=0.5，w2=0.7，w3=1。

1.4.2 softmax 后概率分布損失

由于新代價卷的構(gòu)造對初始預(yù)測的視差圖精度提出較高的要求，即需要初始預(yù)測視差圖中每個像素的預(yù)測視差值能夠在真實視差值鄰域范圍內(nèi)。為約束初始視差圖，本文引入softmax 操作后的概率分布損失。匹配代價卷被用以反映候選匹配像素對之間的相似度，代價卷經(jīng)過softmax 操作后輸出每個像素在不同視差值d下的概率，其中真實視差值具有最高概率，且概率值應(yīng)隨與真實視差值的距離增大而迅速下降。根據(jù)該屬性，本文基于真實視差值，采用高斯分布構(gòu)建真實視差概率分布，對代價卷softmax 后的概率分布進行監(jiān)督，約束預(yù)測視差值概率在真實視差值附近成單峰分布。基于真實視差值構(gòu)建的真實視差概率分布如下：

其中：d表示候選視差值，d∈[0，Dmax]；dgt表示真實視差值；σ表示方差，用來控制視差概率分布的離散程度，σ越小則視差概率分布越集中于真實視差值附近，σ>0，基于參考文獻(xiàn)［18］，本文σ取1.2。

根據(jù)真實視差值構(gòu)建真實視差概率分布P(d)，同時在視差預(yù)測階段，計算softmax 后的概率分布，通過交叉熵定義分布損失，如式（8）所示：

其中：N表示有效像素點個數(shù)；d表示候選視差值；H(·)表示交叉熵?fù)p失函數(shù)。H(·)的表達(dá)式如式（9）所示：

為防止過擬合，本文中softmax 后概率分布損失僅針對初始視差預(yù)測階段的初始視差圖進行計算。

2 實驗與結(jié)果分析

為測試算法的性能，本文基于PyTorch 深度學(xué)習(xí)架構(gòu)實現(xiàn)提出的CTFNet 模型，使用NVIDIA 1080Ti GPU訓(xùn)練及測試網(wǎng)絡(luò)，研究網(wǎng)絡(luò)各組成部分不同參數(shù)配置對視差圖預(yù)測的影響，并將其與參考算法進行比較。

2.1 數(shù)據(jù)集

采用SceneFlow 數(shù)據(jù)集［9］和KITTI 2015 數(shù)據(jù)集［21］對網(wǎng)絡(luò)進行訓(xùn)練和測試，其中SceneFlow 數(shù)據(jù)集為合成數(shù)據(jù)集，包含圖像尺寸為960×540 像素分辨率的立體圖像對，其中35 454 張用于訓(xùn)練，4 370 張用于測試，所有圖片提供稠密視差圖作為真實值。KITTI 2015 數(shù)據(jù)集為真實道路場景下采集的數(shù)據(jù)集，包含200 張訓(xùn)練集圖片和200 張驗證集圖片，圖像尺寸為1 240×376 像素，其中訓(xùn)練集提供稀疏視差圖作為真實值，驗證集僅提供左右圖像對，預(yù)測視差圖精度需將圖片上傳至KITTI網(wǎng)站進行評估。對于KITTI 數(shù)據(jù)集，本文隨機選取訓(xùn)練集中的160 個圖像對進行訓(xùn)練，剩余40 個圖像對用于測試。

2.2 實施細(xì)節(jié)

CTFNet 的訓(xùn)練過程包含2 個步驟，首先在SceneFlow 數(shù)據(jù)集上預(yù)訓(xùn)練模型，在輸入網(wǎng)絡(luò)之前，對每個原始圖像對進行歸一化處理，將圖像RGB 值歸一化到［-1，1］區(qū)間內(nèi)，并隨機裁剪成512×256 分辨率的圖像補丁輸入到網(wǎng)絡(luò)。網(wǎng)絡(luò)使用Adam 優(yōu)化器，優(yōu)化參數(shù)β1、β2的值分別為0.90、0.99，批尺寸和最大視差（Dmax）分別設(shè)置為3 和192，學(xué)習(xí)率固定為0.001，訓(xùn)練10 個周期。在得到SceneFlow 數(shù)據(jù)集上的預(yù)訓(xùn)練模型后，利用KITTI2015 數(shù)據(jù)集對模型進行優(yōu)化微調(diào)，模型訓(xùn)練300 個周期，其中前200 個周期的學(xué)習(xí)率為0.001，之后學(xué)習(xí)率調(diào)整為0.000 1。

2.3 測試及評價指標(biāo)

為評估網(wǎng)絡(luò)性能，本文基于真實視差值，分別計算SceneFlow 數(shù)據(jù)集的每個訓(xùn)練周期的終點誤差及KITTI2015 訓(xùn)練集的三像素誤差。完成訓(xùn)練后，使用誤差最低的訓(xùn)練參數(shù)預(yù)測KITTI2015 驗證集的視差圖，并將結(jié)果提交至KITTI 網(wǎng)站進行評估。

對于SceneFlow 數(shù)據(jù)集，本文計算所有像素點的預(yù)測視差值與真實視差值之間的歐氏距離并求取平均值作為終點誤差（End-Point Error，EPE），誤差越小則匹配精度越高。終點誤差的定義如下：

其中：N表示總像素點個數(shù)；di表示第i個像素點處的真實視差值；表示第i個像素點處的預(yù)測視差值。

對于KITTI2015 數(shù)據(jù)集，本文采用三像素誤差（3px Error）表征匹配的準(zhǔn)確率，三像素誤差是指預(yù)測視差值與真實視差值之間差值的絕對值超過3 的像素點的數(shù)量占整幅圖像的比例，比例越高說明誤匹配點的數(shù)量越多，匹配準(zhǔn)確率越低。三像素誤差的定義如式（11）所示：

其中：

其中：N表示總像素點個數(shù)；di表示第i個像素點處的真實視差值；表示第i個像素點處的預(yù)測視差值。

2.4 實驗對比

針對CTFNet 各組成部分對視差圖預(yù)測的影響進行研究，并測試不同網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)配置對于視差精度及運行速度的影響。本文在SceneFlow 和KITTI2015 數(shù)據(jù)集上評估CTFNet 網(wǎng)絡(luò)，并在最終實驗中，與本文網(wǎng)絡(luò)相似的PSMNet 進行對比。分別針對特征提取結(jié)構(gòu)、局部稠密代價卷、視差優(yōu)化結(jié)構(gòu)、softmax 操作后的概率分布損失函數(shù)等進行實驗，分析其對視差結(jié)果的影響。

2.4.1 特征提取結(jié)構(gòu)實驗

針對構(gòu)造局部代價卷時所用特征圖的輸出位置進行實驗，結(jié)果如表1 所示。在表1 中，特征圖輸出位置代表構(gòu)建局部代價卷所用的淺層特征圖的輸出位置，其中淺層表示圖2 中淺層分支的最后1 層卷積層，深層表示圖2 中特征提取網(wǎng)絡(luò)的倒數(shù)第2 層卷積層。

表1 特征圖輸出位置的實驗結(jié)果Table 1 Experimental results of the output location of the feature map

由表1 可知，使用淺層特征構(gòu)造局部代價卷使視差圖的誤匹配率在SceneFlow 數(shù)據(jù)集上降低了12.0%，在KITTI 數(shù)據(jù)集上降低了9.7%，說明淺層特征能夠保留更多細(xì)節(jié)信息，在視差優(yōu)化過程中能夠有效地改善局部細(xì)節(jié)區(qū)域的匹配結(jié)果。

本文還針對特征提取結(jié)構(gòu)輸出的2 組特征圖的尺寸大小對視差圖的影響進行實驗，通過添加步長為2、卷積核尺寸為3×3 的卷積層配合批標(biāo)準(zhǔn)化層和ReLU激活函數(shù)層實現(xiàn)特征圖尺寸的調(diào)節(jié)，結(jié)果如表2 所示。表2 中深層和淺層特征圖的尺寸分別代表用來構(gòu)造稀疏代價卷和稠密代價卷的特征圖尺寸與原圖尺寸的比例。通過對比表2 中實驗結(jié)果可知，不論對于構(gòu)造稀疏代價卷還是稠密代價卷，用作構(gòu)造代價卷的特征圖尺寸越大，局部細(xì)節(jié)信息越豐富，視差估計的誤差越小。但一味增大特征圖尺寸會造成代價聚合階段的計算量過大，訓(xùn)練無法正常進行。通過結(jié)合視差優(yōu)化的方法，采用1/4 原圖尺寸的特征圖構(gòu)造初始代價卷，同時采用1/2 原圖尺寸的特征圖構(gòu)造稠密代價卷既能保證網(wǎng)絡(luò)正常訓(xùn)練，也能有效提高預(yù)測視差圖精度。

表2 不同特征圖尺寸的實驗結(jié)果Table 2 Experimental results of different feature map sizes

2.4.2 對局部稠密代價卷的實驗

為減少冗余計算及細(xì)化視差概率計算，在視差優(yōu)化階段針對每個像素，以其初始視差鄰域內(nèi)的2n個視差值構(gòu)造局部稠密代價卷，其中2n是需要人為確定的超參數(shù)。為實現(xiàn)最優(yōu)化，針對此局部視差范圍參數(shù)進行實驗，結(jié)果如表3 所示。

表3 對局部視差范圍的實驗結(jié)果Table 3 Experimental results of the local disparity range

由表3 可知，初始視差鄰域范圍2n對視差估計和網(wǎng)絡(luò)運行速度有一定影響。如果用于構(gòu)造局部稠密代價卷的視差鄰域范圍過小，則經(jīng)過多次上下采樣，會引入過大的誤差。如果視差鄰域范圍過大，最終沙漏結(jié)構(gòu)進行代價聚合所需的計算時間就會增加，且對于誤差率的改善收效甚微。由實驗結(jié)果可知，本文選擇基于初始視差構(gòu)造鄰域范圍為24 的局部稠密代價卷。

2.4.3 視差優(yōu)化結(jié)構(gòu)實驗

為驗證視差優(yōu)化方案的可行性，本文通過采用相同的特征提取結(jié)構(gòu)，對比視差優(yōu)化方案與傳統(tǒng)的通過3 個編碼-解碼結(jié)構(gòu)直接預(yù)測視差圖方案間的匹配誤差率，結(jié)果如表4 所示。由表4 可知，使用視差優(yōu)化結(jié)構(gòu)相對傳統(tǒng)方案，視差圖的誤匹配率在SceneFlow 數(shù)據(jù)集上降低了10.3%，在KITTI 數(shù)據(jù)集上降低了11.9%。由此可知，本文提出的視差優(yōu)化方案對視差圖預(yù)測具有一定的提升作用。

表4 對視差優(yōu)化結(jié)構(gòu)的實驗結(jié)果Table 4 Experimental results of the disparity optimization structure

2.4.4 softmax 后概率分布損失函數(shù)實驗

為探究本文損失函數(shù)的改進對視差預(yù)測結(jié)果的影響，對CTFNet 網(wǎng)絡(luò)進行測試，驗證添加和去除softmax 后的概率分布損失函數(shù)對網(wǎng)絡(luò)預(yù)測精度的影響。由表5 可知，添加概率分布損失函數(shù)后，網(wǎng)絡(luò)的視差預(yù)測精度得到了一定程度的提升。

表5 損失函數(shù)的實驗結(jié)果Table 5 Experimental results of loss function

通過softmax 操作，代價卷被計算成每個潛在視差值的概率，所有概率和為1。本文對特征不明顯區(qū)域的不同像素點在視差回歸過程中計算的視差概率分布進行可視化，結(jié)果如圖6 所示。圖中橫坐標(biāo)表示所有潛在視差值，縱坐標(biāo)表示對應(yīng)預(yù)測概率，虛線表示真實視差值。由圖6 可知，添加softmax 后的概率分布損失函數(shù)，其視差預(yù)測的概率分布會傾向于在真實視差值附近呈現(xiàn)單峰分布，有效降低了其他視差值的干擾，這對于部分特征不明顯區(qū)域的視差預(yù)測具有良好的改善作用。

圖6 視差值概率分布圖Fig.6 Probability distribution of disparity

2.5 KITTI2015 排名結(jié)果

將CTFNet 網(wǎng)絡(luò)對KITTI 驗證集生成的視差圖上傳至KITTI 評測網(wǎng)站，表6 展示了KITTI2015 數(shù)據(jù)集上本文網(wǎng)絡(luò)及其他主流網(wǎng)絡(luò)的實驗結(jié)果對比。其中，D1表示視差圖中誤匹配點所占的比例，bg 表示背景區(qū)域，fg 表示前景區(qū)域，all表示整個區(qū)域。由表6 可知，本文所提網(wǎng)絡(luò)與之前的網(wǎng)絡(luò)［10-12，15-17］相比在精度上有一定提高。與同樣基于兩階段進行視差優(yōu)化的CRL 算法相比，誤匹配率降低了17.6%。與算力要求相近的PSMNet網(wǎng)絡(luò)相比，整體的誤匹配率由2.32%下降至2.20%。在運行時間方面，為保證數(shù)據(jù)的準(zhǔn)確性，本文在Nvidia 1080Ti GPU 上測試PSMNet 和CTFNet 網(wǎng)絡(luò)的運行時間，PSMNet的運行時間為0.52 s，所提網(wǎng)絡(luò)的計算時間為0.43 s，降低了約17%。

表6 KITTI2015 立體匹配排名Table 6 KITTI2015 stereo matching ranking

圖7 中第1 列和第2 列分別展示了本文所提CTFNet 與PSMNet 針對同一組圖片預(yù)測視差圖的對比，第3 列為第4 列的局部位置放大圖。誤差圖中藍(lán)色點表示正確匹配點，黃色點表示錯誤匹配點，黑色點表示忽略的點（彩色效果見《計算機工程》官網(wǎng)HTML 版）。通過觀察2 種算法在圖中黑色橢圓標(biāo)記位置處的視差結(jié)果可以發(fā)現(xiàn)，與PSMNet 網(wǎng)絡(luò)相比，CTFNet 網(wǎng)絡(luò)能夠準(zhǔn)確預(yù)測圖中細(xì)鐵索處的視差，同時在預(yù)測交通標(biāo)志邊緣處的視差時更加精確。實驗結(jié)果表明，通過淺層特征和視差優(yōu)化的方式能夠有效改善特征不明顯區(qū)域的匹配結(jié)果，提高小物體及邊緣等病態(tài)區(qū)域的匹配精度。

圖7 視差圖結(jié)果對比Fig.7 Comparison of disparity map results

3 結(jié)束語

本文設(shè)計一個基于淺層特征的立體匹配網(wǎng)絡(luò)CTFNet，通過構(gòu)建稠密代價卷進行視差優(yōu)化。由于深層特征網(wǎng)絡(luò)的感受野較大，能夠獲取更多全局信息，從而構(gòu)建全局稀疏代價卷以獲取前景物體的初始視差圖。淺層結(jié)構(gòu)的特征提取網(wǎng)絡(luò)減少了圖像的上下采樣，保留了更加完整的局部上下文信息，配合基于預(yù)測視差值構(gòu)建的稠密代價卷，能夠進一步細(xì)化視差。此外，softmax 操作后概率分布損失函數(shù)的引入，能夠?qū)σ暡罡怕史植歼M行監(jiān)督，有效提高了算法的魯棒性。實驗結(jié)果表明，與PSMNet 網(wǎng)絡(luò)相比，本文網(wǎng)絡(luò)在部分病態(tài)區(qū)域如邊緣及小物體處匹配效果更好，匹配精度得到一定提升。下一步將通過采用多任務(wù)網(wǎng)絡(luò)及引入邊緣檢測或語義分割任務(wù)，提高算法對邊緣及弱紋理區(qū)域的匹配能力，同時，還將進一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，降低網(wǎng)絡(luò)參數(shù)和計算量，以實現(xiàn)算法在TX2 等嵌入式設(shè)備上的穩(wěn)定運行。