YOLO在双目图像匹配中的应用研究

"基于YOLO的双目图像匹配方法研究" 这篇硕士论文主要探讨了基于YOLO（You Only Look Once）的双目图像匹配方法在计算机视觉领域的应用。随着图像处理和深度学习技术的进步，计算机视觉在自动驾驶、视频监控等多个领域扮演着重要角色。在特定的工程任务中，如高空测距，双目测距系统因其自动化和安全性成为优选方案。 双目图像匹配是计算机视觉中的关键技术，它能识别物体类别，建立图像间的视觉联系，进而获取有价值的视觉关系信息。然而，光照变化、尺度差异和视角变化等因素给图像匹配带来了挑战。传统的匹配算法可能因误匹配导致双目测距的不准确性，因此，结合深度学习的YOLO算法在限定区域内进行特征点匹配显得尤为关键。 YOLO是一种实时目标检测系统，以其高效和精确性而著名。论文深入探讨了YOLOv3的训练过程，制作了一个专门针对双目图像的训练数据集，该数据集包含了从KITTI数据集和自采集的双目图像中获取的目标（如汽车、自行车和人）的标注信息。通过K-means聚类算法，优化了候选框的宽高比，使其更适应双目图像中的目标特性。 针对小目标物体在双目图像中的识别问题，论文提出改进YOLOv3模型，以解决浅层网络到深层网络传递特征时可能出现的小目标信息丢失。通过增加更多尺寸的特征图，确保在多尺度预测时小目标物体的特征信息能够得到保留，从而提高匹配和测距的准确性。 这篇论文详细研究了双目图像匹配的理论基础，分析了YOLO算法在双目测距中的应用，并提出了一种针对双目图像的改进YOLO模型，旨在提升匹配效率和测距精度，对计算机视觉和深度学习领域的实践具有重要的参考价值。