基于视差空间采样的区域增长稠密立体匹配算法

通过对现有区域增长算法的研究,提出了改进的区域增长算法,该算法克服了原有算法依赖种子点精度,在平滑区域停止传播,在纹理区域易产生误匹配的缺陷,得到了良好的视差图质量.首先通过对提取的特征点进行匹配,实现对视差空间的采样.然后在视差空间中建立种子点新的传播方式.实验结果证明,该算法能遍历整个视差空间,在整个传播过程中能自动从匹配错误中恢复,在平滑区域和重复纹理区域也能得到良好的匹配效果.     

基于自适应权重的立体匹配优化算法

为解决现有立体匹配算法对低纹理以及视差不连续区域匹配效果较差的问题,提出一种改进的立体匹配优化算法。在传统自适应权重算法匹配代价的基础上,融合高斯差分图像差分信息,即左右图像高斯差分图的差分,重新定义其初始匹配代价,增加算法在视差不连续区域的鲁棒性,并加入边缘约束和视差边缘约束迭代聚类以及基于高斯差分图的自适应窗口算法,保证改进算法在低纹理区域的匹配性能,消除坏点与视差空洞。将该算法与传统自适应权重匹配算法分别在Middlebury数据集上进行匹配实验,结果表明,该算法平均性能提升了15.05%,明显优于传统自适应权重匹配算法。     

视差图提取技术与OpenGL三维重建

在研究区域匹配算法和特征匹配算法的基础上,提出了改进的基于视差梯度的区域匹配算法和基于尺度不变性的Harris角点特征匹配算法,并进一步利用互补策略将两种算法结合起来,提出了一种区域和特征匹配相结合的立体匹配算法,该算法具有速度快、精度高和鲁棒性强等优点。利用该算法提取视差图,进而提取深度图,最后利用OpenGL进行三维重建,获得了良好的重建效果。     

基于图像区域分割和置信传播的立体匹配算法

传统基于像素的立体匹配算法误匹配率较高.为解决该问题,提出一种基于图像区域分割和置信传播的匹配算法.采用均值偏移对参考图像进行区域分割,通过自适应权值匹配计算初始视差图,对各分割区域的初始视差用平面模型拟合得到视差平面参数,使用基于区域的改进置信传播算法求得各区域的最优视差平面,从而得到最终视差图.与全局优化的经典置信传播算法和图割算法的对比实验结果表明,该算法能降低低纹理区域和遮挡区域的误匹配率.     

基于区域分割的动态规划立体匹配算法

提出一种基于区域分割的动态规划立体匹配算法。首先参考图像经自适应多阈值切割之后,得到一个由区域组成的集合,并沿着各个闭合区域的边界进行动态规划跟踪,然后对于非匹配区域和区域内部分别作视差融合和视差插值处理,获得最终的稠密视差图。实验结果表明,该算法能够取得较为理想的效果,视差图横向"条纹"瑕疵和边界区域上的误匹配点明显减少,层次更加分明,整个视差图平滑性较好,匹配效率有了显著提高。     

基于最大窗口的二次立体匹配方法

文中提出了一种新颖的基于窗口的立体匹配方法,该方法首先在最大窗口内估计视差,并假设该窗口内视差一致,在此基础上得到两个最大的匹配窗口,然后在这两个最大窗口内进行二次匹配,得到基于这两个窗口的逐像素视差,估计视差和像素视差之和就是结果视差。对相对较平滑或平滑均匀的区域,在匹配过程中,会出现匹配最小多值问题,面临如何确定最佳匹配。本文算法采用平滑性测度指标函数来屏蔽平滑或平滑均匀区域,并在匹配完成后,按照最近邻视差均值来估计平滑区域的视差。最后通过立体图像对算法进行了测试。实验结果表明,该方法是可行和有效的。     

基于区域间协同优化的立体匹配算法

提出了一种基于分割区域间协同优化的立体匹配算法. 该算法以图像区域为匹配基元, 利用区域的彩色特征以及相邻区域间应满足的平滑和遮挡关系定义了区域的匹配能量函数, 并引入区域之间的合作竞争机制, 通过协同优化使所定义的匹配能量极小化, 从而得到比较理想的视差结果. 算法首先对参考图像进行分割, 利用相关法得到各分割区域的初始匹配; 然后用平面模型对各区域的视差进行拟合, 得到各区域的视差平面参数; 最后, 基于协同优化的思想, 采用局部优化的方法对各区域的视差平面参数进行迭代优化, 直至得到比较合理的视差图为止. 采用Middlebury test set进行的实验结果表明, 该方法在性能上可以和目前最好的立体匹配算法相媲美, 得到的视差结果接近于真实视差.     

一种基于特征约束的立体匹配算法

立体匹配一直是计算机视觉领域的一个中心研究问题,为了得到适用于基于图象绘制技术的视图合成高密度视差图,提出了基于边缘特征约束的立体西欧算法,该方法首先利用基于特征技术来得到边缘特征点的准确视差图,然后在边缘特征点视差图的约束下,对非边缘特征点采用区域相关算法进行匹配,这样既缩小了匹配搜索空间,又保证了匹配的可靠性,边缘特征点和边缘特征点的匹配采用双向匹配技术又进一步保证了匹配的可靠性,实验结果表明,该算法效果良好,有实用价值。     

基于区域分割和邻域相关性的立体匹配算法

提出一种在图像分割基础上生成稠密视差图的立体匹配算法,利用滑动窗口生成鲁棒性较好的视差空间图DSI,运用分水岭算法将图像分割成多个小区域,根据每个区域在视差空间图内的视差分布情况计算该区域的信赖度,并综合各区域的邻域对其产生的影响,以获得稠密视差图,采用国际标准数据对该算法进行测试,实验结果表明,该算法能够获得较好的匹配结果。     

基于改进的种子点扩展自适应立体匹配算法

由于在图像中不同区域的纹理密集程度不同,因此使用固定窗口大小的算法无法兼顾纹理不同的区域,并且在视差不连续区域的匹配精度较低。针对该问题,提出一种自适应窗口和自适应权重相结合的算法,并且采用种子点扩展的方法。首先,通过交叉自适应窗口法,区分出连续点和孤立点,对于不同的分类点采用不同的处理方法。其次,针对每一个像素点,利用改进的自适应权重方法进行匹配。最后,提出一种新的种子点扩展的视差优化方法,对初始视差图进行精细化。实验结果表明,视差图中纹理密集区域和视差不连续区域的误匹配现象得到改善。该算法可以有效地处理图像中纹理分布不均的问题,提高了在视差不连续区域内匹配精度。     

改进的跨尺度引导滤波立体匹配算法

作为双目三维重建中的关键步骤,双目立体匹配算法完成了从平面视觉到立体视觉的转化.但如何平衡双目立体匹配算法的运行速度和精度仍然是一个棘手的问题.本文针对现有的局部立体匹配算法在弱纹理、深度不连续等特定区域匹配精度低的问题,并同时考虑到算法实时性,提出了一种改进的跨多尺度引导滤波的立体匹配算法.首先融合AD和Census变换两种代价计算方法,然后采用基于跨尺度的引导滤波进行代价聚合,在进行视差计算时通过制定一个判断准则判断图像中每一个像素点的最小聚合代价对应的视差值是否可靠,当判断对应的视差值不可靠时,对像素点构建基于梯度相似性的自适应窗口,并基于自适应窗口修正该像素点对应的视差值.最后通过视差精化得到最终的视差图.在Middlebury测试平台上对标准立体图像对的实验结果表明,与传统基于引导滤波器的立体匹配算法相比具有更高的精度.     

基于自适应迭代松弛的立体点对匹配鲁棒算法

图像匹配是立体视觉的重要部分,也是双目立体测量系统必须解决和最难解决的问题。为了对图像进行鲁棒性匹配,提出了一种基于自适应迭代松弛的立体点对匹配方法。该方法首先利用视差梯度约束来构造匹配支持度函数;然后通过松弛方法优化该函数来完成立体点对的匹配。由于利用了动态更新松弛匹配过程参数的方法,因此有效地降低了误匹配率和误剔除率。在此基础上还提出了对松弛过程结束后的匹配结果,再次使用视差梯度约束来进行进一步检验的策略,该策略能够以一定幅度的误剔除率提升为代价,大幅度降低了误匹配率,从而可满足许多要求严格限制误匹配率的应用。实验结果证明,该新算法是有效的,并已经用于一个双目立体测量原型系统当中。     

根据灰度值信息自适应窗口的半全局匹配

目的 立体匹配算法是立体视觉研究的关键点,算法的匹配精度和速度直接影响3维重建的效果。对于传统立体匹配算法来说,弱纹理区域、视差深度不连续区域和被遮挡区域的匹配精度依旧不理想,为此选择具有全局匹配算法和局部匹配算法部分优点、性能介于两种算法之间、且鲁棒性强的半全局立体匹配算法作为研究内容,提出自适应窗口与半全局立体匹配算法相结合的改进方向。方法 以通过AD（absolute difference）算法求匹配代价的半全局立体匹配算法为基础,首先改变算法匹配代价的计算方式,研究窗口大小对算法性能的影响,然后加入自适应窗口算法,研究自适应窗口对算法性能的影响,最后对改进算法进行算法性能评价与比较。结果 实验结果表明,匹配窗口的选择能够影响匹配算法性能、提高算法的适用范围,自适应窗口的加入能够提高算法匹配精度特别是深度不连续区域的匹配精度,并有效降低算法运行时间,对Cones测试图像集,改进的算法较改进前误匹配率在3个测试区域平均减少2.29%;对于所有测试图像集,算法运行时间较加入自适应窗口前平均减少28.5%。结论 加入自适应窗口的半全局立体匹配算法具有更优的算法性能,能够根据应用场景调节算法匹配精度和匹配速度。     

基于梯度值的自适应窗口立体图像匹配算法

针对基于区域的立体图像匹配算法支持窗口难以选择,容易出现窗口过大或过小的问题,提出一种新的自适应窗口立体图像匹配算法。该算法利用Sobel梯度算子计算像素梯度值,并根据其梯度值动态地获取具有自适应的支持窗口,然后分别选择相似性测度函数SAD或NCC搜索最佳匹配点,获得视差图。此外,算法在窗口选择过程中进行优化,减少了计算量。实验结果表明,改进后的算法提高了匹配正确率且计算时间缩短了近5%。     

斜面参数优化全局立体匹配算法研究

针对现有立体匹配算法在非平行平面区域匹配中出现“阶梯效应”的问题,提出一种斜面参数优化的全局立体匹配算法。该算法用斜面参数替代视差值作为全局匹配算法的优化变量,并结合粒子滤波思想实现斜面参数的（近似）连续取值及能量函数的连续域全局优化,理论上可以同时消除传统匹配算法中视差离散取值及视差一致性约束带来的影响,从根本上消除“阶梯效应”。针对典型非平行平面测试图像对的实验结果表明,该算法在有效消除“阶梯效应”的同时降低了误匹配率。     

双目视觉的匹配算法综述

双目视觉是获取对现实世界立体感知的重要方法,在自动驾驶等领域得到了普遍 的应用。立体匹配是实现双目感知的前提,该算法对左右摄像机拍摄的照片进行像素级的匹配, 生成稠密视差图,从而获取了三维坐标信息。概述了立体匹配算法近 20 年来的发展过程,围绕 基于人工特征和深度学习两个方向进行了综述,对算法实现过程中的代价计算、代价聚合、视 差计算和视差求精进行分析讨论,评估了算法的准确性和时间复杂度。最后总结了立体匹配算 法面对的挑战和对未来发展的展望。     

Stereo correspondence by surface reconstruction

An algorithm that solves the computational stereo correspondence and the surface reconstruction is presented. The algorithm integrates the reconstruction process in the correspondence analysis by means of multipass attribute matching and disparity refinement. In the matching process, the requirement of attribute similarity is relaxed with the pass number while the requirement for agreement between the predicted and the measured disparity is tightened. Disparity discontinuities and occluded areas are detected by analyzing the partial derivatives of the reconstructed disparity surface. Results on synthetic and on real stereo image pairs are reported     

基于视差优化的立体匹配网络

现有的立体匹配算法通常采用深层卷积神经网络提取特征,对前景物体的检测更加精细,但对背景中的小物体及边缘区域匹配效果较差。为提高视差估计质量,构建一个基于视差优化的立体匹配网络CTFNet。分别提取浅层与深层特征,并基于深层特征构建全局稀疏代价卷,从而预测初始视差图。在预测的初始视差图和浅层特征的基础上构建局部稠密代价卷并进行视差优化,以细化预测视差值邻域的概率分布,提高特征不明显区域的匹配精度。此外,引入新的概率分布损失函数,监督softmax函数计算的视差值概率分布在真实视差值附近成单峰分布,提高算法的鲁棒性。实验结果表明,该网络在SceneFlow和KITTI数据集上的误匹配率分别为0.768%和1.485%,在KITTI测评网站上的误差率仅为2.20%,与PSMNet网络相比,精度和速度均得到一定提升。     

基于LBP/C纹理分析的立体匹配算法

针对传统方法难以可靠估计图像中纹理单一区域像素点视差的问题,将纹理分析应用于立体匹配中,提出图像分块整体匹配的方法。首先用LBP/C纹理分析方法对图像纹理进行描述;然后进行基于区域生长的扩张检测,得到纹理单一图像块;最后对图像块进行整体匹配,得到纹理单一区域的稠密视差图。对国际标准图像进行测试,结果表明该算法能提高纹理单一区域稠密视差图的精度,具有实用价值。