融合梯度信息自适应窗口的立体匹配

针对立体匹配算法中对固定窗口匹配代价计算存在匹配精度低的问题，该文提出了一种基于融合梯度信息自适应窗口的立体匹配算法。以AD-Census和SGM立体匹配算法为基础，首先研究了窗口大小对算法性能的影响，并在代价计算中加入融合梯度信息的自适应窗口算法，使用标准图像集对改进前后的算法性能进行对比。实验结果表明，匹配窗口增大可以提高算法的匹配精度但会降低算法效率，利用梯度信息调节窗口大小可以提高算法的适用性，保持效率的同时降低三类区域中的误匹配率。在4个测试集中误匹配率平均下降了4.05%，平均运行时间只增加了0.82 s，改进后的立体匹配算法具有更好的综合性能。     

基于改进Census变换的鲁棒立体匹配算法

针对局部立体匹配算法对噪声与光照变化敏感及在弱纹理区域匹配效果不佳的情况，提出一种基于改进Census变换与自适应参数引导滤波的立体匹配算法。该算法融合HSV通道值计算代价，对噪声与光照变化有较好的鲁棒性；在支持窗口内分别使用欧式距离加权与颜色加权获得Census变换参考值；集成AD与Census代价提高了单像素匹配代价的稳定性，降低了原Census变换对中心像素的依赖程度。在代价聚合过程中使用峰度系数对正则化参数进行自适应处理，通过视差计算获得视差图。在VS2017平台上对Middlebury数据库提供的图像对进行匹配实验，该算法在标准图像、加噪声图像及光照变化图像的各区域平均误匹配率分别是7.80%、10.72%和9.89%。结果表明：该算法可以降低误匹配率，同时能更好地适应噪声与光照变化。     

全距离深度平衡立体匹配网络

针对当前视差估计网络在将视差转换成深度时,存在深度精度受相机参数影响,且在远距离处产生深度精度急剧下降 的问题,提出一种全距离深度平衡立体匹配网络(FRDBNet)。 首先构建深度代价体,使网络学习到全距离深度的概率分布,进 行深度回归直接生成深度;然后采用视差与深度损失融合的训练策略使网络同时关注远中近三分段全距离的深度估计;最后, 基于初始视差右图对应点 7 邻域特征设计视差优化模块进一步提高网络的深度估计精度。 在大型真实驾驶场景 DrivingStereo 数据集上的实验表明,针对全距离[1,100]m 的深度估计,FRDBNet 在[1,30]m 近距离、[30,60]m 中距离和[60,100]m 远距离 处深度精度相比 CVPR2022 性能表现优越的 ACVNet 分别提高 10. 38%、15. 11%和 20. 35%,达到了良好的深度精度平衡。     

基于神经网络密集匹配的资源三号DSM提取北大核心CSCD

在目前现存的数字地表模型生成方法中,大多采用半全局立体匹配(semi-global matching,SGM)及其派生算法来进行遥感影像的密集匹配。传统SGM的匹配结果总体上较好,但仍存在一些不足,例如在阴影区域、低纹理、重复纹理以及局部光强不一致等区域存在较多的视差空洞,且在视差不连续的区域易存在较大的匹配误差等。近年来,基于深度学习的密集匹配方法在多个数据集上取得了较好的成绩。该文将孪生神经网络计算匹配代价引入资源三号密集匹配生成数字地表模型流程中,实验了深度学习方法在国产资源三号02星密集匹配方面的性能;对模型泛化能力进行了针对训练,和经典方法进行了比较,并与商业软件进行了精度对比。实验表明,与传统的影像密集匹配生成数字地表模型的方法相比,基于深度学习的匹配效果更优。     

列车风管管接头间接识别定位方法

为完成移动机器人对列车风管的摘解任务，需要对列车风管管接头进行定位。针对列车风管管接头不易识别且识别定位需要一定实时性和精度的问题，利用双目视觉系统提出了一种间接识别定位方法。在目标识别中，根据列车风管的特点，基于颜色特征在HSV空间中对风管近端金属圈进行识别，提取出金属圈形心坐标；在三维重建中，利用具备较高精度和一定实时性的组合立体匹配算法对风管近端金属圈进行三维重建，得到其三维坐标后根据管接头与近端金属圈相对位置关系固定的特点，通过空间坐标转换得到管接头的三维坐标，实现列车风管管接头的定位。最后，在（200～650）mm的距离范围内进行实验验证，实验最大绝对误差为12.88mm，算法最长耗时为245ms，结果表明该方法满足要求。     

仓库三维重建系统中改进双目匹配SAD算法研究

利用双目立体视觉技术实现危险化学品仓库的三维重建是库内安全监测的有效手段，立体匹配是其中的重点和难点。提出一种利用加权SAD算法和灰度共生矩阵的双目立体像对稠密匹配算法，该算法对传统SAD匹配算法做出改进，引进服从二维高斯分布的加权系数求出初始视差图，然后结合灰度共生矩阵的4个纹理特征，利用图像纹理信息对空洞进行填充，得到了优化的视差结果。实验结果表明，该算法在标准数据集及仓库模型具有较好的适用性。     

融合Swin Transformer的立体匹配方法STransMNet

针对基于CNN的立体匹配方法中特征提取难以较好学习全局和远程上下文信息的问题，提出一种基于Swin Transformer的立体匹配网络改进模型(stereo matching net with swin transformer fusion,STransMNet)。分析了在立体匹配过程中，聚合局部和全局上下文信息的必要性和匹配特征的差异性。改进了特征提取模块，把基于CNN的方法替换为基于Transformer的Swin Transformer方法；并在Swin Transformer中加入多尺度特征融合模块，使得输出特征同时包含浅层和深层语义信息；通过提出特征差异化损失改进了损失函数，以增强模型对细节的注意力。最后，在多个公开数据集上与STTR-light模型进行了对比实验，误差(End-Point-Error,EPE)和匹配错误率3 px error均有明显降低。     

基于双目立体视觉的平面工件识别和定位研究

以机械加工零件中常见的带孔平面工件为研究对象，采用透视可变形模板匹配的识别方法，Blob分析与Hough检测边缘相结合的定位方法。对于如何得到图像对中工件圆特征中心的同名点像素坐标，提出了一种新思路：首先在模板图像上绘制ROI轮廓，将工件的局部特征分割成单独的区域，这种分块化缩小图像定义域的方式，可以加快识别速度，接着在左右图像中投影变换出搜索区域，然后采用上述的定位算法得到圆心坐标，最后对目标点进行三维重建。通过对工件厚度测量的实验结果表明，Z轴重建精度为±0.108 mm,在视觉测量领域具有较好的应用前景。     

融合多尺度信息的各向异性立体匹配

针对传统立体匹配算法准确率低且在弱纹理区域存在误匹配的问题，提出融合多尺度信息的各向异性立体匹配算法(ASMSI)。首先构造各向异性的匹配代价计算函数，将梯度和相角信息引入代价计算过程中用于剔除弱纹理区域的离群点；随后采用融合多尺度信息十字交叉代价聚合计算每个支持域内的匹配代价；进一步经赢家通吃策略生成初始视差图；在此基础上进行左右一致性检测及后处理得到精修后的视差图；最后通过仿真实验对比图像中非遮挡、深度不连续区域的误匹配率和运行时间来评价算法模型。实验结果表明：所提算法能有效解决弱纹理区域的误匹配问题，使匹配准确率提高了5.02%,能够满足立体匹配过程中高效率、高精度的要求。     

结合描述子信息的多约束散斑扩散匹配方法

散斑结构光因只需投射一幅图像即可获取三维信息，成为近年来的研究热点。但利用散斑结构光进行三维信息获取时，存在散斑特征点匹配数量少、误匹配率高的问题，为此研究了散斑特征点提取与匹配算法。在分析散斑点区域灰度分布规律的基础上，提出一种基于灰度值比较的散斑特征点提取方法，通过比较窗口上相关像素灰度值进行粗提取，定义特征点响应函数消除冗余检测。匹配方面，建立散斑特征点描述子，提出一种基于描述子信息的多约束扩散匹配方法，首先通过多约束条件获得匹配度较高的种子点，生成种子点队列，其次利用队列中种子点的描述子信息，对描述子中未匹配的散斑特征点进行扩散匹配。实验结果表明，与其他方法相比，所提算法将匹配数量提高了35%以上，误匹配率降低到0.12%。