区域与特征相结合的立体匹配算法

基于区域的匹配算法是立体匹配中常用的方法之一,而基于特征的匹配算法能解决区域匹配中遇到的某些问题,根据特征匹配与区域匹配的特点,提出了一种特征匹配与区域匹配相结合的立体匹配算法.首先在特征匹配中通过改进的Harris提取角点并结合单调性约束和惟一性约束进行匹配,特征匹配的结果能减少误匹配率,为区域匹配打下了基础.然后在...     

一种基于左右视线的立体图像匹配算法

提出了一种有效提高立体匹配中遮挡和低纹理区域匹配精度的方法,算法充分利用立体视觉中的全局约束条件,对不同区域采用不同的约束条件和强度来获得高可靠性点的视差,并且引入左右视线的概念,用于解决复杂场景情况下的左右视图的匹配问题。同时采用改进的协同算法(cooperative algorithm,CA),在视差梯度的约束下,对高可靠性点的视差进行逐步地扩散,最终得到致密的视差图。实验仿真表明,方法可以有效地提高遮挡和低纹理区域中的匹配精度,从而产生较精确的致密视差图。     

一种改进的快速立体匹配方法

首先介绍了立体匹配的一般步骤,再考虑到立体匹配的实时性,从众多立体匹配算法中选择了基于区域的WTA相关匹配算法。同时,为了保证匹配的正确性,降低误匹配率,本文在立体匹配中采用了亚像素插值和边缘检测等多项改进措施。实验结果表明,本文的立体匹配算法既具有良好的实时性也具有较高的精度,完全能满足移动机器人双目立体视觉等应用要求。     

用单数码相机实现物体表面的三维重建

根据由运动重建物体结构的原理,设计了一个简便易操作的三维重建系统,具体做法是:先用张氏标定法求得内参数矩阵,然后在两个不同的未知位置拍摄物体得到两幅图像,经立体匹配后,利用图像特征点的对应关系求解基本矩阵和本质矩阵,分解本质矩阵获得两个拍摄位置确定的摄像机运动参数(旋转矩阵和平移向量),进而求出相机在两个位置的投影矩阵,最后用三角法计算出物体表面特征点的三维坐标并在OpenGL中重建物体表面.和传统的立体视觉系统相比,本系统只需要一台数码相机和平面方格模板就可以实现三维重建,因此适用于普通相机用户.     

用视觉计算实现视频增强现实遮挡处理

使用视觉计算实现视频增强现实遮挡处理,用非线性误差扩散模型提高了对极几何的求解精度;将全局和局部高斯核相结合,提高并加快了物体前景轮廓线的提取精度和速度;仅用轮廓线上的点进行立体匹配的方法加快了真实物体深度反求的速度.与其他方法相比,文中方法速度快、精确度较高.实验结果证明了该方法的正确性和可行性.     

立体匹配算法分阶段测试平台

通过对多种立体匹配算法的研究发现，立体匹配算法的流程可以归纳为5个阶段，初始匹配代价求取、候选匹配代价生成、视差计算是其中的3个核心阶段。该文以此作为理论基础，在VC++6.0环境下对各个阶段进行了类封装，进而设计出立体匹配算法分阶段测试平台。该平台用4种图像控制数据流的传递，统一了类之间的接口。性能检测实验表明，此平台结构清晰、功能完善、操作简单、可扩展性强。     

基于线分割的立体匹配算法

给出一种改进的立体匹配算法。根据视差场的极限约束,采用图像线分割的匹配方法得到初始视差,由基于初始视差的交叉检测技术和可信度约束提取高可靠度的GCP点。针对视差图中的不可靠点,加入Bilateral Filter的自适应加权中值滤波,在由均值偏移图像分割算法得到的分割区域内,对像素的视差值进行投票,有效遏制局外点,得到更合理的视差图。在Middlebury test set上进行的测试结果表明,该算法具有较好的视差估计精度。     

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%。     

多维注意力特征聚合立体匹配算法

现有基于深度学习的立体匹配算法在学习推理过程中缺乏有效信息交互, 而特征提取和代价聚合两个子模块的特征维度存在差异, 导致注意力方法在立体匹配网络中应用较少、方式单一. 针对上述问题, 本文提出了一种多维注意力特征聚合立体匹配算法. 设计2D注意力残差模块, 通过在原始残差网络中引入无降维自适应2D注意力残差单元, 局部跨通道交互并提取显著信息, 为匹配代价计算提供丰富有效的特征. 构建3D注意力沙漏聚合模块, 以堆叠沙漏结构为骨干设计3D注意力沙漏单元, 捕获多尺度几何上下文信息, 进一步扩展多维注意力机制, 自适应聚合和重新校准来自不同网络深度的代价体. 在三大标准数据集上进行评估, 并与相关算法对比, 实验结果表明所提算法具有更高的预测视差精度, 且在无遮挡的显著对象上效果更佳.     

以双目图像互为监督的相容解迭代优选算法

在计算机视觉领域的双目立体匹配方向, 基于神经网络的深度学习算法需要场景数据集进行训练, 泛化能力差. 针对这两个问题, 根据神经网络能够模拟函数的特点, 提出一种无需在数据集上训练, 以双目图像互为监督的深度场景相容解迭代优选算法. 该算法使用场景位置猜测网络模拟关于当前双目图像的深度场景相容位置空间, 用与该网络匹配的互监督损失函数通过梯度下降法指导该网络在输入双目图像上迭代学习, 搜索深度场景相容位置空间中的可行解, 整个算法过程无需在数据集上训练. 与CREStereo、PCW-Net、CFNet等算法在Middlebury标准数据集图像上的对比实验表明, 该算法在非遮挡区域的平均误匹配率为2.52%, 在所有区域的平均误匹配率为7.26%, 比对比实验中的其他算法有更低的平均误匹配率.