一种利用动态规划和左右一致性的立体匹配算法

立体匹配是计算机视觉领域研究的一个重要课题,为了得到准确、稠密的视差图,提出了一种利用动态规划和左右一致性的立体匹配算法。该算法首先分别以左、右图像为基元图像,计算各自的视差空间图像,在视差空间图像上利用动态规划,计算得到左视差图和右视差图;然后通过使用左右视差图之间的一致性关系,消除误匹配点,得到较为准确的部分视差图;最后利用视差图的顺序约束关系,给出未匹配视差点的搜索空间计算方法,并利用一种简单有效的方法来计算这些点的视差值。在一些标准立体图像对上所做的实验结果表明,该算法效果良好。

面向低纹理图像的快速立体匹配

立体匹配中,低纹理区域容易产生匹配多义性,导致失配,为了解决低纹理匹配问题,通常采用增大聚合窗口或全局优化算法(如:动态规划算法),但是此类算法会导致边缘处的视差模糊不清,因此,文章提出了一种基于边缘图像的快速立体匹配算法。首先,对立体图像对进行边缘检测和Sobel滤波;然后,基于So-bel滤波后的图像,先后计算水平聚合代价和垂直聚合代价;最后,利用WTA(Winter-Take-All)优化算法得到最终视差图。实验中,对视差稠密度和准确度进行了定量分析,左右一致性检验平均达标率超过了88%,结果表明,本算法使用边缘提取取代图像分割作为代价聚合向导,很好地解决了低纹理区域立体匹配问题,同时大大提高了匹配效率,获得了准确可靠的视差图,达到了自主导航系统的要求。

无人机导航场景中立体匹配算法研究

针对现有立体匹配算法难以兼顾无人机导航场景中匹配精度和幅度失真的鲁棒性,提出了一种基于改进Census变换的立体匹配算法。根据图像结构和色彩信息获得基于十字骨架的任意形状和大小的Census变换窗口,并利用改进Census变换的Hamming距作为匹配代价,采用局部优化(WTA)和左右一致性校验得到视差结果,获得高精度的视差图。实验表明,该算法不仅能够获得高精度的视差图,更对幅度失真有很强的鲁棒性,能够很好地适用于无人机导航场景。

一种改进自适应权重稀疏区域立体匹配算法

立体匹配是根据两幅或者多幅具有一定视差的图像,获得图像之间视差图的过程.针对自适应权重立体匹配算法难以同时满足精度和速度的不足,提出一种符合人眼视觉特性的改进自适应权重稀疏区域立体匹配算法.首先对权重公式进行改进,改进后根据公式计算每个点的权重,其次对图像进行稀疏的区域匹配获得稠密视差图,然后将所得视差图进行左右一致性检测及遮挡填充,最后对视差图进行中值滤波,以去除孤立的误匹配点和噪声点.实验结果表明,改进方法比Yoon的自适应权重算法匹配效率提高了90多倍,比SSD精度提高了12.34%,能够快速的获得精确的视差图,满足系统对实用性的要求.

基于重排序Census变换的半全局立体匹配算法

针对立体匹配中传统局部算法在计算匹配代价时精度低、抗噪能力弱等问题,提出一种结合改进的Census变换和单方向动态规划优化的半全局立体匹配算法。首先,重排序不同尺度的Census变换窗口中的像素,取其中值计算Hamming距,解决了传统算法对Census变换窗口中心像素依赖的问题。其次,基于单方向动态规划的路径聚合算法对初始代价值进行优化,减少初始代价值中的异常匹配点,提高对弱纹理部分的视差重建,进一步提高匹配精度。最后,采用赢者通吃策略选择单个像素最小代价聚合值所对应的视差,并在视差优化阶段基于左右一致性原则剔除错误视差。实验结果表明,改进的半全局立体匹配算法生成的初始视差图平均误匹配率降低了8.22%,质量相对更高;且在不同噪声下的平局误匹配率均在8%以下,有效的增强了抗噪声的鲁棒性,提升了匹配精度。

基于改进Census变换的局部立体匹配算法

针对基于传统Census变换的立体匹配算法鲁棒性差和精度不高的问题,提出一种基于改进Census变换的自适应权重立体匹配算法。首先,用Census变换窗口中邻域像素的中值来替换中心像素的灰度值,克服了邻域像素对中心像素的依赖;然后用自适应权重的方法分别计算匹配代价和进行立体匹配,得到初始视差;最后通过左右一致性校验和亚像素提精的方法得到稠密的视差图。实验结果表明,该算法有很强的鲁棒性和很高的匹配精度。

一种基于置信传播的全局立体匹配算法

针对局部立体匹配算法匹配速度慢、误匹配率高,对遮挡区、无纹理区较敏感等特点,提出了一种基于置信传播的全局立体匹配算法.通过距离变换算法优化消息计算,双边图技术进行消息迭代更新,使用分块更新的多尺度置信传播,在不影响计算精确度的情况下降低了消息更新的时间复杂度.最后通过左右一致性检测实现遮挡检测并进行遮挡填充,对于遮挡剔除之后产生的水平条纹进行了中值滤波处理.实验结果表明,改进的置信传播算法在速度上具有明显的优势,同时也获得了良好的视差图效果.

顾及图像分割信息的半全局立体匹配算法研究

针对传统半全局立体匹配算法(SGM)在高分辨率图像弱纹理以及视差不连续区域的误匹配问题,提出了一种顾及图像分割信息的SGM算法。该算法在代价计算阶段,首先根据图像分割信息自适应调整匹配窗口大小,采用不同状态信息的改进Census变换计算初始代价,解决传统算法对Census变换窗口中心像素依赖的同时减少了匹配时间;在代价聚合阶段,将图像分割信息与传统SGM算法的全局能量函数进行有机结合,提高算法在弱纹理以及深度不连续区域的匹配效果;最后通过左右一致性检测和子像素细化得到优化后的视差图。所提算法利用Middlebury平台标准数据进行验证,实验结果表明,平均误匹配率为4.54%,与传统SGM算法和一些改进算法相比,该算法能够在影像弱纹理和视差不连续区域获得更高匹配正确率。

超像素分割约束的自适应SAD与Census融合立体匹配算法

为提高立体匹配精度,提出一种超像素分割约束的自适应SAD与Census融合的立体匹配算法。针对SAD在匹配过程中无差别使用窗口内像素点灰度值引入的误差,首先用简单线性迭代聚类(SLIC)超像素分割方法对待匹配图进行处理,将分割结果结合窗口内邻域像素点和中心像素点的距离给SAD立体匹配过程中窗口内像素点灰度值赋予适当的权重;进行Census立体匹配过程,并对两种算法的匹配结果进行自适应融合;对初始视差图进行左右一致性检测和遮挡点填充等后处理过程。实验表明,提出算法与传统算法相比,匹配效果显著提高,可以很好地适应细节丰富的图像并且对于有垂直位移的图组也有较好的适应性,对于图像对比度及光照变化具有鲁棒性。

融合自适应权重和置信传播的立体匹配算法

为了提高传统置信传播立体匹配算法在深度不连续区域的准确率问题,该文提出一种融合局部自适应权重和置信传播的立体匹配算法。该方法采用改进的局部自适应权重算法,获得初始视差估计,通过左右一致性检测出不可信象素点;对分割后的图像,采用新的消息传播策略,进行消息的不对称传递。实验结果表明,该算法对深度不连续和弱纹理区域均有较好的匹配结果,能获得比较理想的视差图。

基于双目视觉的自适应匹配优化方法

自适应支持权重(SAW)算法在精度和感光度方面性能较优,但在运行时间方面耗时过长。为此,提出一种优化的自适应支持权重方法。简化ASW算法支持权重公式中的颜色相似度函数,引入左右连续一致性检验,找出初始视差图中的遮挡点并进行遮挡填充。通过中值滤波消除遮挡填充可能出现的水平条纹并对图像进行平滑化处理。实验结果表明,该方法在支持窗口不变的情况下比ASW算法平均运行时间减少20%,平均误匹配率降低2.76%,且对光照具有良好的鲁棒性。

基于图像分割的改进Census变换立体匹配算法

针对传统Census变换立体匹配算法精度低,提出基于图像分割的改进Census变换立体匹配算法.将Census变换窗口中心像素的灰度值用其邻域像素灰度值的中值代替,从而减少噪声对匹配精度的影响,增强算法的抗干扰能力.采用MeanShift算法对图像进行分割,结合其Census变换结果,以Hamming距离作为匹配代价,求取最佳匹配点,进而求取初始视差.通过左右一致性检验对视差图进行细化,对误匹配点进行替代和对遮挡区域进行填充,生成最终视差图.实验显示,该算法的鲁棒性和匹配精度优于传统算法,并且在深度不连续区域也能够获得精确的视差.

结合颜色信息的Census变换半全局立体匹配算法

针对传统单一Census变换未充分利用影像信息且精度不高的问题,该文提出了一种结合颜色信息的Census变换半全局立体匹配算法。该算法联合像素点间RGB颜色绝对差值与其Census变换值的匹配代价计算方法,采用八方向半全局视差获取方法获得初始稠密视差图。为进一步提高匹配精度,利用左右一致性交叉检测确定初始视差图中不稳定视差;采用基于均值偏移图像分割的视差优化算法对视差图中不稳定视差进行优化,获得最终视差图。选取4组middlebury立体图片库经典立体像对进行视差获取实验并检测。结果表明,本算法能够获得较高精度且可靠视差图,且在遮挡、视差不连续处的视差精度明显优于单一Census变换立体匹配算法及一些改进半全局立体匹配算法。

基于双目视觉的三维车辆检测算法

立体区域卷积神经网络(Stereo R-CNN)算法具有准确、高效的特点,在一定场景下的检测性能较好,但对于远景目标的检测仍有一定的提升空间。为了提升双目视觉算法的车辆检测精度,提出一种改进的Stereo R-CNN算法。该算法将确定性网络(DetNet)作为骨干网络,以增强网络对远景目标的检测;针对左右目视图的潜在关键点,建立了左右视图关键点一致性损失函数,以提高选取潜在关键点的位置精度,进而提高车辆的检测准确性。在KITTI数据集上的实验结果表明,本算法的性能优于Stereo R-CNN,在二维、三维检测任务上的平均精度提升了1%~3%。