金字塔双层动态规划立体匹配算法

针对控制点修正的动态规划立体匹配算法存在控制点求取时阀长、实时性差的问题．提出一种金字塔双层动态规划立体匹配算法．采用金字塔算法求取低、商分辨率图像，然后分别在低、商分辨宰图像上求取候选控制点集和最终控制点集，并用最终控制点集修正商分辨率图像上的动态规划立体匹配．由干候选控制点集的求取在低分辨率图像上进行，算法用时大为减少．实验证明，此算法匹配率商、速度快．     

基于改进Census变换的立体匹配算法

针对基于传统Census变换的立体匹配方法精度不高的问题, 提出一种基于坐标模板Census变换的立体匹配方法。该方法首先设计一个坐标为高斯分布的变换模板指导Census变换; 其次, 以Census变换结果之间的Hamming距离作为匹配代价求取初始视差, 同时使用SSE4. 2指令提高Hamming距离计算效率; 再次, 使用非局部代价聚合方法优化视差结果; 最后, 获得精度较高的视差图像。实验结果表明, 该算法具有较好的匹配精度和较高的匹配效率。     

基于线性滤波的树结构动态规划立体匹配算法

传统的动态规划立体匹配算法能有效保证匹配精度的同时提高运行速度, 但得到的视差深度图会出现明显的条纹现象,同时在图像弱纹理区域以及边缘存在较高的误匹配. 针对该问题,提出了一种新的基于线性滤波的树形结构动态规划立体匹配算法. 算法首先运用改进的结合颜色和梯度信息参数可调的自适应测度函数构建左右图像的匹配代价, 然后以左图像为引导图对构建的匹配代价进行滤波; 再运用行列双向树形结构的动态规划算法进行视差全局优化, 最后进行视差求精得到最终的视差图.理论分析和实验结果都表明, 本文的算法能有效地改善动态规划算法的条纹现象以及弱纹理区域和边缘存在的误匹配.     

图像立体匹配研究进展

图像的立体匹配一直是立体视觉的研究重点.首先简要介绍了立体匹配方法及其分类,归纳了立体匹配中的各种约束条件和相似性测度函数;然后总结了局部匹配算法和全局匹配算法的特点,并结合对象的三维重建问题重点分析了全局匹配算法中的动态规划算法、图割法和置信度传播算法;最后对立体匹配研究面临的主要问题给出了一些建议.     

采用高斯混合模型及树结构的立体匹配算法

针对传统立体匹配算法无法同时为图像边缘和低纹理区域提供一个合适大小的聚合窗口而导致匹配精度较低的难题,提出一种结合高斯混合模型及最小生成树结构的立体匹配算法。通过图像初始视差、像素颜色及距离信息将图像分为初始若干区域及待分割候选像素;基于高斯混合模型并行迭代更新各区域参数,得到最终的分割;在各分割上建立最小生成树计算聚合值求取视差;通过邻域内的有效视差修正误匹配点,获取精度较高的稠密视差图。与其他算法相比,该算法能有效降低误匹配率,尤其在深度不连续区域的匹配效果显著改善。     

一种基于置信度传播的立体匹配算法

在双目立体视觉中立体匹配问题存在歧义性,是视觉研究中难点问题之一。通过采用分水岭分割图像的方式有效的对图像进行了过分割处理,实现了基于图像块置信传播的匹配算法。最后用Middlebury College图像库中的图像对算法进行了验证,实验结果表明这种方法能够获得很好的匹配效果,克服了传统立体匹配中精度低和速度慢的缺点。     

基于双序列比对算法的立体图像匹配方法*

在分析现有立体匹配方法的基础上,提出一种基于双序列比对算法的立体图像匹配方法。将立体图像对中同名极线上的像素灰度值看做是一对字符序列,使用基于动态规划思想的双序列比对算法对这些对字符序列进行匹配,以获取立体图像视差。为验证该方法的可行性和适用性,采用人脸立体图像对进行实验。实验结果表明,使用该方法进行立体图像匹配能获得光滑的、稠密的视差图。基于动态规划思想的双序列比对算法能够有效地解决立体图像匹配问题,从而为图像的立体匹配提供了一个实用有效的方法。     

提取轮廓图背景控制点的立体匹配算法

针对动态规划匹配算法的误匹配与狭窄遮挡物问题,提出一种在轮廓图中提取背景控制点的立体匹配算法,在立体图像对的轮廓图中选择背景控制点,利用动态规划在视差空间图像中搜索最优路径,根据视差约束以及狭窄遮挡物的判定公式完善视差图。仿真实验结果表明,该算法能够降低在视差不连续区域匹配上的误匹配率。     

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。     

基于多策略融合的亚像素精度立体匹配研究

为了减少亚像素立体匹配中存在的错误匹配以及提高匹配精度,提出基于多策略融合的亚像素精度立体匹配方法。通过以下三个步骤实现:原图像插值处理结合基于最小生成树代价聚集策略估计分数视差;给出新的视差搜索范围确定关系,减少匹配代价计算;在大片低纹理区域引入视差平面拟合细化视差,在亚像素精度上平滑,减少错误匹配。实验表明,算法有效地将匹配精度提高到亚像素级,同时减少了错误匹配。     

一种基于双目立体视觉的图像校正算法设计

立体校正作为立体匹配的先决条件,能消除图像对对应像素的垂直视差,有效地提高立体匹配的精确度.针对校正带来的图像失真问题,研究了一种新的非标定相机的立体校正方法.该方法首先利用SIFT算法提取匹配点,再结合极线校正准则和雅可比行列式来构建能量函数,通过最小化能量函数求得基础矩阵和校正投影变换矩阵,并在像素级上优化了投影变换矩阵.研究结果表明:所设计的校正方法有效地减小了校正误差,更好地保持了原图像的重采样,降低了图像的失真度.     

基于径向基神经网络的立体匹配算法*

针对双目视觉中的图像立体匹配问题,提出了一种基于径向基神经网络的立体匹配算法。该算法提取图像的尺度不变特征变换（SIFT）特征建立特征匹配矩阵,对特征匹配向量进行约简,最后将约简的特征匹配向量输入径向基神经网络进行识别输出。仿真和实际图像实验表明,该算法的匹配正确率比标准的SIFT有所到提高。     

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。     

任意视角的多视图立体匹配系统

为了得到高精度深度图,通过特征点提取与匹配、计算基础矩阵F、引导互匹配、捆集调整等一系列技术,求出每幅视图在同一空间坐标系下的高精度摄像机矩阵P.为任意角度的多个视图建立可扩展的主框架,不需要图像矫正.基于图像坐标和自动计算出的视差范围建立三维网络,为每条边分配适当的权值,把多视图立体匹配问题转化为网络最大流问题.算法保证了高准确率和平滑性,实验结果表明此方法适用于三维模型重建.     

光栅立体视觉三维表面重建系统及其图像处理方法(二)

该文针对网格立体视觉三维表面重建系统提出了一种由粗到精的网格立体图像匹配方法,该方法将基于区域的图像相关匹配技术与基于特征的匹配技术相结合,充分利用了前者的精确性和后者的简洁性等优点。在粗匹配过程中,将特征点的提取过程与匹配过程统一起来,在提取特征的同时对特征点进行必要标记,无需进行特征点的属性分析和设置,减小了特征匹配的难度,避免了匹配歧义性,匹配由粗到精进行,既保证了匹配的准确度,又保证了匹配的精确性。     

基于SIFT特征描述子的立体匹配算法

目前,立体匹配是计算机视觉领域最活跃的研究课题之一。为了克服传统的局部特征匹配算法对噪声和图像灰度的非线性变换敏感的缺点,本文提出了一种新的基于SIFT(Scale Invariant Feature Transform)特征描述子的立体匹配算法。该算法利用图像梯度信息,构造基于三维梯度方向直方图的SIFT特征描述子作为区域特征描述符,通过立体视觉理论中的极线约束将匹配特征的搜索空间从二维降到一维,最后以基于特征描述子欧氏距离的最近邻匹配得到匹配结果。实验结果表明,该方法匹配精度高,对图像灰度的非线性变换比较鲁棒,可以应用于对匹配算法鲁棒性要求比较高的立体视觉系统中。     

基于颜色和几何特征的图像特征点匹配算法

提出一种基于颜色和几何特征的图像特征点匹配算法。首先提取两幅图像特征点集邻域色调的局部累加直方图,然后结合图像特征点的几何特征构造亲近矩阵,再对亲近矩阵进行奇异值分解(SVD),利用分解的结果构造出一个反应特征点之间匹配程度的关系矩阵,最后根据关系矩阵实现两幅图像的特征点匹配。实验结果显示,这种图像特征点匹配算法对真实图像的平面旋转和立体旋转都具有较高的匹配精确度。     

Hierarchical adaptive stereo matching algorithm for obstacle detection with dynamic programming

An adaptive weighted stereo matching algorithm with multilevel and bidirectional dynamic programming based on ground control points （GCPs） is presented. To decrease time complexity without losing matching precision, using a multilevel search scheme, the coarse matching is processed in typical disparity space image, while the fine matching is processed in disparity-offset space image. In the upper level, GCPs are obtained by enhanced volumetric iterative algorithm enforcing the mutual constraint and the threshold constraint. Under the supervision of the highly reliable GCPs, bidirectional dynamic programming framework is employed to solve the inconsistency in the optimization path. In the lower level, to reduce running time, disparity-offset space is proposed to efficiently achieve the dense disparity image. In addition, an adaptive dual support-weight strategy is presented to aggregate matching cost, which considers photometric and geometric information. Further, post-processing algorithm can ameliorate disparity results in areas with depth discontinuities and related by occlusions using dual threshold algorithm, where missing stereo information is substituted from surrounding regions. To demonstrate the effectiveness of the algorithm, we present the two groups of experimental results for four widely used standard stereo data sets, including discussion on performance and comparison with other methods, which show that the algorithm has not only a fast speed, but also significantly improves the efficiency of holistic optimization.     

双目视觉小波域SIFT匹配与极线约束算法研究

研究双目立体视觉技术,特征的提取和匹配是双目视觉的最基本的问题。目前,SIFT已经被证明鲁棒性最好的局部不变特征描述符。但是SIFT算法产生的误匹配较多,精度偏低,为了解决这一问题,同时降低算法特征提取与匹配的复杂度,达到双目立体视觉实时性的要求,文中提出了一种结合小波变换和SIFT特征点的双目立体视觉匹配方法。首先,对双目视觉系统采集的左、右图像进行小波分解,把分解得到的低频图像作为输入,用SIFT算法进行特征点的初始匹配,再利用极线约束的理论求得精确匹配。实验结果表明,该方法具有较强的适应性,能够在减少误匹配的同时,大大加快运算速度。     

基于mean-shift全局立体匹配方法

针对图像全局立体匹配精度高、计算量大的问题,提出基于mean shift图像分割的全局立体匹配方法。首先,通过mean shift算法对图像进行分割,获取图像同质区域数量和区域的标号。在计算匹配代价时,根据像素所属的分割区域,对像素进行筛选,从而提高匹配代价计算速度;其次,在代价聚合前,将mean shift算法获取的同质区域数K值赋值给K-means聚类算法,对像素再次聚类,提高立体匹配精度和速度;最后通过TRW-S置信传播解决能量最小化问题。实验表明,该算法明显提高了匹配的准确性和速度,与单纯的全局匹配算法相比,具有更大的优势。