一种基于图割理论的快速立体匹配算法

针对传统的立体匹配算法中存在的低纹理区域和遮挡区域匹配精度低、实时性不好等问题,提出了一种基于图割理论的立体匹配算法.把图像分割成色彩单一的不同区域;计算初始视差图,利用可靠点求取各分割区域的平面模板参数,对模板参数相同的相邻区域进行融合;构造全局能量函数,采用图割算法求取全局能量最小的视差最优分配.实验结果表明,该算法对低纹理区域和遮挡区域均有较好的匹配结果,能够满足高精度、高实时性的要求.     

一种基于图割的改进立体匹配算法

针对基于图割法的立体匹配算法耗时太长的问题,提出了一种基于简化网格图的立体匹配算法．算法 通过区域匹配算法得到每个像素的初始视差值,然后只保留完整网格图的部分可能的视差值,去除其余大部分的节 点和边缘,建立简化的网格图．该方法大大缩减了网格图的容量,缩短匹配所用时间,并且能够选用更大的视差范 围．实验证明,该算法能够得到比较理想的视差图,而且大大缩短立体匹配所用时间．     

一种改进的基于图割的立体匹配算法

为了提高立体匹配算法的精确度,提出了一种结合图割与Mean Shift图像分割的立体匹配算法。首先用Mean Shift算法对参考图像进行图像分割,得到分割后的标记图,然后将分割信息结合到图割算法的能量函数中,最后用改进的能量函数和图割算法得出致密的视差图。实验结果表明,提出的算法具有更高的精确度和更好的边缘特征。     

基于自适应权重的全局图割立体匹配算法

针对立体匹配中存在纹理、遮挡区域和深度不连续的问题,提出一种基于自适应权重的全局图割立体匹配算法,一方面,采用单像素自适应权重加窗匹配能够减少深度不连续和稀疏纹理处匹配的误差;另一方面,对于图割中的平滑项表示和遮挡处理,使用一定平滑约束和遮挡约束构建能量函数而取得最优解。实验结果表明,该算法能保证匹配的可靠性。     

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。     

基于免疫算法的立体匹配

立体匹配是立体视觉中的关键问题,提出了基于免疫算法的多分辨率立体匹配方法,为了提高匹配的准确性,同时利用和图象的灰度和梯信息进行匹配,并给出了匹配的准则函数;将免疫算法用于该问题的求解,以避免局部最优;实验结果证明了该方法的有效性。     

基于模糊判别的立体匹配算法

立体视觉一直是计算机视觉领域所研究的一个中心问题,而立体匹配则是立体视觉技术中最关键也是最困难的部分,就得到适用于基于图象绘制技术中视图合成的准确、高密度视差图（Disparity Map）而言,现有的一些方法存在一定的局限性。考虑到立体匹配过程中存在的不确定性和模糊性,本文将已获得广泛应用的模糊理论引入立体匹配领域,提出了基于模糊判别的立体匹配算法,并用实际图象与合成图象进行了实验验证,结果表明该算法效果良好,具有实用价值。     

基于图像分割的快速立体匹配算法

针对Tao的平滑表面假设提出了一种基于图像分割的快速立体匹配算法。算法把参考图分割成多个区域，计算其中可靠区域的平面模板，通过贪婪算法把平面模板分配给不可靠区域使得全局评价函数取到最小值。该算法能克服基于局部算法中存在的边界模糊，以及低纹理区误匹配严重的缺点，解决了传统的基于全局算法中计算量过大的问题。实验表明，该算法能同时满足高精度和高实时性的要求。     

立体匹配的免疫算法

立体匹配是计算机视觉的重要问题之一,文章提出了基于免疫算法的立体匹配方法,将免疫算法用于立体匹配问题中,避免局部最优,以便得到最优视差图;实验结果证明了该方法的匹配的精度高、速度快。     

一种基于双重分割的立体匹配算法

立体匹配通过计算同一场景不同视点下图像的匹配像素的视差,恢复场景的深度信息.文中对传统的基于分割的立体匹配算法进行改进,提出了一种基于双重分割的立体匹配算法.首先对参考图像进行颜色欠分割,使每个区域包含足够的信息进行平面拟合;然后对初始匹配视差图进行分割,检测颜色分割中的欠分割区域并进行再分割,进而对再分割后的区域进行平面拟合;最后利用合作算法对不可信区域优化,以提高匹配算法的运行效率.Middlebury标准图像测试集上的实验结果表明,相对于传统分割算法,该算法时间开销更少、匹配精度更高.     

基于ORB算子的快速立体匹配算法

针对利用SURF（Speeded Up Robust Features）进行立体匹配难以满足实时性需求这个问题,提出了一种基于ORB（Oriented fast and Rotated BRIEF）特征的立体匹配算法。在提取ORB特征点时,用一个数组记录该特征点因减小边缘效应而排序后的次序,结合极线约束、唯一性约束和顺序约束,来减少搜索空间,再以KNN（K-Nearest Neighbor）作为匹配策略,计算特征描述子的汉明距离,最后以最近邻匹配作为立体匹配结果。实验结果表明,该方法匹配速度快,准确度高,即使在图像未经校正的情况下,仍有较高的准确率。     

基于强相似点检测快速双目立体匹配算法

立体匹配是双目视觉的一个重要分支领域,能够通过深度图还原出三维信息,但由于其计算量庞大,实时性难以得到保障。为此,提出了一种基于强相似点的快速立体匹配算法。首先,将双目图像通过对极处理,使匹配区域固定在同一水平线上,减少匹配区域;其次,对图像进行灰度转化,并将搜索范围内与待匹配点灰度值接近的点定义为强相似点,对强相似点所在块进行匹配代价计算,并得出该点最优视差,对不存在强相似点的待匹配点进行正常视差计算;最后将进行视差修正与滤波,得到最终视差图。经Middlebury算法测试平台的提供数据进行验证,结果表明在不损失精确率的前提下,该方法相对于SAD速度提高70%左右,为立体匹配算法的实际应用奠定了良好基础,在视觉导航、障碍物检测方面也有着良好的应用前景。     

基于多尺度分析与图割的快速图像分割算法*

以GrabCut算法为基础,引入多尺度分析方法,以塔式分解的多尺度图像序列代替固定尺度的原始图像序列估计GMM参数,将粗糙尺度的易分割性与精细尺度的精确性互补,使得算法以较少样本快速确定GMM参数,分割精度不减而效率显著提高。实验表明了算法的有效可行性。     

一种基于图割与GVF Snake的凹型目标快速提取算法

将图割理论与GVF Snake模型有机结合,提出了一种凹型目标的快速提取算法。首先用图割算法对初始轮廓线迭代变形,使其在快速提取非凹型段目标边界的同时将轮廓线有效地置于梯度矢量流力场的“有效逼近域”内,然后用GVF Snake算法继续对轮廓线迭代变形,提取凹型段目标边界。实验表明,该算法能快速、准确提取凹型目标。     

基于图割理论的尺度自适应人脸跟踪算法

针对连续自适应的Mean-Shift（Camshift）算法跟踪人脸时尺度过度放缩这一问题,提出了一种基于图割的Camshift人脸跟踪算法。首先,在每一帧图像的Camshift迭代结果内建立图割区域,使用高斯肤色模型作为图割权值分割出图割区域内肤色团块;然后,计算该肤色团大小得到目标真实尺度,并比较与上一帧图像跟踪框内肤色团的尺度来判断是否需要重新跟踪目标;最后,再以该团块作为下一帧跟踪目标。实验结果表明,基于图割的Camshift人脸跟踪算法有效地克服了跟踪时其他肤色区域的干扰,能有效地反映人体快速运动中人脸真实尺度变化,同时防止Camshift算法丢失跟踪目标而陷入局部最优解,具有较好的可用性和鲁棒性。     

快速鲁棒的立体匹配方法

针对全局匹配算法复杂度太高的问题,提出了一种基于图割的快速鲁棒立体匹配算法。一方面,参考局部立体匹配算法的思想,优化图割求解中的网格图的节点和边缘个数,使得在进行图割全局优化求解时不需要遍历所有视差值,从而减少匹配时间;另一方面,用二维线性插值算法计算亚像素,提高匹配精度和算法鲁棒性。实验结果表明,该算法快速、鲁棒、准确。     

基于外极线约束的快速精确立体匹配算法

针对三维运动捕捉系统标记点匹配中存在标记点交叠等情况和速度要求,提出利用平行相机结构,使用统计匹配像素点的平均高度差计算相机间的高度差,并将其与外极线约束相结合将匹配标记点搜索范围限制在一个特定区域内,与传统的利用外极线约束需要在整条直线上进行搜索相比,将搜索范围限制在一个估算点周围,减小了搜索区域,提高了匹配速度。对于标记点存在交叠的情况,使用聚类的方法和加权距离最小值得到正确的匹配标记点,从而提高了立体匹配的精度。实验结果验证了算法的有效性。     

基于四叉树分解与图割的彩色图像快速分割

图割是一种基于图论的组合优化方法,基于图割的GrabCut是一种高效的前景提取算法。然而,GrabCut为达到一定分割精度,在高斯混合模型参数估计过程中多次迭代使用图割,这使得GrabCut在处理海量级图像数据时,耗时往往比较大。通过四叉树分解,可以将图像划分成区域内相似度高的若干分块,以构建精简的网络图,并用块内的RGB均值代替该块内的所有像素点的值进行高斯混合模型参数估计,从而减小问题规模,提高算法效率。实验结果表明了算法的可行性及有效性。     

双目视差的快速匹配方法

立体匹配是三维重建关键步骤之一。提出了基于视差投影的匹配方法和基于约束条件的引导匹配的方法,将两种方法结合可提高匹配的效率,降低误匹配率。实验证明：该算法实现简单,缩小了匹配范围,提高了匹配的效率,降低了误匹配率,效果很好,有很好的实用价值。