一种基于Walsh变换的立体匹配基元

提出了一种以Walsh变换系数作为匹配基元的双目立体匹配方法。通过Walsh正交变换核对图像，变换得到Walsh系数，图像的特征被嵌入到该系数中，费用函数采用了Walsh变换系数作为匹配基元，而不是采用传统的像素灰度值。该文给出了算法的费用函数、匹配过程中相关的数据和最后的视差图。试验结果表明，将Walsh 系数作为一种匹配基元的方法是可行和有效的。     

一种新颖的自适应权重Census变换立体匹配算法

针对当前Census变换立体匹配算法深度不连续区域匹配精度低的缺陷,提出了一种新颖的自适应权重的Census变换立体匹配算法。在Census变换阶段计算变换窗口中心点上下左右四个像素的均值,得到中心点与该均值的差的绝对值,通过判断该绝对值的大小来确定中心点灰度值;为了有区别地对待窗口内各像素点,引入自适应权重,通过线性分段型函数计算自适应权值。在代价聚合阶段同样引入自适应权重并采用变化的聚合窗口,通过聚合窗口中心点和其左右两点的梯度值来确定聚合窗口的大小。实验结果表明,算法的匹配效果优于目前的Census变换立体匹配算法,在深度不连续区域匹配效果显著改善,而且没有明显降低实时性和增加硬件实现的难度。     

一种行星车视觉系统立体匹配算法

针对行星车视觉导航系统,提出一种立体匹配算法。使用Census变换得到一组二进制码流,通过色彩权重和距离权重完成权重计算,采用双通道的方法累加匹配代价。实验结果表明,该算法在时钟频率为100 MHz的情况下,每秒可处理2幅23帧左右的图像,平均误匹配率低于6%。     

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变换的多特性立体匹配算法

针对当前立体匹配算法存在的匹配准确率低，难以达到实用的高精度水平的问题，提出了一种基于改良的Census变换与色彩信息和梯度测度相结合的多特性立体匹配算法，实现高精度的双目立体匹配。算法首先在初始代价匹配阶段，将改进的Census变换、色彩和梯度测度赋权求和得出可靠的初始匹配代价；在聚合阶段，采取高效快捷的最小生成树聚合，获得匹配代价矩阵；最后根据胜者为王法则得到初始视差图，并引入左右一致性检测等策略优化视差图，获得高精度的视差图，实验阶段对源自Middlebury上的标准测试图进行测试验证，实验结果表明，经本文算法处理得到的15组测试数据集的视差图在非遮挡区域的平均误匹配率为6.81%，算法实时响应性优良。     

邻域相关信息的改进Census变换立体匹配算法

针对传统Census变换在视差不连续区域和噪声干扰情况下误匹配率较高的情况,提出了一种利用邻域相关信息的改进Census变换立体匹配算法。根据邻域像素的相关信息,将传统的Census变换中像素与邻域像素的差异应用2位信息表示,使变换后的图像在视差不连续区域的信息表示更为丰富,同时减少噪声对匹配质量的影响。通过并行化自适应匹配代价聚合、亚像素插值、左右一致性约束、遮挡区插值,最终得到了稠密视差图。经Middlebury立体图片测试表明,该算法结构简单,复杂度低,具有较高的鲁棒性,有效地提高了匹配精度。     

一种室外非理想光照条件下的立体匹配算法

针对室外非理想光照条件和图像低纹理、低对比度造成立体匹配效果较差的问题,提出一种HSL(色相-饱和度-亮度)颜色空间下基于边缘图分割的立体匹配算法.区别于传统的RGB颜色空间下基于像素强度的度量方式,该算法采用一种HSL颜色空间下的像素非相似性度量公式来获得匹配代价,然后基于左右输入图像的边缘检测结果进行图像区域分割和立体匹配.在实验中采用一系列不同光照条件的图片集和具有明显低纹理区域的图片集,对本文算法与现有算法进行对比验证.实验结果证明,该算法能够得到比较理想的视差图,对非理想的光照条件和低纹理图像具有很好的鲁棒性,并且基本达到实时性要求.     

一种基于自适应支持权重优化的立体匹配算法

立体匹配是图像处理领域的经典问题和研究热点之一。针对原始ASW立体匹配算法中存在的运算时间过长以及遮挡区域的误匹配率高的问题,提出了一种改进优化方法。在自适应支持权重方法的基础上结合Rank变换方法,从参数选择以及立体匹配性能这两个方面对自适应支持权重进行改进,然后对得到的初始视差进行有效视差校准从而得到最终视差。最后利用仿真实验得到匹配精度较高的图像序列视差图,并通过实验结果对比验证了该方法具有很好的可行性。     

一种新颖的立体匹配方法

将立体匹配转化为求物理模型的平衡状态问题,提出了基于物理模型的立体匹配方法.为了克服局部最优问题及解对初始模型的敏感问题,采用位于真实视差表面两侧的两个物理表面模型,在迭代过程中对能量较大的表面附加驱动力,使其靠近另一表面,直到两个表面收敛到同一个解.为了进一步提高匹配的速度,采用了多分辨率算法.实验结果表明了该方法的有效性.     

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.     

基于自适应权重的改进Census立体匹配算法

针对传统Census算法对噪声敏感且在弱纹理区域匹配精度低的不足,提出一种基于自适应权重的改进算法.在代价计算阶段,通过空间相似度加权计算得到参考像素值,设定阈值限定参考值与中心点像素的差异,使算法能够判断中心点是否发生突变并自适应选择中心参考像素值.在代价聚合阶段,引入多尺度聚合策略,将引导滤波作为代价聚合核函数,加...     

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%。     

自适应窗口快速立体匹配

灰度立体匹配的关键问题是选择一个合适的匹配窗口,该文对Kanade等提出的通过测算局部灰度和视差变化来选取适当窗口的方法进行了改进,提出一种仅利用灰度信息即可确定窗口的简单方法．该方法在能够求得最佳窗口的前提下,可以方便地利用整数图像来提高效率,计算量与窗口大小无关．在国际标准图像上测试的实验结果表明该方法在局部匹配方法中是最优的,虽与有些全局方法相比有一定差距,但其计算复杂度远远低于它们．     

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.     

基于灰度段的立体匹配算法

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IBR(image-basedrendering)技术中视图合成的比较精确的高密度视差图,提出了一种基于灰度段的立体匹配算法.该算法以灰度段作为匹配基元,并将应用于语音识别的DTW(dynamictimewarping)方法引入灰度段的匹配算法中.相对于点基元,灰度段基元覆盖的图像空间要大得多,且不易受噪声、光度变化等因素的影响,因此可以减少误匹配发生的几率,更容易进行匹配,比特征线段、二次曲线等匹配基元计算要简便得多.实验结果表明,该算法效果良好,具有实用价值.     

基于场景层次的遮挡建模与立体匹配

通过在扫描线和图像分割2个层面上建立基于场景层次的遮挡模型,实现了一种全新的从前景到后景分层处理的立体匹配算法.以像素灰度值为依据进行匹配时,离摄像机最近的物体因为不受遮挡的影响,总是最容易匹配成功;稍远一些的景物可以利用已经计算出来的前景建立局部的遮挡模型指导匹配.这样逐层递推,可求得场景中所有物体的视差.图像分割技术将处理单位由像素提升到了图像块,既提高了算法效率,也降低了视差映射图的不连续性.使用标准数据集的测试结果表明,文中算法精度高、强壮性好,在无纹理区域、深度变化边界区域和遮挡区域都达到了比较高的识别率.     

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。     

一个两级迭代体视匹配算法

本文给出了一个两级迭代体视匹配算法.算法以单个△2G通道输出中那些可因相似的方向连接成段的零交为匹配基元.第一级受体视Marr-Poggio内聚性的视差平滑性规则的控制,第二级由第一级的输出驱动并受体视Mayhew-Frisby形状连续性的视差连续性规则控制,从而使匹配结果具有在上述两个体视一般物理约束意义上的局部和全局一致性.文中给出了实验结果.     

基于视差优化的立体匹配网络

现有的立体匹配算法通常采用深层卷积神经网络提取特征,对前景物体的检测更加精细,但对背景中的小物体及边缘区域匹配效果较差。为提高视差估计质量,构建一个基于视差优化的立体匹配网络CTFNet。分别提取浅层与深层特征,并基于深层特征构建全局稀疏代价卷,从而预测初始视差图。在预测的初始视差图和浅层特征的基础上构建局部稠密代价卷并进行视差优化,以细化预测视差值邻域的概率分布,提高特征不明显区域的匹配精度。此外,引入新的概率分布损失函数,监督softmax函数计算的视差值概率分布在真实视差值附近成单峰分布,提高算法的鲁棒性。实验结果表明,该网络在SceneFlow和KITTI数据集上的误匹配率分别为0.768%和1.485%,在KITTI测评网站上的误差率仅为2.20%,与PSMNet网络相比,精度和速度均得到一定提升。