基于融合代价和优化引导滤波的立体匹配算法

现有局部立体匹配算法与全局立体匹配算法相比，计算量更小、速度更快，能达到实时匹配的要求，但存在误匹配率较高、视差结果精度较低等问题。提出一种新的局部立体匹配算法，依据像素梯度信息、像素梯度的平均值及标准差计算多指标梯度代价，使算法对图像局部结构的表达更加全面。根据像素的灰度差异程度划分等级，提出7等级编码的精细化Census变换匹配代价，以有效识别图像信息之间的细微差异，弥补Census变换在相似纹理区域精度较低的不足。将多指标梯度代价和精细化Census变换匹配代价按一定权重进行融合，形成初始匹配代价，从而充分发挥两种代价的优越性。在代价聚合阶段，对引导滤波的线性系数进行自适应优化，解决固定参数引起图像局部过于平滑或平滑不足的问题，并使用优化后的引导滤波模型进行代价聚合，改善代价聚合的效果。使用胜者为王算法计算视差获得初始视差图，最后通过左右一致性检测和加权中值滤波进行视差优化，得到更为理想的视差图。在Middlebury V3立体评估平台上的实验结果表明，所提算法在非遮挡区域的加权平均误匹配率为15.7%，与Cens5、IGF、ISM等算法相比具有较高的精度。