基于多特征融合与树形结构代价聚合的立体匹配算法

针对立体匹配中弱纹理区域和深度不连续区域的匹配精度问题,提出了一种基于多特征融合的树形结构代价聚合立体匹配算法.首先,融合图像颜色、梯度和图像的Census变换进行匹配代价计算;然后,在由原始图像生成的最小生成树上进行匹配代价聚合,并使用多方向扫描线优化,进一步提升立体匹配的精确度;最后,使用左右一致性检测标记出误匹配点,并进行视差修正.为了验证该算法的有效性,使用Middlebury测试集提供的测试图像进行测试,平均误匹配率为6.38%;分别对2种场景实际拍摄图像进行深度信息提取误差率测试,测试得到2种场景的测距误差率分别为5.76%和5.55%,证明了该算法的实用性.     

基于降采样聚类的双目图像测距算法研究

提出了一种针对道路交通图像等大尺寸场景图像的测距算法,主要解决道路图像中存在的光照变化频繁,场景空间尺寸较大导致处理时间较长的问题,以在保证精确度的同时获得比普通双目立体匹配算法更高的速度.创新的使用了一种降采样Census算法来求出初始匹配代价,然后通过聚类算法将局部匹配代价聚合进行视差图优化,获得尺度较小的视差图,以便于后续进行障碍物检测目标识别等相关操作.实验表明,在道路交通场景,该算法能够在保证准确率的基础上极大的提高算法效率.     

一种异形自适应窗口局部立体匹配算法

如何通过立体匹配提高图像景深精度一直是机器视觉研究领域的一个难点, 针对自适应窗口算法易受光照不均和窗口形状难以有效描述待匹配图像边界等问题, 提出一种异形自适应窗口局部立体匹配算法. 由于传统 Census 变换易受中心像素波动影响, 因此提出一种像素信息三维化处理技术, 并通过窗口内非中心像素间差异和窗口间中心像素的差异信息计算匹配代价; 为更好地贴合图像轮廓, 提出了由双螺旋路径法确定的异形窗口进行代价聚合, 对像素区域同时沿两条搜索路径自适应确定形状大小, 形成比传统技术更加高效多变的匹配窗口. 实验结果表明, 相比 Middlebury 平台上其他算法, 所提算法具有更为准确的图像边界描述能力, 可有效提高立体匹配精度, 同时对于光照不均的情况具有更强的鲁棒性.     

改进的非参数Census变换立体匹配算法

针对多数立体匹配算法的相似性测度都建立在像素灰度特性基础上, 无法彻底消除匹配差异性, 易出现歧异性的问题, 提出一种改进的非参数Census变换匹配算法. 该算法通过在传统非参数Census匹配过程中增加局部纹理反差值测度, 引入图像纹理度量的方向性, 使中心像素灰度值不再是唯一决定因素, 改进了匹配模版, 从而有效解决了传统匹配算法的歧异性问题. 实验结果表明, 改进算法是一种有效、 合理的立体匹配方法, 提高了稠密匹配精度.     

改进的非参数 Ce ns us 变换立体匹配算法

针对多数立体匹配算法的相似性测度都建立在像素灰度特性基础上, 无法彻底消除匹配差异性, 易出现歧异性的问题, 提出一种改进的非参数Census变换匹配算法. 该算法通过在传统非参数Census匹配过程中增加局部纹理反差值测度, 引入图像纹理度量的方向性, 使中心像素灰度值不再是唯一决定因素, 改进了匹配模版, 从而有效解决了传统匹配算法的歧异性问题. 实验结果表明, 改进算法是一种有效、 合理的立体匹配方法, 提高了稠密匹配精度.     

一种基于Census变换的可变权值立体匹配算法

针对传统基于Census变换立体匹配算法精度不高的问题,提出了一种基于改进Census变换的可变权值立体匹配算法. 在分析传统Census变换缺陷的基础上,提出利用最小均匀度子邻域均值代替中心像素灰度值进行Census变换,可有效增强算法的抗干扰能力. 通过加权区域海明距离均值和标准差作为相似性测度进行立体匹配,减少误匹配,提高匹配精度并通过左右一致性检测和遮挡填充,生成最终视差图. 实验结果表明,该算法鲁棒性得到增强,在深度不连续区域也可以得到准确的视差.      

基于改进Census变换的双目立体匹配算法

针对传统Census变换窗口中心点灰度值易受噪声影响而导致全局匹配精度低等问题，设计了一种基于改进Census变换的双目立体匹配算法.首先采用双边滤波的模板值替代传统Census变换窗口中心点的灰度值，为了增强初始代价计算的可靠性，加入Sobel算子，将其与灰度绝对误差和算法的匹配代价进行代价融合；然后选择动态十字交叉域建立相邻视差的联系；最后运用赢家通吃策略选择最佳的视差，并采用左右一致性检测和引导滤波优化视差图.实验结果表明，在无噪声情况下，改进算法的平均误匹配率比传统Census变换的降低了约46%,含噪声情况下降低了约53%,说明改进算法有较好的匹配精度和抗噪能力.     

融合Spearman相关性系数与多尺度框架的立体匹配算法

针对现有立体匹配算法对噪声敏感、匹配率低的问题,提出了一种基于Spearman相关性系数与多尺度框架融合的立体匹配算法。在代价计算阶段,创新性地在固定窗口内通过简化Spearman相关性系数得到两种代价计算模型。在代价聚合阶段,利用多尺度框架在图像金字塔上进行代价聚合,从而使得匹配算法在低纹理区域得到较高的匹配率。实验结果表明,提出的立体匹配算法有效降低了误匹配率:对Middletury2.0测试集中31对标准图像对的平均误匹配率仅为7.98%,Middletury3.0中的15对标准图像对的平均误匹配率为13.45%。实验结果表明,提出的融合Spearman相关性系数与多尺度框架的立体匹配能有效降低图像的误匹配率,并对噪声等具有较好的稳健性。     

基于动态规划的实时立体匹配算法

立体匹配通过计算和标识匹配图像的视差图来获得图像的深度信息,一般计算量大,无法满足实时性要求。本文聚焦立体匹配的匹配代价聚集和视差计算环节,在动态规划方法的基础上,提出了一种实时的立体匹配算法。根据连续性约束,提出了基于自适应形状窗口的快速匹配代价聚集算法,加速了臂长和匹配代价聚集的计算效率;利用边缘检测技术获得图像边界信息,修改动态规划的转移方程,使得边界像素可以在整个视差空间中选择视差值,降低边界处匹配视差的误匹配率。实验结果表明:通过结合上述两个步骤的改进算法,可以获得满足实时性要求、高质量的匹配视差图,整体的匹配准确率较高。     

基于AD-CESUS联和测度的立体匹配算法

双目图像深度估计是许多现代立体视觉技术的重要基础.由于受到光线、纹理结构变化,前后遮挡,图像噪声等因素的影响,基于单特征的匹配算法缺乏鲁棒性.本文将基于像素点的AD测度函数与基于区域的Census测度函数,依据匹配置信程度实现自适应加权融合,形成联和测度函数.该联和测度函数可以将AD的单调性与Census的区域性有效结合,提升立体匹配算法的鲁棒性.通过实验测试,证明采用该联测度函数可以有效提高局部和全局匹配算法的匹配准确度,尤其是局部匹配算法.     

视差图误差检测与校正的通用快速算法

为了获取精确的立体匹配结果 ,提出了一种通用的视差图误差检测与校正算法。算法首先定义一个新的全局顺序匹配约束 ;然后将其用于视差图后处理过程 (而不是视差计算过程 )中 ,以检测出视差图中的匹配交叉区域 ;最后提出一种零交叉校正方法 ,校正其中的误匹配点。通过对一组真实立体图像序列及其视差图的实验 ,进一步证明了该算法的有效性。该算法可以作为视差图后处理过程附加在各种立体匹配算法之后     

融合部分深度线索的立体匹配方法

针对建筑物场景, 提出两种在基于图的立体匹配算法中融合部分深度数据来提高视差图质量的方法。若该部分深度线索来 自扫描仪获取的准确测量数据, 则可以从中直接抽取出对应于三维空间平面的视差层组成标号集, 并以颜色块代替像素作为图结点。进一步地, 将扫描仪的使用 限制在离线阶段, 即仅用于训练数据库的建立, 然后在立体匹配的图中添加一个图像块层, 来融合通过统计学习获得的单目图像深度推断线索。实验结果很好地证明了算法的有效性。     

针对动态场景的快速视差图像预测方法

要在机器人导航、视频监控和人机交互等领域,从立体图像序列中计算动态场景的三维结构时,大多数空-时立体方法和场景流方法,没有充分利用前一帧视差图像的信息计算下一帧视差图像,导致在计算每一帧视差图像时,对应点的搜索空间降低了视差计算的速度。针对这一问题,提出了一种有效的视差图像预测方法,利用稳定的基于角不变量特征的三维配准算法,估计立体装置在相邻两帧之间的自主运动参数;并建立了相邻两帧视差图像之间的变换关系。所提法能够快速计算具有时间一致性的视差图像序列,仿真和真实实验证明了其有效性。     

机器人双目图像实时立体匹配算法

针对移动机器人平台上的双目视觉深度信息获取问题,研究了一种适用于动态图像序列的双目图像立体匹配算法.采用成熟的半全局立体匹配算法对图像快速立体匹配;分析了在复杂环境下的运动平台上完成立体匹配所面临的主要噪声干扰,包括白斑噪声和断层闪烁噪声;为此,分别提出了白斑滤波算法和视差图时间域滤波方法以抑制这两种噪声.试验结果表明,所提出的算法能够有效抑制动态双目图像在立体匹配时的噪声干扰,最终能够实时获得连续清晰的视差图序列.      

一种具有选择性的置信度传播立体匹配算法

为了改善立体匹配算法在低纹理和深度跳变区域的匹配性能,提出了一种改进的置信度传播立体匹配算法.首先利用均值漂移算法对图像进行彩色分割,然后通过自适应权重算法计算匹配代价并获取初始视差图,再利用匹配代价可信度检测和左右一致性校验将初始匹配结果按照可靠度分类,最后在全局优化的过程中分别通过可靠度分类和图像分割结果来指导置信...     

从双视图到多视图的协同优化立体视觉匹配算法

采用基于视图协同优化算法解决视觉匹配问题,通过对双视图立体匹配的研究到多视图匹配的推广,利用视差平面拟合进行多个视差集的合并.利用奇异值分解法解决线性方程,建立排除异常点的判别规则,解决遮挡及稀疏纹理的问题.实验结果表明:该协同优化算法是有效的,提高了匹配的精度.