针对现有局部立体匹配算法在弱纹理区域匹配精度低的问题,提出一种基于改进代价计算和自适应引导滤波代价聚合的局部立体匹配算法。该算法首先将增强后的梯度信息与基于增强梯度的Census变换相结合,构建代价计算函数;然后对图像的每一个像素构建自适应形状十字交叉窗口,并基于自适应窗口进行引导滤波代价聚合;最后通过视差计算和多步视差精化得到最终的视差图。实验结果表明,改进后的算法在Middlebury测试平台上对标准立体图像对的平均误匹配率为4.80%,与基于传统引导滤波器的立体匹配算法相比,本文算法在弱纹理区域取得更好的匹配结果。

针对相关滤波类跟踪算法难以解决的过度形变和目标被遮挡问题, 提出了一种融合改进均方峰值旁瓣和客观相似性度量的高置信度跟踪算法-HCF。基于核相关滤波跟踪算法, 结合传统相关运算的峰值旁瓣比与感知哈希算法客观度量所跟目标, 对遮挡和形变等复杂情况进行高置信度判断, 进而自适应的选择模型更新率, 克服模型漂移问题; 另外, 利用尺度池算法解决跟踪中的尺度估计问题, 进一步提高了算法的稳健性。通过OTB-2015数据集测试表明: 提出的HCF算法能精准判别出由于遮挡形变等情况导致的无效跟踪, 相比于当前主流的鲁棒性跟踪算法, 具有更优秀的性能和表现。本文的创新工作为跟踪领域中的目标准确度判别问题提供了新的思路。