立体匹配是双目视觉领域的重要研究方向。为在保证图片纹理区域匹配精度的同时降低弱纹理区域的误匹配率, 提出一种基于引导滤波及视差图融合的立体匹配方法。首先, 根据图像颜色相似性将图片划分为纹理较丰富区域和弱纹理区域。接着, 分别采用不同参数的引导滤波进行代价聚合及视差计算, 得到两张视差图。然后依据纹理区域划分的结果对获得的两张视差图进行融合。最后, 通过左右一致性检测、加权中值滤波等视差优化步骤得到最终视差图。对Middlebury测试平台上标准图像对的实验结果表明, 该方法在6组弱纹理图像上的平均误匹配率为9.67%, 较传统引导滤波立体匹配算法具有更高的匹配精度。

针对已有的立体匹配算法在噪声侵扰中匹配率低,在视差不连续和弱纹理区域中视差精度不高的问题,提出了一种基于Census变换与互信息(MI)融合代价和分段优化的立体匹配算法。算法主要分两步进行,即初始视差图获取和视差图优化。第一步,由MI和Census融合形成初始匹配代价,之后由改进引导滤波进行代价聚合,求得最优匹配代价;由胜者为王(WTA)策略得到初始视差图。第二步,先将参考图像分割成超像素,并为每个超像素拟合视差平面;其后通过马尔可夫随机场(MRF)来估算超像素的平均视差,再利用平均视差对邻接系统进行遮挡区域处理和段内的视差精度优化;最后经中值滤波等后处理得到最终视差图。实验结果表明,所提算法处理得到的15组Middlebury测试数据集的视差图在非遮挡区域的平均误匹配率仅为7.60%,各阶段运行时间短,平均每对图像处理耗时6.8 s,运行效率高。

针对传统Census变换的立体匹配算法在弱纹理区域匹配精度低,易受到噪声点的影响,以及提高Census算法的实时性,提出一种改进的Census变换和自适应窗口的立体匹配算法。在代价计算阶段,首先根据区域纹理的强弱来自适应匹配窗口大小,采用三种状态信息进行Census变换计算初始代价,提高单像素的匹配精度和降低消耗时间。然后在代价聚合阶段,采用时间复杂度较低的引导滤波解决单像素匹配代价鉴别性低所带来的精度低的问题。最后使用左右一致性检测原则减少异常点,得到最终的视差图。利用Middlebury平台标准图像对所提算法进行测试,实验结果表明,平均误匹配率为5.51%,匹配精度得到了一定的提高,平均花费时间相对于传统的Census算法缩短36.60%,提高了算法的实时性。

小型机器人传统视觉方法对环境适应性差。提出了一种基于双目超大视场红外相机的环境感知方法。利用大视场镜头高阶奇次多项式模型, 建立了超大视场红外双目立体成像的水平和垂直视差数字模型。以视差模型为基础建立超大视场红外双目视觉模型, 研究了超大视场红外双目系统立体视觉范围和阈值。搭建了视场为170°×128°的超大视场红外立体视觉系统, 分析了立体视觉范围及阈值应用于小型机器人视觉的可行性。同时, 针对照度不均、雾霾等条件下的场景开展超大视场红外双目立体视觉实验研究, 构建了双目图像标准视差图, 结果表明, 超大视场红外双目立体视觉系统对复杂场景具有良好的适应性, 基本能够满足小型机器人视觉系统需求。

为了满足月球车视觉系统检测障碍物的时效性和可靠性需求, 提出了一种基于平面约束和自适应惩罚参数的半全局立体匹配算法。首先, 对极线校正后的两幅图像进行SIFT特征点提取与匹配, 同时提取边缘特征; 然后, 利用匹配的SIFT特征点拟合空间平面, 并根据平面估计左右图像所有像素点的视差搜索范围; 最后, 基于传统的半全局匹配算法, 采用自适应惩罚参数对左右图像进行立体匹配。实验结果表明: 所提出的算法有效地降低了计算复杂度, 其计算复杂度只有传统方法的19.9%, 对于视差不连续区域以及遮挡区域都能够获得正确的匹配结果。较传统半全局匹配方法无论在速度还是匹配精度上都得到明显提高, 为立体匹配的实际应用奠定了基础。

针对计算机视觉中的对应点误匹配问题,提出了一种基于种子点传播的快速局部立体匹配算法来进一步提高匹配算法的运行效率.该算法首先利用Canny算子提取图像边缘,结合边缘信息构造动态匹配窗口,以克服固定窗口对匹配带来的不利影响;然后利用AD-Census联合匹配代价在动态窗口上进行代价聚集,用WTA搜索策略得出初始视差图,对视差值进行筛选以确定种子点;随后利用像素间颜色差异将种子点的视差值传递给周围非种子点;最后采用区域投票和局部校正方式对视差值求精,进而获取精确的稠密视差图.实验结果表明,该算法可对Middlebury测试图生成高质量的视差图.与目前较新的局部立体匹配算法相比,其运行速度提高了1.8倍,满足了实际应用对速度和精度的要求,具有较高的实用价值.

为满足人流统计实时性的要求，提出一种人头检测算法。该方法对双目相机采集的图像通过运动目标检测分离出运动人员所在区域，对这些区域使用融合区域匹配和特征匹配的快速匹配方法，即利用视差的连续性只对强纹理点进行绝对误差累积(SAD)匹配，其他点只进行简单的视差验证，能够得到稠密的视差图，再由三角投影关系计算出深度图。由于双目立体成像得到的深度图中人员与场景的深度分布不同,可以采用深度分层的方法将存在人头信息的深度层提取出来，经过数学形态学预处理再利用边缘检测会得到许多候选轮廓，最终利用轮廓的几何特征来判断轮廓是否为人头。实验表明：该算法可以很好地适应复杂场景下的人头检测，精度高、速度快。

动态规划算法是立体匹配中比较流行的一种全局优化方法,然而传统的动态规划立体匹配算法因忽略了核线间像素对视差的影响,产生了比较明显的横向“条纹”效应。为了消除此效应,本文提出了一种采用多级动态规划的立体匹配算法。该算法通过建立初始视差空间,对核线间进行双向的动态规划运算,然后将合并得到的结果用于优化初始视差空间。基于新的视差空间在核线上进行双向的动态规划运算,最后求取使核线上和核线间动态规划合并结果最小的值作为所求视差。利用标准数据库Middlebury平台对提出的算法进行了测试。实验结果表明,该算法与传统的动态规划算法和基于扫描线优化算法相比,横向“条纹”效应有所改善,且总体误匹配率分别降低了28.60%和40.42%,提高了匹配结果的准确性。

提出了一种新的快速立体匹配算法。该算法根据图像边缘特征自适应地变化窗口,并采用灰度差平方和(SSD)作为相似判定准则计算初始视差图;通过左右一致性校验去除误匹配点,在构造能量函数时,将初始视差作为能量函数的一个参考项;最后采用图切割算法求取使全局能量最小的视差最优分配。用标准图像测试了所提出的方法,并与其他方法进行了比较。实验结果表明,该算法不仅能够保留基于图切割的立体匹配算法能较好地处理大的低纹理区域和遮挡像素的优点,而且匹配时间短,运行时间比原有算法缩短了约2/3。