双目立体视觉匹配技术综述_曹之乐
《双目立体视觉三维重建的立体匹配算法研究》
《双目立体视觉三维重建的立体匹配算法研究》一、引言双目立体视觉技术是计算机视觉领域中的一项重要技术，其通过模拟人类双眼的视觉系统，利用两个相机从不同角度获取场景的图像信息，进而实现三维重建。
而立体匹配算法作为双目立体视觉三维重建中的关键技术，其准确性和效率直接影响到三维重建的效果。
本文旨在研究双目立体视觉三维重建中的立体匹配算法，分析其原理、优缺点及改进方法，为进一步优化三维重建效果提供理论支持。
二、双目立体视觉原理双目立体视觉原理基于视差原理，即通过两个相机从不同角度拍摄同一场景，获取场景的左右两个视图。
通过分析这两个视图中的像素对应关系，可以计算出场景中各点的三维坐标，从而实现三维重建。
其中，立体匹配算法是获取像素对应关系的关键。
三、立体匹配算法研究3.1 算法概述立体匹配算法是双目立体视觉三维重建中的核心算法，其主要任务是在左右视图中寻找对应点。
常见的立体匹配算法包括基于区域、基于特征和基于相位的方法。
这些方法各有优缺点，适用于不同的场景和需求。
3.2 基于区域的立体匹配算法基于区域的立体匹配算法通过计算左右视图中的像素灰度或颜色差异来寻找对应点。
该方法具有较高的匹配精度，但计算量大，易受光照、噪声等因素的影响。
常见的基于区域的立体匹配算法包括块匹配法、区域生长法等。
3.3 基于特征的立体匹配算法基于特征的立体匹配算法通过提取左右视图中的特征点（如角点、边缘等），然后根据特征点的相似性进行匹配。
该方法具有较高的鲁棒性，对光照、噪声等有一定的抵抗能力。
常见的特征提取方法包括SIFT、SURF等。
3.4 算法优缺点及改进方法每种立体匹配算法都有其优缺点。
例如，基于区域的算法精度高但计算量大；基于特征的算法鲁棒性高但可能丢失部分细节信息。
针对这些问题，研究者们提出了多种改进方法，如结合多种算法的优点进行融合匹配、优化特征提取和匹配策略等。
此外，随着深度学习和人工智能的发展，基于深度学习的立体匹配算法也逐渐成为研究热点，其在复杂场景下的匹配效果有了显著提升。
《2024年基于双目视觉的立体匹配算法研究及应用》范文
《基于双目视觉的立体匹配算法研究及应用》篇一一、引言随着计算机视觉技术的不断发展，双目视觉技术已成为三维重建、机器人导航、自动驾驶等领域的重要技术手段。
其中，立体匹配算法作为双目视觉技术的核心，对于实现高精度的三维重建和场景理解具有重要意义。
本文旨在研究基于双目视觉的立体匹配算法，探讨其原理、方法及应用，以期为相关领域的研究和应用提供参考。
二、双目视觉原理及立体匹配算法概述双目视觉技术通过模拟人类双眼的视觉系统，利用两个相机从不同角度获取场景的图像信息，然后通过立体匹配算法对两幅图像进行匹配，从而恢复出场景的三维信息。
立体匹配算法是双目视觉技术的核心，其主要任务是在两个视图的像素之间找到对应的匹配点，进而计算出视差图（disparity map），最终实现三维重建。
三、立体匹配算法研究立体匹配算法的研究主要包括匹配基元选择、匹配代价计算、视差计算及优化等方面。
1. 匹配基元选择：匹配基元是立体匹配算法的基础，常用的包括像素、区域、特征等。
像素级匹配精度高，但计算量大；特征级匹配计算量小，但鲁棒性较好。
针对不同场景和应用需求，选择合适的匹配基元是关键。
2. 匹配代价计算：匹配代价是衡量两幅图像中对应点相似程度的指标。
常用的匹配代价计算方法包括灰度差绝对值法、灰度差平方法、归一化互相关法等。
合理的匹配代价计算方法有助于提高匹配精度和鲁棒性。
3. 视差计算及优化：视差计算是通过匹配代价计算得到的视差图来恢复场景的三维信息。
常用的视差计算方法包括块匹配法、动态规划法、基于全局优化的方法等。
在视差计算过程中，还需要考虑噪声、遮挡等问题，通过优化算法提高视差的准确性和稳定性。
四、立体匹配算法应用双目视觉技术及立体匹配算法在许多领域得到了广泛应用，如机器人导航、自动驾驶、三维重建等。
本文将介绍几种典型的应用场景：1. 机器人导航：利用双目视觉技术实现机器人的环境感知和障碍物检测，通过立体匹配算法获取视差图，为机器人提供精确的深度信息，从而实现自主导航和避障。
《基于双目视觉的立体匹配算法研究及应用》范文
《基于双目视觉的立体匹配算法研究及应用》篇一一、引言随着计算机视觉技术的不断发展，双目视觉技术已成为三维重建、机器人导航、自动驾驶等领域的重要技术手段。
其中，立体匹配算法是双目视觉技术的核心，其精度和稳定性直接影响着双目视觉系统的性能。
本文将介绍基于双目视觉的立体匹配算法的研究现状、原理及应用，并探讨其在实际应用中的优化与改进。
二、双目视觉的立体匹配算法研究1. 算法概述双目视觉的立体匹配算法是通过分析两个相机从不同视角获取的图像，从而恢复出场景的三维信息。
立体匹配算法主要包括特征提取、特征匹配和视差计算三个步骤。
其中，特征提取是提取出两幅图像中的有用信息，特征匹配则是根据一定的匹配准则，将两幅图像中的特征进行匹配，最后通过视差计算得到场景的三维信息。
2. 算法原理立体匹配算法的原理是基于视差原理，即同一场景从不同视角观察时，物体在左右图像中的位置会有所偏差。
通过比较两幅图像中对应位置的像素或特征，可以计算出视差，从而得到场景的三维信息。
在特征提取阶段，算法会提取出两幅图像中的关键点或特征描述符，如SIFT、SURF等；在特征匹配阶段，算法会根据一定的匹配准则，如欧氏距离、互信息等，将两幅图像中的特征进行匹配；在视差计算阶段，算法会根据匹配结果计算出视差图，从而得到场景的三维信息。
三、立体匹配算法的应用双目视觉的立体匹配算法在多个领域得到了广泛应用。
在机器人导航领域，可以通过双目视觉系统实现机器人的三维环境感知和避障；在自动驾驶领域，可以通过双目视觉系统实现车辆的自主驾驶和道路识别；在三维重建领域，可以通过双目视觉系统实现场景的三维重建和模型构建。
此外，立体匹配算法还可以应用于虚拟现实、人机交互等领域。
四、立体匹配算法的优化与改进针对立体匹配算法在实际应用中存在的问题，如匹配精度低、计算量大等，研究人员提出了多种优化与改进方法。
首先，可以通过改进特征提取算法，提取出更鲁棒、更丰富的特征信息；其次，可以通过优化匹配准则和匹配策略，提高匹配精度和计算效率；此外，还可以通过引入深度学习等技术，实现更准确的特征匹配和视差计算。
《双目立体视觉三维重建的立体匹配算法研究》范文
《双目立体视觉三维重建的立体匹配算法研究》篇一一、引言双目立体视觉作为计算机视觉领域中的一种重要技术，通过模拟人眼视觉系统的双目原理，获取物体的深度信息并实现三维重建。
其中，立体匹配算法作为双目立体视觉的核心技术之一，其性能直接决定了三维重建的精度和效果。
本文将重点研究双目立体视觉中的立体匹配算法，并对其原理、方法和优化进行详细分析。
二、双目立体视觉基本原理双目立体视觉基于视差原理，通过两个或多个摄像头从不同角度获取同一场景的图像信息，再通过计算图像间的视差来获取物体的深度信息。
双目立体视觉系统主要由摄像头、图像获取、预处理、特征提取、立体匹配和三维重建等部分组成。
其中，立体匹配是整个系统中最关键的一环。
三、立体匹配算法概述立体匹配算法是双目立体视觉中用于计算左右图像间对应点（即视差）的算法。
它通过在左右图像中寻找相同的特征点或像素点，从而得到视差信息，进而实现三维重建。
目前，常见的立体匹配算法包括基于区域的匹配算法、基于特征的匹配算法和基于相位的匹配算法等。
四、常见立体匹配算法分析1. 基于区域的匹配算法：该类算法通过计算左右图像中一定区域内的像素相似度来确定视差。
其优点是简单易行，但容易受到光照变化、噪声等因素的影响，导致匹配精度不高。
2. 基于特征的匹配算法：该类算法先提取图像中的特征（如边缘、角点等），再在左右图像中寻找相应的特征进行匹配。
该方法提高了匹配的准确性和效率，但对特征的提取和匹配方法要求较高。
3. 基于相位的匹配算法：该类算法利用相位信息进行匹配，具有较高的精度和抗干扰能力。
但计算复杂度较高，对硬件要求较高。
五、本文研究重点：基于深度学习的立体匹配算法随着深度学习技术的发展，基于深度学习的立体匹配算法成为了研究热点。
该方法通过训练神经网络来学习图像间的映射关系，从而实现精确的立体匹配。
本文重点研究了基于卷积神经网络的立体匹配算法，包括网络结构的设计、损失函数的选择和训练方法的优化等方面。
《基于双目视觉的立体匹配算法研究及应用》范文
《基于双目视觉的立体匹配算法研究及应用》篇一一、引言随着计算机视觉技术的飞速发展，双目视觉立体匹配算法在三维重建、机器人导航、自动驾驶等领域得到了广泛应用。
本文旨在研究基于双目视觉的立体匹配算法，探讨其原理、方法及实际应用，以期为相关领域的研究提供参考。
二、双目视觉立体匹配算法原理双目视觉立体匹配算法是通过模拟人类双眼视觉原理，利用两个相机从不同角度获取场景的图像信息，通过计算两幅图像间的视差，从而恢复出场景的三维信息。
立体匹配是双目视觉的核心问题，其基本原理包括特征提取、特征匹配、视差计算等步骤。
1. 特征提取：在两幅图像中提取出具有代表性的特征点，如角点、边缘点等。
这些特征点将用于后续的匹配过程。
2. 特征匹配：利用一定的匹配算法，如基于区域的匹配、基于特征的匹配等，在两幅图像中寻找对应的特征点。
3. 视差计算：根据匹配得到的特征点，计算视差图。
视差图反映了场景中各点在两幅图像中的相对位移，从而可以恢复出场景的三维信息。
三、立体匹配算法研究针对双目视觉立体匹配算法，本文重点研究了以下几种方法：1. 基于区域的匹配算法：该类算法通过计算两幅图像中对应区域的相似性来寻找匹配点。
常见的区域匹配算法包括块匹配、窗口匹配等。
2. 基于特征的匹配算法：该类算法通过提取图像中的特征点，如角点、边缘点等，进行特征匹配。
常见的特征匹配算法包括SIFT、SURF等。
3. 视差计算优化方法：为了提高视差计算的精度和效率，研究者们提出了多种优化方法，如引入先验知识、利用多尺度信息、采用半全局匹配算法等。
四、立体匹配算法应用双目视觉立体匹配算法在多个领域得到了广泛应用，如三维重建、机器人导航、自动驾驶等。
本文将重点介绍其在以下两个领域的应用：1. 三维重建：通过双目视觉立体匹配算法，可以恢复出场景的三维信息，从而实现三维重建。
三维重建技术在游戏开发、虚拟现实、医疗影像处理等领域具有广泛应用。
2. 自动驾驶：双目视觉立体匹配算法可以用于自动驾驶系统的环境感知。
《双目立体视觉三维重建的立体匹配算法研究》
《双目立体视觉三维重建的立体匹配算法研究》一、引言双目立体视觉技术是计算机视觉领域中重要的三维重建技术之一。
它通过模拟人类双眼的视觉系统，利用两个相机从不同角度获取同一场景的图像，然后通过立体匹配算法对两幅图像进行匹配，从而获取场景的三维信息。
本文旨在研究双目立体视觉三维重建中的立体匹配算法，探讨其原理、方法及优化策略。
二、双目立体视觉基本原理双目立体视觉的基本原理是基于视差原理，即人类双眼从不同角度观察同一物体时，会在大脑中形成立体的视觉效果。
在双目立体视觉系统中，两个相机从不同位置和角度拍摄同一场景，得到两幅具有一定视差的图像。
通过分析这两幅图像中的对应点，可以计算出场景中物体的三维信息。
三、立体匹配算法研究立体匹配算法是双目立体视觉三维重建的核心。
其基本思想是在两个视图中寻找对应点，然后根据对应点的位置差异计算视差图。
目前，常见的立体匹配算法包括基于区域、基于特征、基于相位和基于全局优化等方法。
3.1 基于区域的立体匹配算法基于区域的立体匹配算法通过比较两个视图中的像素或区域来寻找对应点。
其优点是简单易行，但容易受到光照、遮挡、噪声等因素的影响。
为了提高匹配精度和鲁棒性，研究者们提出了多种改进方法，如引入多尺度、多方向信息、使用自适应阈值等。
3.2 基于特征的立体匹配算法基于特征的立体匹配算法首先提取两个视图中的特征点，然后根据特征点的匹配关系计算视差图。
该类算法具有较高的鲁棒性和精度，尤其在处理复杂场景和动态场景时表现出较好的性能。
为了提高特征提取和匹配的效率，研究者们不断探索新的特征描述符和匹配策略。
3.3 优化策略为了提高立体匹配算法的性能，研究者们提出了多种优化策略。
其中包括引入半全局匹配算法、使用多视差图融合技术、引入深度学习等方法。
这些优化策略可以有效提高匹配精度、降低误匹配率，并提高算法的鲁棒性。
四、实验与分析为了验证本文所研究的立体匹配算法的性能，我们进行了大量实验。
实验结果表明，基于特征的立体匹配算法在处理复杂场景和动态场景时具有较高的精度和鲁棒性。
《2024年基于双目视觉的立体匹配算法研究及应用》范文
《基于双目视觉的立体匹配算法研究及应用》篇一一、引言随着计算机视觉技术的快速发展，双目视觉立体匹配算法成为了计算机视觉领域中一项重要的研究方向。
该算法通过对双目相机捕获的图像进行匹配处理，可以获取物体的三维空间信息，进而实现物体的定位、识别、跟踪等功能。
本文将基于双目视觉的立体匹配算法进行深入研究，探讨其基本原理、研究现状、存在问题及改进措施，并分析其在现实生活中的应用场景和效果。
二、双目视觉的立体匹配算法基本原理双目视觉的立体匹配算法是基于两个不同视角下的图像信息进行立体匹配的过程。
首先，双目相机通过拍摄同一场景获取两个具有视差的图像；然后，利用图像处理技术对这两个图像进行特征提取和匹配；最后，根据匹配结果和两个相机之间的相对位置关系，计算得到物体在三维空间中的位置信息。
三、双目视觉的立体匹配算法研究现状及存在问题目前，双目视觉的立体匹配算法已经得到了广泛的研究和应用。
然而，在实际应用中仍存在一些问题。
首先，由于光照、遮挡、噪声等因素的影响，导致图像中的特征点难以准确提取和匹配；其次，对于复杂的场景和动态的物体，现有的算法仍难以实现高效的匹配；此外，对于立体匹配结果的精度和稳定性也仍需进一步提高。
四、基于改进的立体匹配算法针对上述问题，本文提出一种基于改进的立体匹配算法。
该算法通过引入多尺度特征融合、全局上下文信息等手段，提高特征点的提取和匹配精度；同时，采用优化后的视差估计和优化算法，进一步提高立体匹配结果的精度和稳定性。
具体而言，我们可以通过以下几个步骤来实现这一改进算法：1. 特征提取：采用多尺度特征融合的方法，将不同尺度的特征信息融合在一起，从而提高特征点的提取精度和稳定性。
2. 特征匹配：利用全局上下文信息，提高特征点的匹配精度。
通过计算每个特征点在周围区域内的上下文信息，进一步约束特征点的匹配结果。
3. 视差估计：采用优化后的视差估计方法，根据两个相机之间的相对位置关系和特征点的匹配结果，计算物体的视差信息。
《基于双目视觉的立体匹配算法研究及应用》
《基于双目视觉的立体匹配算法研究及应用》篇一一、引言随着计算机视觉技术的不断发展，双目视觉技术作为一种重要的三维信息获取手段，已经广泛应用于机器人导航、三维重建、物体识别和虚拟现实等领域。
而立体匹配作为双目视觉技术的核心问题，其算法的优劣直接影响到双目视觉系统的性能。
因此，本文旨在研究基于双目视觉的立体匹配算法，并探讨其在实际应用中的效果。
二、双目视觉系统概述双目视觉系统通过模拟人眼的视觉机制，利用两个相机从不同角度获取场景的图像信息，然后通过立体匹配算法对两幅图像进行匹配，从而恢复出场景的三维信息。
双目视觉系统主要由相机标定、图像获取、立体匹配和三维重建四个部分组成。
三、立体匹配算法研究3.1 立体匹配算法概述立体匹配是双目视觉系统的核心问题，其目的是在两幅图像中找到对应的特征点。
常见的立体匹配算法包括基于区域的匹配算法、基于特征的匹配算法和基于相位的匹配算法等。
3.2 基于双目视觉的立体匹配算法本文研究了一种基于双目视觉的立体匹配算法，该算法通过提取两幅图像中的特征点，然后利用特征点的相似性进行匹配。
在特征提取阶段，采用SIFT算法提取图像中的关键点，并计算关键点的描述子。
在匹配阶段，利用描述子之间的相似性进行匹配，并通过一定的约束条件剔除错误匹配点。
3.3 算法优化及性能分析针对立体匹配算法中的错误匹配问题，本文提出了一种基于视差连续性和唯一性的优化方法。
通过引入视差连续性和唯一性约束，可以有效地剔除错误匹配点，提高匹配精度。
同时，本文对算法的性能进行了分析，包括算法的时间复杂度和空间复杂度等方面。
四、应用研究4.1 三维重建应用通过将本文研究的立体匹配算法应用于三维重建领域，可以有效地恢复出场景的三维信息。
本文采用多个相机从不同角度获取场景的图像信息，然后利用本文研究的立体匹配算法对图像进行匹配，并采用三维重建算法恢复出场景的三维模型。
4.2 机器人导航应用本文还将研究的立体匹配算法应用于机器人导航领域。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
。
在计算 出 的 视 差 层 面 上 通 常 采 用 赢 者 通 吃 （ winnertakesall， WTA） 的方法来聚合匹配像素或 块。以亮度特征为例， 在立体匹配过程中可以选 取绝对差值和 SAD、 差值平方和 SSD、 归一化相关 系数 NCC 、 零均值绝对差值和 ZSAD 等匹配函数， 详见公式（ 2 ） 。
图1 双目视觉系统几何原理
d 为视差， 中： f 为焦距， 即点 p l 和 p r 两图像在 X 轴 方向上的差值， 深度为 Z 。基线 b 和焦距 f 可在双 目标定时计算得出， 因此双目立体视觉定位的核 心内容是对视差 d 的计算。 视差 d 由立体匹配得 出， 故对立体匹配的研究和讨论成为双目视觉系 统研究的核心内容。 Z = b ·f d （ 1）
有着不同的应对策略。介绍了双目视觉立体匹配技术的原理和一些研究关键点。 通过总结现 有各种算法的优缺点， 对基于区域的立体匹配算法和基于全局的立体匹配算法进行了深入论述 和研究， 最后对立体匹配算法的未来发展做了展望 。 对研究者选择立体匹配算法有一定参考 意义。 关 键 词： 双目立体视觉； 立体匹配； 动态规划； 图像分割； 置信传播 文献标识码： A 文章编号： 1674 － 8425 （ 2015 ） 02 － 0070 － 06 中图分类号： TP39
2
立体匹配算法
根据匹 在立体匹配视觉系统的原理基础上，
72 重庆理工大学学报 配的约束条件就可以对选 定 的 匹 配 基 元 进 行 匹 配。匹配算法是立体匹配技术的核心 。 2． 1 基于区域的立体匹配算法 基于区域的立体匹配通常是在一个设定的窗 口基础上来完成， 以窗口中提取的特征向量为基 础进行匹配。 这种匹配可以是逐像素的匹配， 也 可以是成块的匹配， 更进一步的， 有根据图像自适 应调节 窗 口 大 小 的 区 域 匹 配 算 法。 经 典 的 有 Lazaros Nalpantidi 等［2］ 以灰度、 颜色为特征， 通过 对窗口内的点的空间距离加权、 颜色加权以及边 缘加权来提高匹配精度。 对于窗口来说， 窗口越 大信息量越多， 匹配精度越高， 但会带来大量的复 杂计算， 影响整体算法的运行速度
在三维空间坐标系 O a X a Y a Z a 中， 左摄像头 O l 和右摄像头 O r 处于理想位置关系。 其中， 左摄像 头光轴 Z l 和右摄像头光轴 Z r 平行， 且直线 Z l Z r 与三维空间坐标系中的 X a 轴垂直。2 个成像中心 O r 的连线为基线 b。 三维空间中的一点 P 与 Ol 、 O r 以及映射点 p l 和 p r 处于同一 两成像中心点 O l 、 平面， 平面与两成像平面的交线被称为极线。 根 据立体视觉的几何成像原理， 双目立体视觉系统 中对第三 维 （ 即 深 度 ） 的 测 量 由 式 （ 1 ） 得 出。 其
第 29 卷
第2 期
重 庆 理 工 大 学 学 报（ 自然科学）
Journal of Chongqing University of Technology（ Natural Science）
2015 年 2 月
Feb． 2015 Vol． 29 No． 2
1
双目立体视觉系统
最常见 的 立 体 视 觉 系 统 是 双 目 立 体 视 觉 系
统， 也可以是多目视觉系统， 但双目视觉系统是其 基础。因此， 本文首先简要阐述双目视觉系统， 其 几何原理如图 1 所示。
SIFT 特征点、 SUＲF 特征点等； ② 块： 图像块也可 以认为是图像区域， 块的特征提取可以是直观的 块内所有像素点的灰度或颜色值， 也可以是对块 内像素点的统计特征， 还可以是对块内像素点的 变换特征； ③ 线： 线一般只是边缘线， 是最能体现 图像的纹理区域特征。 在有些方法中将角点或特 征点之间的连线作为特lar Stereo Vision Matching Technology
CAO ZhiLe，YAN ZhongHong，WANG Hong
（ College of Pharmacy and Biomedical Engineering ， Chongqing University of Technology ，Chongqing 400054 ，China） Abstract： The core part of the stereo vision is stereo matching． For different application fields，there are different stereo matching methods to deal with． First，the paper briefly introduced the principle of binocular vision stereo matching technology and some key points． Secondly ，we summed up the advantages and disadvantages of various algorithms and had deeply discussed and studied the stereo matching algorithm based on district and stereo matching algorithm based on overall situation． Finally ， the stereo matching algorithm of the future was prospected ，which provides some valuable ideas for those who study in this field． Key words： binocular stereo vision ； stereo matching； dynamic programming； image segmentation； belief propagation 机器 立体视觉技术广泛应用于探测车导航、 3D 场景图绘制、 3D 场景重建、 人导航、 汽车预警 系统、 大型机械位姿感知等领域。 自 20 世纪 70 年代 Marr 首次提出完整的机器视觉系统计算理论 框架
71 曹之乐， 等： 双目立体视觉匹配技术综述 特征值大多为灰度、 颜色等信息。 后来开发出自 适应窗口技术， 针对特征值也开发出对光照鲁棒 性的变换值， 如 Census 变换等。近年来， 基于全局 的立体匹配技术成为人们研究的热点， 其大致思 Harris 角 路为： 提取特征值光流场特征、 边缘特征、 SIFT 特征向量、 SUＲF 特征等可靠特征， 点特征、 计 算出初步视差图， 再由全局优化函数 （ 动态规划、 图像分割、 置信传播等） 对整幅图像的视差值进行 迭代优化分配计算。 目前， 主流的立体视觉匹配 技术分为 2 种： 基于区域的立体匹配和基于全局 的立体匹配。本文主要就以上 2 种技术的一些经 典立体匹配方法和近年来发展起来的立体匹配新 方法进行较深入的讨论和评述。 1． 1 立体匹配约束 1 ） 唯一性约束： 三维空间中的点映射到左右 摄像头时， 只 会 在 图 像 上 映 射 出 唯 一 的 对 应 点。 在匹配时左右图像只有唯一一点相匹配 。 2 ） 连续性约束： 三维空间中的物体一般是连 续光滑的， 在映射到左右摄像头时这种特性也被 保留下来。 在连续的图像上， 其视差也一般是连 续的。 3 ） 极线约束： 如图 1 所示， 对于一个图像上的 映射点来说， 其匹配点必定落在另一图像的极线 上。而对双目视觉系统来说， 通常将其校正为上 文原理中的假设情况， 在这种情况下匹配点对处 于同一水平线， 即点在图像中的坐标 y 值相等。 4 ） 顺序一致性约束： 三维空间中点的位置关 系会在映射到成像平面时保留下来， 即原物体的 位置顺序在两幅图像中不会改变。 1． 2 立体匹配的匹配基元 匹配基元是立体匹配中的单位匹配对象， 也 就是立体匹配中的匹配特征对象。 一般有以下几 种： ① 点： 在双目立体匹配中最常用的特征就是点 Harris 角 点、 特征， 例 如 像 素 点 的 灰 度、 颜 色 值、
［3 ］
为丰富的特征， 如多尺度对频段上的特征 于梯度的加权特征
［3 ］
［4 － 5 ］
， 基
等。
另外， 对于受光照变化影响严重的图像， 一般 Census 变换可 采用变换的方法进行处理。 例如， 以将窗口中的亮度值变换为一个序列， 匹配时只 需计 算 两 幅 图 像 中 窗 口 特 征 序 列 的 汉 明 距 离 （ Hamming distance） ； Ｒank 变换则是统计 0 或 1 的 个数作 为 特 征 值， 因而可以使用上文中的匹配 函数。 2． 2 基于全局的立体匹配算法 基于全局的立体匹配通常是先找出图像中显 著的特征点、 特征线或者扫描线， 初步匹配得出一 个初始的视差值， 然后使用全局能量函数进行约 束， 通过匹配算法不断地对分配的视差值迭代优 化， 直到最优。 此迭代优化的过程以全局能量函 数最小化为目的。 全局能量函数一般包括 2 项， 数据项和平滑 项， 见式（ 3 ） 。数据项用来表示该匹配基元的视差 值， 平滑项用来约束邻域基元之间的差值
v + j ) － I ( u + d + i， v + j )) ∑ ∑ ( I ( u + i，
1 2
v + j )I ( u + d + i， v + j) ∑ ∑ I ( u + i， NCC =
doi： 10． 3969 / j． issn． 1674－8425（ z） ． 2015． 02． 014
双目立体视觉匹配技术综述
曹之乐， 严中红， 王 洪
（ 重庆理工大学 药学与生物工程学院 ， 重庆 400054 ） 摘 要： 立体视觉匹配技术是立体视觉研究的核心问题 。立体匹配方法在不同的应用领域