立体匹配算法可行性分析报告
《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。
立体匹配算法报告
动态寻优求解全局能量最小问题
实验结果（1）：
groundtruth
忽略了扫描线间的约束，产生条纹效应
全局匹配算法的实现（2） 置信传播（BP）算法
实验结果（2）：
groundtruth
全局匹配算法 1 (⇒ 2) ⇒ 3 (全局或半全局能量函数)
局部匹配算法的实现（1）
(BT) 用线性undtruth
SAD
STAD
STAD+BT
SSD
STSD
STSD+BT
实验结果比较（1）：
局部匹配算法的实现（2）
SAD+MF+BT 实验结果比较（2）：
立体匹配算法的实现立体匹配的难点外界环境因素的影响光照变化噪声以及其他非线性因素深度不连续区域传统的匹配算法一般分为4个步胜者全取wtastrategy局部匹配算法全局匹配算法全局或半全局能量函数局部匹配算法的实现1bt用线性插值来减小对图像采样效应敏感程度groundtruthsadstadstadbtssdstsdstsdbt实验结果比较局部匹配算法的实现2实验结果比较2
立体匹配算法的实现
立体匹配的难点 • 外界环境因素的影响（光照变化，噪声以 及其他非线性因素） • 遮挡区域 • 无纹理区域 • 深度不连续区域
传统的匹配算法一般分为4个步骤： 1. 匹配代价的计算 2. 匹配代价的聚合 3. 视差的计算和优化 4. 视差的细化求精
局部匹配算法
1 ⇒ 2 ⇒ 3 ( 胜者全取-WTA strategy) -
SSD+MF+BT
局部匹配算法的实现（3）
实验结果（3）：
执行速度慢
改进快速算法FBS
局部匹配算法的实现（4）
《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。
基于深度学习的立体匹配算法研究
基于深度学习的立体匹配算法研究随着现代科技的不断进步，深度学习在计算机视觉领域发挥着越来越重要的作用。
其中，在立体匹配算法的研究中，深度学习的应用已经得到了广泛的认可和应用。
本文将着重探讨基于深度学习的立体匹配算法研究。
一、立体匹配算法概述立体匹配算法是指通过对两幅具有一定视角差异的图像进行比较，以获取三维立体信息的一种算法。
其中，匹配是立体重建和视觉跟踪的核心技术之一。
立体匹配算法从原理上可以分为基于局部和全局两种方法。
其中，基于局部的匹配可以快速地获得立体信息，但是对于复杂的场景表达能力有限；基于全局的匹配可以获得更好的匹配结果，但是执行效率较低。
因此，为了更好地平衡算法的效率和精度，立体匹配算法在发展中不断探索着新的方法和策略。
其中，基于深度学习的立体匹配算法的应用正成为发展的趋势。
二、基于深度学习的立体匹配算法原理基于深度学习的立体匹配算法主要使用卷积神经网络（Convolutional Neural Network，CNN）作为核心模型，通过训练得到二者视差差异下的匹配结果。
其中，CNN模型能够通过局部和全局特征学习获得场景的高维度特征，从而实现立体匹配结果的生成。
在具体实现中，基于深度学习的立体匹配算法需要针对不同的问题选择不同的模型。
例如，对于低纹理或重复纹理的场景，深度学习模型可以通过引入弱监督机制来提高算法的性能；对于复杂的场景，则需要设计多级网络结构来提高算法的表达能力。
此外，基于深度学习的立体匹配算法还需要对数据进行预处理和增强，例如对图像进行去噪、颜色平衡和几何变换等操作，从而提高算法的稳定性和鲁棒性。
三、基于深度学习的立体匹配算法应用与研究进展目前，基于深度学习的立体匹配算法已经成为立体匹配研究的热点。
其中，一些最新的研究进展已经取得了很好的效果。
例如，一些研究者使用基于深度学习的方法，大大提高了立体匹配算法的识别准确率，以及执行效率。
同时还有一些研究探索了结合多源数据的联合学习方案，从而在不同场景下对立体匹配结果进行优化和融合。
《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。
3D视觉中的立体匹配算法研究与改进
3D视觉中的立体匹配算法研究与改进在3D视觉领域中，立体匹配算法是一项重要的技术，用于处理立体图像的深度信息。
立体匹配算法旨在通过对图像中的对应点进行匹配，确定它们之间的距离，从而重构场景的三维结构。
本文将对3D视觉中的立体匹配算法进行研究与改进。
一、立体匹配算法的基本原理立体匹配算法的基本原理是通过比较左右两幅立体图像的像素信息，找到它们之间的对应点，并计算出距离或深度信息。
常用的立体匹配算法包括视差法、基于特征的立体匹配、图割算法等。
视差法是最传统的立体匹配算法之一。
它通过比较左右图像中像素的灰度值差异来确定对应点的视差值，再通过一定的几何关系计算出深度信息。
视差法简单易实现，但对于纹理丰富、边缘模糊等情况下的图像匹配效果不佳。
基于特征的立体匹配算法利用图像中的特征点（如角点、边缘等）进行匹配，以获得更准确的结果。
该算法通常包括特征提取、特征匹配和深度计算等步骤。
特征点的选择和匹配精度对立体匹配结果的准确性有着重要影响。
图割算法是一种基于图论的立体匹配算法，它将立体匹配问题转化为图割问题。
通过构建能量函数，利用图割算法来计算最小代价的匹配结果。
图割算法具有较高的准确性和鲁棒性，但计算复杂度较高，不适用于实时系统。
二、立体匹配算法的常见问题在实际应用中，立体匹配算法仍然存在一些问题，限制了其性能和应用范围。
主要问题包括视差失真、运动物体处理、低纹理区域匹配等。
视差失真是指由于视角变化或透视变换等原因导致匹配误差增大。
特别是在远处或大角度情况下，视差估计会出现积累误差，使得深度信息不准确。
解决视差失真问题的方法包括视角校正、立体图像重建等。
运动物体处理是指当场景中存在运动物体时，立体匹配算法难以准确地匹配对应点。
运动物体造成图像中的对应点轻微偏移，导致匹配错误。
针对这个问题，可以采用背景建模、光流估计等方法来提高立体匹配的稳定性。
低纹理区域匹配是立体匹配中的一个挑战性问题。
在低纹理区域，图像中的对应点很少或没有，难以准确匹配。
- 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)。
立体匹配算法的可行性分析报告
1 立体匹配算法的分类
根据匹配算法使用的约束信息的不同，立体匹配算法总体上分为局域算法和全局算法两种。
局域算法利用的是对应点本身以及邻近的局部区域的约束信息，局域算法的优点是效率高，但是它对局部的一些由于遮挡和纹理单一等造成的模糊比较敏感，易造成误匹配。
全局算法利用了图像的全局约束信息，对局部图像的模糊不敏感，但是它的计算代价很高。
根据匹配基元的不同，局域算法分为区域匹配、特征匹配和相位匹配3种。
区域匹配直接利用图像的灰度信息，主要用于表面光滑以及具有明显纹理特征的图像，使用区域匹配可以直接获得稠密的深度图，但是对于缺乏纹理和深度不连续的情况，适应性较差，且这种方法的计算量很大，匹配精度较差。
特征匹配基于图像的几何特征，如边缘、轮廓、拐点、线段等对图像进行匹配，由于几何特征的稀疏性和不连续性，因此特征匹配只能得到稀疏的深度图，需要通过内插方法才能得到稠密的深度图，特征匹配以几何特征为基元，不易受光线的影响，因此鲁棒性较好，而且计算量小，速度快。
相位匹配是在假设两幅图像中对应点的局部相位相等的条件下，对带通滤波信号的相位信息进行处理而得到视差图。
相位匹配依据的原理为傅立叶平移原理，即信号在空间域上的平移产生频率域上成比例的相位平移，由于相位本身反映的是信号的结构信息，因此相位匹配对图像的高频噪音有很好的抑制作用，同时对几何畸变和辐射畸变有很好的抑制作用，能获得亚像素级的致密视差。
全局匹配算法一般有动态规划的算法和图切割的算法，最常用的全局匹配算法是动态规划算法，动态规划的思想就是把求解整个图像深度值的过程分解为一些子过程，从而减少了
算法的复杂度，动态规划的思想体现了顺序约束和连续性约束。
动态规划的优点是可以很好的处理因局部纹理单一而造成的误匹配，且算法复杂度不高，缺点是容易因局部的噪音而造成误差传播，形成条纹瑕疵。
Stephen [5] 引入控制点修正技术，可以有效减少条纹瑕疵。
图切割的方法可以有效地融合水平和竖直方向上的连续性约束，是目前处理效果最好的立体匹配算法[6] ，其缺点为算法的复杂度较高。
图切割的基本思想为构建一个网络，通过最小割方法寻找网络的最大流。
Boykov等人[7] 提出了基于图割理论的能量函数优化方法，把寻找全局最优深度值转换成能量函数最小化问题。
2. 立体匹配算法的准确性
在ADAS领域，根据国标GBT33577-2017 车辆前向碰撞预警系统的要求，测试前车停止在车道中心，纵轴方向与道路边缘平行，且测试前车与自车朝向一致，自车向测试前车尾部接近，参考图6。
自车以额定速度20m/s在车道中心朝前车行驶，系统应能够在TTC最小2.1s时发出报警。
当自车距离前车150m时实验开始，下面任意一种情况发生时，实验结束：（a）系统发出报警；（b）TTC降至小于系统报警最小允许值的90%时。
下图所示的就是该实验的示意图：
那么就要求最远的的检测距离S必须达到90m，这样驾驶员才能够有足够的反应时间来进行制动。
所以立体匹配算法的深度信息最远必须达到90m。
下图是我司双目双焦模组标
定完后，基线距离与最远检测距离之间的对应关系：
对于立体匹配精度来说，障碍物的报警时间与深度信息来说是紧密相连的，对于30FS的采样帧率来说，在报警时间为2s时刻，误差与报警时间的具体关系如下表所示：
3.立体匹配算法的实时性
在人体跟踪和机器人导航等应用领域，立体视觉系统并不需要稠密的深度图，在一定的匹配准确性基础上更多的要求是算法的实时性。
正是在这种实时性的要求下，推动立体视觉系统的软件和硬件不断发展，表1 列出了几种实时处理系统的资料，从匹配算法上我们可以看出大部分的实时处理系统都是采用的区域匹配或者动态规划的算法，而在硬件工具上，主要有专门的硬件处理系统、PC 机和专业显卡等。
在20 世纪90 年代由于通用计算机处理能力太低，无法满足实时性的要求，这段时间的实时系统主要借助于专门图像处理硬件，如DSP，FPGA 等。
随着通用计算机不断发展，CPU的处理速度不断提高，以及CPU 对多媒体扩展指令（MMX ：Multi-Media Extension）的支持，很多立体匹配算法在通用计算机上仅仅使用软件就可以实现实时性。
SRI Stereo Engine是一个实时处理系统，借助MMX 技术可以实现在700 MHzPentium III 的处理器上达到30 帧/s 的速度。
在文献[14] 中，根据Hirschmuller的统计数据，借助MMX 在450MHz PentiumII的处理器上可以使他提出的算法达到4.7 帧/s，比不使用MMX 技术快
大约3 倍。
近年来，国内外正热衷于利用GPU 以一种低廉的方式的实现实时计算，目前图形处理单元支持开发者编写自己的并行处理算法核心，这样可以达到较高的处理速度。
在文献[12] 中，Ruigang Yang 借助显卡NVIDIA GeForce4，可以使文章中的算法达到每秒估计深度次数50-70M。
在文献[15] 中，Woetzel构建了一个同极线安装4 个摄像机的系统，借助显卡NvidiaGeforce FX 5600，在一台P4 的处理器上，把匹配的算法交给显卡做，而PC 机可以空闲出来做图像的获取，压缩和储存等工作，处理4 张704*576 的图片时间在280ms 以内。
4 总结
目前的立体匹配算法大多只能单方面地顾及实时性和准确性，实时系统使用的大多是一些简单的匹配算法，基本上没有考虑全局算法和对遮挡问题的处理。
而一些准确性较高的算法的处理速度都比较低。
一些应用环境如虚拟现实，需要同时做到准确性和实时性，这方面的难度还比较大，需要算法的不断发展和硬件水平的不断提高。
目前要解决立体匹配算法中兼顾准确性和实时性的问题，可以从以下几个方面进行研究。
（1）为提高算法的速度，推动算法的并行化发展，研究可靠的并行算法。
目前大多数的实时立体视觉系统都是借助于并行处理技术，无论是使用能支持MMX 技术的CPU 还是使用图形处理单元（GPU）。
研究适合并行计算的算法，或者适合于专用设备（如GPU）的处理流程，在低成本的前提下实现实时计算，增强系统的实用性。
（2）为达到更高的精度和解决遮挡等问题，可以借助多台摄像机，既实现由传统的双目视觉向多目视觉发展。
随着计算机处理能力的增加，多目视觉系统成为了可能，研究表明，通过利用第三目或者更多目图像提供的信息可以有效消除匹配的歧义性，如缺乏纹理细节、
周期性的重复特征等，可以有效地避免遮挡问题，由此可以得到高精度的稠密的深度图。
（3）为获得更准确的深度图，研究多种算法的融合以及利用图像的各种信息。
图像包含有各种信息，仅仅依靠灰度信息而获得精确的深度图是困难的，研究局域算法与全局算法的融合，利用图像的颜色[18] 、边缘等信息提高算法的精度。
从理解人类视觉立体融合机制出发，建立通用的人类双目视觉计算模型在近期内实现是比较困难的，建立兼顾实用性和准确性的立体视觉系统是学者们不断研究的目标，而为了增强系统的实用性，需要从实际应用和需求出发，建立更直接的、专门应用于特定对象的立体系统，调节准确性和实时性两方面需求的矛盾，降低立体视觉处理系统的难度，增加系统的实用性。
今后可以在准确性和实时性不断追求的过程中，实现两者的兼顾，最终实现精度高的实时系统。