双目立体视觉技术简介
双目视觉简介
双目立体视觉，在百度百科里的解释是这样解释的：双目立体视觉(Bin ocular Stereo Visio n )是机器视觉的一种重要形式，它是基于视差原理并利用成像设备从不同的位置获取被测物体的两幅图像，通过计算图像对应点间的位置偏差，来获取物体三维几何信息的方法。
我相信未来的世界一定是三维感知的世界，毕竟二维世界很多情况下不能满足要求的。
一视差Dis parity 与深度图那么提到双目视觉就不得不提视差图：双目立体视觉融合两只眼睛获得的图像并观察它们之间的差别，使我们可以获得明显的深度感，建立特征间的对应关系，将同一空间物理点在不同图像中的映像点对应起来，这个差别，我们称作视差(Disparity) 图像。
对于视差的理解自己可以体验一下：将手指头放在离眼睛不同距离的位置，并轮换睁、闭左右眼，可以发现手指在不同距离的位置，视觉差也不同，且距离越近，视差越大。
那么提到视差图，就有深度图，深度图像也叫距离影像，是指将从图像采集器到场景中各点的距离(深度)值作为像素值的图像。
获取方法有：激光雷达深度成像法、计算机立体视觉成像、坐标测量机法、莫尔条纹法、结构光法。
那么这里引申一下深度图与点云的区别，点云：当一束激光照射到物体表面时，所反射的激光会携带方位、距离等信息。
若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极为精细，则能够得到大量的激光点，因而就可形成激光点云。
深度图像经过坐标转换可以计算为点云数据；有规则及必要信息的点云数据可以反算为深度图像。
两者在一定条件下是可以相互转化的，之前的博客里，有使用PCL库实现过点云提取深度图，当然给出相机参数也是可以由深度图转为点云的。
截图一个深度图：h 也JrruK"■arru举所以深度与视差的关系如下比如绝对差值法D=| L-R|式中，L、R和D分别代表左视图、右视图和对应的绝对差值图的亮度值。
绝对差值图并不是严格意义上的视差图，但是它的计算方法最为简单，速度快，它给出的结果可以作为参考。
双目立体视觉技术的实现
双目立体视觉技术的实现双目立体视觉技术是指利用两个摄像机模拟人眼双目视觉，从而实现对物体的立体感知和深度信息的提取。
它已经广泛应用于计算机视觉、机器人视觉、虚拟现实、医学影像等领域。
本文将对双目立体视觉技术的实现进行详细介绍。
一、双目视觉原理人类双目视觉的原理是指两只眼睛在不同的位置观察同一物体，从而产生两个稍微不同的图像。
人脑通过类似于计算机中的算法，对两个图像进行计算，从而提取出立体信息，进而对物体进行深度和空间感知。
二、双目立体视觉技术的实现过程1.摄像机的标定由于摄像机内外参数不同，因此在使用双目立体视觉技术时需要先进行摄像机标定。
摄像机标定的过程包括对摄像机的内部参数和外部参数进行测量和计算。
内部参数包括焦距、主点以及径向和切向畸变等，外部参数包括相机的位置和朝向。
通过标定，可以得到摄像机的参数，进而进行后续的处理。
2.图像匹配图像匹配是双目立体视觉技术中最重要的步骤之一，也是最具挑战性的部分。
图像匹配的目的是找到两张图像中对应的像素点。
常用的图像匹配算法包括基于区域、基于特征和基于深度等。
3.深度计算深度计算是指根据匹配到的像素点，计算出物体的距离，即深度。
常用的深度计算方法包括三角测量法和基于视差的深度计算法。
三角测量法是指根据两个图像中对应像素点的位置关系，通过三角形相似原理计算出物体的距离。
基于视差的深度计算法是指通过计算两幅图像中对应点之间的视差（即两个像素在图像上的水平或垂直距离），从而得出物体到相机的距离。
三、双目立体视觉技术的应用1.计算机视觉双目立体视觉技术在计算机视觉领域中已经被广泛应用。
例如，在物体识别、位姿估计以及场景重建等方面，双目立体视觉技术都有重要的应用。
通过双目视觉，计算机可以更加准确地识别图像中的物体，进而进行自动化的控制和处理。
2.机器人视觉机器人视觉是指将双目视觉技术应用于机器人的感知和控制。
例如，在自主导航、抓取和操纵等方面，机器人需要通过视觉来获取场景信息和深度信息，从而实现自主决策和控制。
《2024年度基于双目立体视觉定位和识别技术的研究》范文
《基于双目立体视觉定位和识别技术的研究》篇一一、引言随着科技的飞速发展，计算机视觉技术在许多领域中得到了广泛的应用。
其中，双目立体视觉定位和识别技术以其高精度、高效率的特点，在机器人导航、工业检测、无人驾驶等领域展现出巨大的应用潜力。
本文将围绕双目立体视觉定位和识别技术进行深入的研究和探讨。
二、双目立体视觉技术概述双目立体视觉技术是一种模拟人类双眼视觉的计算机视觉技术。
通过模拟人眼的视差感知原理，双目立体视觉技术利用两个相机从不同角度获取场景的图像信息，然后通过图像处理和算法分析，得到场景中物体的三维信息。
双目立体视觉技术主要包括相机标定、图像获取、图像预处理、特征提取、立体匹配、三维重建等步骤。
三、双目立体视觉定位技术双目立体视觉定位技术是双目立体视觉技术的核心部分，它通过计算左右相机获取的图像间的视差信息，实现场景中物体的三维定位。
具体而言，双目立体视觉定位技术首先需要对相机进行精确的标定，以获取相机的内外参数。
然后通过图像预处理和特征提取，获取场景中的特征点或特征线。
接着，利用立体匹配算法，将左右相机获取的图像进行匹配，得到视差图。
最后，根据视差信息和相机的内外参数，计算得到场景中物体的三维坐标信息。
四、双目立体视觉识别技术双目立体视觉识别技术是在定位技术的基础上，进一步对场景中的物体进行分类和识别。
通过分析物体的形状、大小、纹理等特征信息，结合机器学习、深度学习等算法，实现对物体的识别和分类。
双目立体视觉识别技术可以广泛应用于无人驾驶、机器人导航、工业检测等领域。
五、双目立体视觉技术的应用双目立体视觉技术在许多领域都得到了广泛的应用。
在无人驾驶领域，双目立体视觉技术可以实现车辆的定位和障碍物识别，提高车辆的行驶安全性和自动驾驶的准确性。
在机器人导航领域，双目立体视觉技术可以帮助机器人实现精准的路径规划和导航。
在工业检测领域，双目立体视觉技术可以实现对产品的快速检测和质量控制。
六、研究展望随着计算机视觉技术的不断发展，双目立体视觉定位和识别技术将会有更广泛的应用前景。
双目立体视觉匹配
双目立体视觉匹配双目立体视觉匹配是一种计算机视觉技术，用于在双目摄像头中获取的图像中，找到对应的目标点，从而实现立体深度感知。
双目立体视觉匹配的原理是基于两个前提假设：一是视差概念，即两个相同的场景在左右两个眼睛中的图像位置差异；二是视差和深度之间的关系。
根据这两个基本假设，我们可以通过比较左右两个图像中的像素值来确定两个图像中的对应关系，从而计算出立体深度信息。
双目视觉匹配的过程通常包括以下几个步骤：1. 图像预处理：双目图像首先需要进行预处理，包括去噪、图像校正、颜色校正等。
这些步骤旨在提高图像质量和减少噪声对匹配结果的影响。
2. 特征提取：在预处理之后，需要从图像中提取出一些能够反映目标结构和纹理信息的特征点。
常用的特征包括角点、边缘、区域等。
3. 特征匹配：在这一步中，通过比较特征点之间的相似性来确定它们之间的对应关系。
常用的匹配算法有最近邻匹配、迭代最近点算法、随机抽样一致性算法等。
4. 视差计算：特征匹配之后，我们可以根据特征点之间的位置差异来计算出视差信息，即目标点在左右图像中的位置差异。
一般来说，视差越大，深度越小。
5. 深度计算：视差和深度之间的具体关系取决于相机的内外参数、基线长度等因素。
通过根据相机标定信息和经验参数，可以将视差转换为具体的深度值。
双目立体视觉匹配在机器人导航、三维重建、虚拟现实等领域具有广泛的应用。
通过获取场景的三维深度信息，可以使机器人在复杂环境中进行精确的定位和避障；在三维重建中，双目立体视觉匹配可以用于获取物体或场景的精确几何结构；在虚拟现实中，双目立体视觉匹配可以为用户提供更加真实的交互体验。
双目立体视觉匹配也面临着一些挑战和限制。
双目视觉匹配对于光照变化、纹理缺失等问题比较敏感，这会导致匹配结果的不稳定性；相机标定是双目视觉匹配中的重要一步，需要准确地测量相机参数和关联参数，否则会影响深度计算结果的精度；双目视觉匹配在处理大场景、纹理一致的区域等情况下会面临困难。
平行双目立体视觉的基本构成及测量原理
平行双目立体视觉是一种利用两个并行的摄像头来创建三维图像的技术。
它通过比较两个或更多摄像头捕获的图像来确定场景中的距离和形状。
这种技术通常用于计算机视觉和机器人视觉中，以实现物体识别、测量和导航。
基本构成：1. 摄像头：这是双目立体视觉系统的核心，它负责捕捉场景的图像。
通常，摄像头会安装在相同的距离和角度，以产生尽可能多的视差。
2. 图像处理：这部分包括对摄像头捕获的图像进行预处理，如去噪、对比度调整和色彩校正等。
这些处理步骤有助于提高后续图像分析的准确性。
3. 特征匹配：这一步骤涉及到将两个摄像头的图像进行匹配，以确定它们之间的视差。
通常使用特征检测算法，如SIFT（尺度不变特征变换）或SURF（加速稳健特征），来识别图像中的关键点。
4. 深度计算：基于匹配的特征点，系统会使用一种算法来估计它们在三维空间中的位置。
这通常涉及到三角测量，即通过两个摄像头的视差信息来计算深度。
5. 立体视觉系统：将两个摄像头的输出进行合并，形成一个立体视觉系统。
这个系统可以提供场景的三维视图，包括物体的距离、形状和纹理等信息。
测量原理：双目立体视觉的基本原理是基于视差，即两个不同角度观察到的图像之间的距离差异。
在双目立体视觉系统中，这种差异被用来创建深度信息。
具体来说：1. 双目立体视觉系统中的摄像头捕获同一场景的图像时，由于存在视角、距离和光线条件等因素的差异，导致图像中的特征点在两个摄像头中的位置略有不同。
2. 通过比较这两个图像的特征点，系统可以确定这些特征点在三维空间中的相对位置。
这个位置就是物体的距离和形状信息。
3. 基于这些信息，系统可以进一步推断出场景中其他物体的深度。
这是因为人类的视觉系统可以根据双眼接收到的视差信息来推断物体的距离和形状。
需要注意的是，双目立体视觉的准确性受到许多因素的影响，如光源条件、镜头畸变和噪声等。
因此，在实际应用中，通常会采用一些优化技术来提高系统的性能，如使用更先进的特征匹配算法、优化相机参数和采用稳健的深度计算方法等。
基于深度学习的双目立体视觉关键技术研究
基于深度学习的双目立体视觉关键技术研究随着深度学习技术不断地深入发展，其在计算机视觉领域的应用得到了越来越广泛的探索和应用，其中双目立体视觉技术便是其中的一个重要方向。
那么，基于深度学习的双目立体视觉关键技术究竟是什么？它有什么作用和应用场景呢？本文将对这些问题进行一定的探讨和分析。
一、什么是双目立体视觉技术？双目立体视觉技术是一种通过两个摄像机分别拍摄同一场景的图像，然后通过计算机视觉技术将这两张图像进行配对，最终得到一个三维的深度图像，以模拟人类双眼观察物体的效果。
相对于单目视觉技术，双目立体视觉技术能够提供更加丰富的信息，包括物体的距离、深度、大小等，这在机器人导航、三维重建、虚拟现实、安防监控等领域都有着广泛的应用。
二、基于深度学习的双目立体视觉关键技术传统的双目立体视觉技术主要是通过构建匹配代价函数，利用像素级别的匹配方法获取两幅图像之间的对应关系，并进而计算出深度信息。
然而，由于环境、光照、物体材质等因素的影响，传统的双目立体视觉技术往往难以获得准确的深度信息。
基于深度学习的双目立体视觉技术则可以通过神经网络的学习和训练，将图像中的区域特征提取出来，进而实现更加精准和准确的深度信息获取。
具体来说，基于深度学习的双目立体视觉关键技术主要包括以下方面：1、基于神经网络的立体匹配算法传统的立体匹配算法主要是通过计算左右两个视角内不同像素之间的匹配代价，并选择匹配代价最小的一组像素作为匹配结果。
而基于深度学习的立体匹配算法则是通过训练一个深度卷积神经网络（CNN）来提取出深度信息的特征，再通过卷积核匹配图像，从而获取更加精准和准确的深度信息。
2、深度学习的特征提取和表示学习利用深度学习模型可以对图像进行特征提取和表示学习，将图像中的区域特征提取出来，包括边缘、角点、纹理等。
这些特征能够进一步用于深度估计和视差计算等任务中，以提升深度信息的准确度和精度。
3、基于深度学习的图像生成和增强技术基于深度学习的图像生成和增强技术可以通过生成对抗网络（GAN）和卷积神经网络将图像进行合成和增强。
《双目立体视觉》课件
05
双目立体视觉的应用案例
机器人视觉导航
机器人视觉导航是双目立体视觉的重要应用之一。通过双目立体视觉技术，机器 人可以获取周围环境的深度信息，实现自主导航、避障和路径规划等功能。
双目立体视觉技术可以帮助机器人识别障碍物、行人和车辆等，提高机器人的安 全性和可靠性。
医学影像分析
在医学领域，双目立体视觉技术被广泛应用于医学影像分析 。通过双目立体视觉技术，医生可以获取患者的三维立体图 像，提高诊断的准确性和可靠性。
深度学习技术Байду номын сангаас
随着深度学习算法的不断发展， 双目立体视觉技术将更加智能化 ，能够自动识别和提取更多的三
维信息。
实时处理能力
随着计算能力的提升，双目立体 视觉技术将实现更快速、实时的 三维重建，满足实时应用的需求
。
多传感器融合
未来双目立体视觉技术将与其他 传感器技术（如激光雷达、毫米 波雷达等）融合，实现更全面的
运动模糊问题
总结词
运动模糊是由于摄像机或物体快速移动导致图像模糊的现象，对双目立体视觉的深度感知造成干扰。
详细描述
在动态环境中，摄像机或物体的快速移动可能导致图像模糊，从而影响双目立体视觉系统的深度感知 能力。为了解决这一问题，研究者们提出了基于运动补偿的算法，通过分析图像中的运动轨迹，对模 糊图像进行还原和补偿，以提高深度感知的准确性。
详细描述
在复杂的光照条件下，如明暗交替、阴影或高光，双目视觉 系统可能难以准确判断物体的深度和距离。这主要是因为阴 影或高光区域中的物体可能会与背景融为一体，导致立体匹 配算法失效。
遮挡和透明物体问题
总结词
遮挡和透明物体是双目立体视觉中的常见挑战，需要特殊算法来处理。
双目立体视觉系统分类
双目立体视觉系统分类一、引言双目立体视觉系统是一种通过模拟人类双眼来感知物体深度的计算机视觉技术。
它模仿了人类的双眼视觉系统，并利用两个相机采集不同视角的图像，通过计算两个图像之间的视差（视点之间的差异），从而获取物体的三维信息。
本文将对双目立体视觉系统的分类进行全面、详细、完整且深入地探讨。
二、传统方法传统的双目立体视觉系统主要包括以下几种分类：1. 匹配算法匹配算法是双目立体视觉系统的核心算法之一。
它通过比较两个图像中对应的像素点（称为对极约束），找到它们之间的匹配关系，在此基础上计算视差。
常见的匹配算法包括：•基于灰度的匹配算法：使用像素灰度值进行匹配，如SAD（Sum of Absolute Differences）和SSD（Sum of Squared Differences）等。
•基于特征点的匹配算法：使用特征点提取算法，如SIFT（Scale-Invariant Feature Transform）和SURF（Speeded Up Robust Features）等，进行匹配。
2. 深度计算深度计算是双目立体视觉系统的另一个重要任务。
它通过视差计算得到每个像素点的深度信息。
常见的深度计算方法包括：•三角测量法：利用成像几何关系，利用相机的内外参，计算出像素点的三维坐标，从而得到深度信息。
•基于视差图的深度计算：根据视差图，通过一定的数学模型和滤波方法，计算出每个像素点的深度。
3. 重建方法重建方法是将双目立体视觉系统获取的二维图像信息转换为三维点云或三维模型的过程。
常见的重建方法包括：•点云重建：利用深度信息，将每个像素点转化为三维空间中的点，并通过点云生成算法，生成完整的点云模型。
•三维模型重建：利用深度信息，将每个像素点转换为三维空间中的点，并通过三维模型重建算法（如表面重建算法），生成连续的三维模型。
三、深度学习方法随着深度学习的发展，越来越多的研究者开始探索使用深度学习方法解决双目立体视觉任务。
- 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)。
双目立体视觉技术简介
1. 什么是视觉
视觉是一个古老的研究课题，同时又是人类观察世界、认知世界的重要功能和手段。
人类从外界获得的信息约有75%来自视觉系统，用机器模拟人类的视觉功能是人们多年的梦想。
视觉神经生理学，视觉心里学，特别是计算机技术、数字图像处理、计算机图形学、人工智能等学科的发展，为利用计算机实现模拟人类的视觉成为可能。
在现代工业自动化生产过程中，计算机视觉正成为一种提高生产效率和检验产品质量的关键技术之一，如机器零件的自动检测、智能机器人控制、生产线的自动监控等;在国防和航天等领域，计算机视觉也具有较重要的意义，如运动目标的自动跟踪与识别、自主车导航及空间机器人的视觉控制等。
人类视觉过程可以看作是一个从感觉到知觉的复杂过程，从狭义上来说视觉的最终目的是要对场景作出对观察者有意义的解释和描述；从广义上说，是根据周围的环境和观察者的意愿，在解释和描述的基础上做出行为规划或行为决策。
计算机视觉研究的目的使计算机具有通过二维图像信息来认知三维环境信息的能力，这种能力不仅使机器能感知三维环境中物体的几何信息(如形状、位置、姿态运动等)，而且能进一步对它们进行描述、存储、识别与理解，计算机视觉己经发展起一套独立的计算理论与算法。
2. 什么是计算机双目立体视觉
双目立体视觉(Binocular Stereo Vision)是机器视觉的一种重要形式，它是基于视差原理并利用成像设备从不同的位置获取被测物体的两幅图像，通过计算图像对应点间的位置偏差，来获取物体三维几何信息的方法。
融合两只眼睛获得的图像并观察它们之间的差别，使我们可以获得明显的深度感，建立特征间的对应关系，将同一空间物理点在不同图像中的映像点对应起来，这个差别，我们称作视差(Disparity)图像，如图一。
图一、视差（Disparity）图像
双目立体视觉测量方法具有效率高、精度合适、系统结构简单、成本低等优点，非常适合于制造现场的在线、非接触产品检测和质量控制。
对运动物体（包括动物和人体形体）测量中，由于图像获取是在瞬间完成的，因此立体视觉方法是一种更有效的测量方法。
双目立体视觉系统是计算机视觉的关键技术之一，获取空间三维场景的距离信息也是计算机视觉研究中最基础的内容。
双目立体视觉的开创性工作始于上世纪的60年代中期。
美国MIT的Roberts通过从数字图像中提取立方体、楔形体和棱柱体等简单规则多面体的三维结构，并对物体的形状和空间关系
进行描述，把过去的简单二维图像分析推广到了复杂的三维场景，标志着立体视觉技术的诞生。
随着研究的深入，研究的范围从边缘、角点等特征的提取，线条、平面、曲面等几何要素的分析，直到对图像明暗、纹理、运动和成像几何等进行分析，并建立起各种数据结构和推理规则。
特别是上世纪80年代初，Marr首次将图像处理、心理物理学、神经生理学和临床精神病学的研究成果从信息处理的角度进行概括，创立了视觉计算理论框架。
这一基本理论对立体视觉技术的发展产生了极大的推动作用，在这一领域已形成了从图像的获取到最终的三维场景可视表面重构的完整体系，使得立体视觉已成为计算机视觉中一个非常重要的分支。
经过几十年来的发展，立体视觉在机器人视觉、航空测绘、反求工程、军事运用、医学成像和工业检测等领域中的运用越来越广。
3. 双目立体视觉系统
立体视觉系统由左右两部摄像机组成。
如图二所示，图中分别以下标l和r标注左、右摄像机的相应参数。
世界空间中一点A(X，Y，Z)在左右摄像机的成像面Cl和Cr上的像点分别为al(ul，vl)和ar(ur，vr)。
这两个像点是世界空间中同一个对象点A的像，称为“共轭点”。
知道了这两个共轭像点，分别作它们与各自相机的光心Ol和Or的连线，即投影线alOl 和arOr，它们的交点即为世界空间中的对象点A(X，Y，Z)。
这就是立体视觉的基本原理。
图二、立体视觉的基本原理
4. 博安盈双目立体视觉系统：平行光轴的系统结构
在平行光轴的立体视觉系统中（图三），左右两台摄像机的焦距及其它内部参数均相等，光轴与摄像机的成像平面垂直，两台摄像机的x轴重合，y轴相互平行，因此将左摄像机沿着其x轴方向平移一段距离b（称为基线baseline）后与右摄像机重合。
由空间点A及左右两摄像机的光心Ol、Or确定的极平面（Epipolar plane）分别与左右成像平面Cl、Cr的交线pl、pr为共轭极线对，它们分别与各自成像平面的坐标轴ul、ur平行且共线。
在这种理想的结构形式中，左右摄像机配置的几何关系最为简单，极线已具有很好的性质，为寻找对象点A在左右成像平面上的投影点al和ar之间的匹配关系提供了非常便利的条件。
图三、平行光轴的立体视觉系统示意图
5. 双目立体视觉智能视频分析技术
恢复场景的3D信息是立体视觉研究中最基本的目标，为实现这一目标，一个完整的立体视觉系统通常包含六个模块：图像获取、摄像机标定、特征提取、立体匹配、三维恢复和视频分析（运动检测、运动跟踪、规则判断、报警处理）。
5.1. 图像获取（Image Acquisition）
数字图像的获取是立体视觉的信息来源。
常用的立体视觉图像一般为双目图像，有的采用多目图像。
图像获取的方式有多种，主要由具体运用的场合和目的决定。
立体图像的获取不仅要满足应用要求，而且要考虑视点差异、光照条件、摄像机性能和场景特点等方面的影响。
5.2. 摄像机标定（Camera Calibration）
立体视觉系统摄像机标定是指对三维场景中对象点在左右摄像机图像平面上的坐标位置al(ul，vl)、ar(ur，vr)与其世界空间坐标A(X，Y，Z)之间的映射关系的确立，是实现立体视觉三维模型重构中基本且关键的一步。
图四、VA-BSC双目摄像机
5.3. 特征提取（Feature Acquisition）
特征提取的目的是要获取匹配赖以进行的图像特征，图像特征的性质与图像匹配的方法选择有着密切的联系。
目前，还没有建立起一种普遍适用的获取图像特征的理论，因此导致了立体视觉研究领域中匹配特征的多样化。
特征可以是像素相位匹配是近二十年才发展起来的一类匹配算法。
相位作为匹配基元，本身反映信号的结构信息，对图像的高频噪声有很好的抑制作用，适于并行处理，能获得亚像素级精度的致密视差。
但存在相位奇点和相位卷绕的问题，需加入自适应滤波器解决。
或者是像素的集合，也可以是它们的抽象表达，如图像结构、图像目标和关系结构等。
常用的匹配特征主要有点状特征、线状特征和区域特征等几种情形。
一般而言，尺度较大的图像特征蕴含较多的图像信息，且特征本身的数目较少，匹配效率高；但特征的提取和描述过程存在较大的困难，定位精度也较差。
而对于尺度较小的图像特征来说，对其进行表达和描述相对简单，定位精度较高；但由于其本身数目较多，所包含的图像信息少，在匹配时需要采用较严格的约束条件和匹配策略，以尽可能地减少匹配歧义和提高匹配效率。
总的来说，好的匹配特征应该具有要可区分性、不变性、唯一性以及有效解决匹配歧义的能力。
5.4. 图像匹配（Image Matching）
在立体视觉中（图二、图三），图像匹配是指将三维空间中一点A(X，Y，Z)在左右摄像机的成像面Cl和Cr上的像点al(ul，vl)和ar(ur，vr)对应起来。
图像匹配是立体视觉中最重要也是最困难的问题，一直是立体视觉研究的焦点。
当空间三维场景经过透视投影（Perspective Projection）变换为二维图像时，同一景物在不同视点的摄像机图像平面上的成像会发生不同程度的扭曲和变形，而且场景中的光照条件、被测对象的几何形状和表面特性、噪声干扰和畸变、摄像机特性等诸多因素的影响都被集中体现在单一的图像灰度值中。
显然，要对包含了如此之多不利因素的图像进行准确匹配是很不容易的。
5.5. 三维恢复（3D Reconstruction）
在完成立体视觉系统的摄像机标定和图像匹配工作以后，就可以进行被测对象表面点的三维信息恢复。
影响三维测量精度的因素主要有摄像机标定误差、CCD成像设备的数字量化效应、特征提取和匹配定位精度等。
5.6. 视频分析（运动检测、运动跟踪、规则判断、报警处理）
通过视差计算，得到全屏幕的视差图像后，采用背景建模的方式，得到运动前景物体的视差图像，再进行膨胀和腐蚀算法进行图像预处理，得到完整的可供分析的前景运动物体视差图。
采用运动跟踪算法，全屏实时检测物体的大小、运动轨迹，并与事先设置的规则进行对比，如果有人进入或离开设置报警区域，系统则实时报警。
5.7. 视差效果图：
图五、双目视差效果图
注：过滤掉距离地面60cm以内，200cm以上的视差值，即检测范围为60－200cm之间。
故左边蹲下的人没有视差值。