基于SAD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》
《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。
基于SAD的直方图匹配算法在超声弹性成像上的应用
基于SAD的直方图匹配算法在超声弹性成像上的应用李佳【期刊名称】《现代计算机（专业版）》【年(卷),期】2016(000)003【摘要】超声弹性成像自提出以来成为一个研究热点，但由于弹性成像的成像原理，弹性图像上一般都有弹性噪声，为了降低噪声，提高弹性图像质量，研究基于SAD的直方图匹配算法在超声弹性成像上的应用，通过改进相似度的计算方法，提高弹性图像的去噪质量。
%In ultrasound elastography, there are some noises in the image, applies the SAD-based histogram speckle reduction algorithm to the ul-trasound elastography for the purpose of reducing the noise and improving the quality of the image, it can improve the way of calculating the similarity, improve the image quality.【总页数】4页(P37-40)【作者】李佳【作者单位】四川大学计算机学院，成都 610065【正文语种】中文【相关文献】1.基于色彩直方图匹配的颜色传递算法研究 [J], 陈小娥2.基于卡尔曼滤波和直方图匹配算法的r目标跟踪算法研究 [J], 顾玮3.直方图匹配算法在超声弹性成像上的应用研究 [J], 何颖妮;邵党国;刘东权4.基于卡尔曼滤波和直方图匹配算法的目标跟踪算法研究 [J], 顾玮5.基于高斯平滑直方图匹配的图像间匀光算法 [J], 孙立辉;张竟雄因版权原因，仅展示原文概要，查看原文内容请购买。
《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，其性能的优劣直接影响到整个系统的精度和稳定性。
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，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过程，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，从而获取场景的三维信息。
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。
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。
其中，基于区域的匹配算法具有较高的精度，但计算量大；基于特征的匹配算法计算量较小，但易受噪声和光照变化的影响；基于相位的匹配算法具有较好的抗干扰性和鲁棒性。
三、基于双目视觉的立体匹配算法研究（一）算法原理及流程本文研究了一种基于区域和特征的混合立体匹配算法。
该算法首先提取两幅图像中的特征信息，如边缘、角点等；然后，在特征匹配的基础上，利用基于区域的匹配算法对剩余区域进行精细匹配。
该算法既提高了匹配精度，又降低了计算量。
（二）算法优化及改进针对传统立体匹配算法在复杂场景下易出现误匹配的问题，本文提出了一种基于全局能量的优化方法。
该方法通过引入能量函数，将立体匹配问题转化为能量最小化问题，从而提高了匹配的稳定性和准确性。
此外，本文还研究了多尺度、多方向的特征提取方法，以提高特征匹配的鲁棒性。
四、立体匹配算法的应用（一）三维重建基于双目视觉的立体匹配算法可以用于三维重建。
通过获取场景的两个视图，并利用立体匹配算法获取视差图，然后根据视差图和相机参数进行三维重建，从而得到场景的三维模型。
该技术广泛应用于虚拟现实、游戏开发、工业检测等领域。
《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。
《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》篇一一、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，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信息，再通过一系列的图像处理技术，实现三维重建。
其中，立体匹配算法是双目立体视觉三维重建的关键技术之一。
本文将重点研究双目立体视觉三维重建中的立体匹配算法，并分析其原理、方法和存在的问题及解决方法。
二、立体匹配算法的基本原理和常用方法1. 立体匹配算法的基本原理立体匹配算法是利用双目相机获取的左右两幅图像中的视差信息，通过匹配算法找出同一场景在不同视角下的对应点，进而实现三维重建。
其基本原理包括四个步骤：图像预处理、特征提取、立体匹配和三维重建。
2. 常用立体匹配算法（1）基于区域的立体匹配算法：该算法通过计算左右图像中每个像素点周围的区域相似度来确定视差值。
其优点是精度高，但计算量大，实时性较差。
（2）基于特征的立体匹配算法：该算法先提取左右图像中的特征点，再通过特征匹配来计算视差值。
其优点是计算量小，实时性好，但需要较好的特征提取算法。
（3）基于相位的立体匹配算法：该算法利用相位信息来计算视差值，具有较高的精度和稳定性。
但其对噪声敏感，且计算量较大。
三、存在的问题及解决方法1. 匹配精度问题：由于光照、遮挡、透视畸变等因素的影响，立体匹配算法的精度会受到影响。
为了提高匹配精度，可以采用多尺度、多特征融合的方法，提高特征提取的准确性和鲁棒性。
2. 实时性问题：在实际应用中，要求立体匹配算法具有较高的实时性。
为了解决这一问题，可以采用优化算法、硬件加速等方法来降低计算量，提高运算速度。
3. 视差图问题：视差图是立体匹配算法的重要输出结果之一。
视差图的质量直接影响着三维重建的精度和效果。
为了提高视差图的质量，可以采用多约束条件下的优化算法、后处理等方法来优化视差图。
四、研究进展与展望近年来，随着计算机视觉技术的不断发展，双目立体视觉三维重建技术也取得了较大的进展。
计算机视觉中的立体匹配算法研究
计算机视觉中的立体匹配算法研究一、引言计算机视觉是近年来发展迅速的一个领域，其中立体匹配算法是其中一个重要的研究方向。
立体匹配算法是指通过两张在不同视角下的图像，基于这两张图像之间的差异来计算得到物体的深度信息，从而达到对物体进行三维重建的目的。
二、立体匹配的基础原理立体匹配算法的基础原理是通过两幅不同角度下得到的图像中，对应点的像素位置之间的差异来计算出每个像素点的视差，并进而推算出物体的深度信息。
对于一组立体图像，在处理之前需要进行预处理，包括图像去噪、灰度化和边缘检测等，以便于得到更加精确的匹配结果。
然后，在经过预处理之后，可以通过三种不同的方式进行匹配：基于特征点的匹配、基于区域的匹配和深度神经网络。
1.基于特征点的匹配基于特征点的匹配是指通过对图像进行特征提取，然后通过对特征点进行匹配来计算像素点的视差。
这一方法的主要优点是速度比较快，但是对于复杂的场景下，匹配误差较大，容易出现匹配失败的情况。
2.基于区域的匹配基于区域的匹配是指通过对图像进行分块，然后在每个块内进行匹配来计算像素点的视差。
对于复杂的场景，此方法可以得到更加精确的匹配结果。
但是，对于复杂的场景，该方法的计算量比较大，处理速度比较慢。
3.深度神经网络近年来，深度神经网络的发展为立体匹配的处理提供了新的思路。
基于深度神经网络的方法可以通过学习大量的图像，从而获得更加精确的匹配结果。
同时，由于神经网络是可以并行计算的，因此处理速度较快。
三、算法的比较和优缺点分析针对不同的应用场景，可以选择不同的立体匹配算法来进行处理。
通过对三种不同的立体匹配算法的比较和分析，可以得到以下的结论：1.基于特征点的匹配方法可以在处理速度和精度之间取得平衡，但是对于复杂的场景下，容易出现匹配错误的情况。
2.基于区域的匹配方法可以得到更加精确的匹配结果，但是对于复杂的场景，计算量比较大。
3.基于深度神经网络的方法可以通过学习大量的图像，得到更加精确的匹配结果。
- 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)。
Ｆ＝ＫＴｒＳＲＫｌ－１
（１）
其中，Ｓ为平移矢量的反对称矩阵，表示为
０ －ｔｚ ｔｙ
Ｓ＝［ｔ］ｘ＝ ｔｚ
０
－ｔｙ ｔｘ
－ｔｘ ０
（２）
１ 极线校正
极线校正实质上就是图像进行匹配过程之 前对图像预处理的一部分。为进一步提高匹配 效率，在匹配时往往采用在同一极线上搜索两 幅图中最相似点对的方法，在同一水平线上进 行匹配可以达到降低搜索范围的目的。但从实 际角度出发，无论如何摆放两台摄像机都不可 能使光轴做到完全平行。为满足上述情况就需 要两台摄像机的成像平面必须共面且完全行对 准。校正后 的 图 片 使 立 体 匹 配 的 结 果 更 加 精 准，所以要在立体匹配之前对双目图像进行校 正［８］。 极线校正过程如图 １所示，极线校正将双 目立体视觉的几何结构校正为平视双目标准几 何结构。该校正过程可分两步完成。第一步，
２０世纪 ８０年代的研究人员提出层次处理 立体匹配的概念，通过立体匹配约束条件来提 高立体匹配的精确度。随着科技的发展，双目 立体视觉技术渐渐走向成熟，不少研究人员把 立体匹配技术与人们的实际应用相结合，比如 深度的计算，场景的三维重建，虚拟现实等。双 目立体匹配技术虽已经过几十年的研究且已经 取得了一定的研究成果，立体匹配的准确率还
左右成像平面通过绕光轴旋转使两摄像机主点
连线与像素坐标的连线正后的左右成像平面水平对齐
且在同一个平面上。平面上的成像点距离保持
不变，类似于刚体变换。根据已经标定的两摄
像机内部参数矩阵 Ｋｌ和 Ｋｒ以及左右两个摄像 机之间的旋转矩阵 Ｒ和平移向量 Ｔ，那么可以
将摄像机的基本矩阵 Ｆ用如下公式表示为
ＲｅｓｅａｒｃｈｏｎＳＡＤｂａｓｅｄｓｔｅｒｅｏｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍ
ＹＵ Ｃｈｕｎｈｅ，ＺＨＡＮＧ Ｊｉｎｇ
（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＳｈｅｎｙａｎｇＡｅｒｏｓｐａｃｅＵｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｙａｎｇ１１０１３６，Ｃｈｉｎａ）
Ｋｅｙｗｏｒｄｓ：ｓｔｅｒｅｏｍａｔｃｈｉｎｇ；ＳＡＤ ａｌｇｏｒｉｔｈｍ；ｍａｔｃｈｉｎｇｃｏｓｔｆｕｎｃｔｉｏｎ；ｄｉｓｐａｒｉｔｙｍａｐ
立体匹配是二维图像对三维场景结构信息 获取的主要技术手段，一直是人们的研究热点 之一［１］。立体匹配作为计算机双 目 立 体 视 觉 中最关键的一个步骤，其后面进行的三维重建 的精度与匹配结果准确与否息息相关。所谓立 体匹配就是从不同视点获得的两幅图像中找到 匹配的对应点，再由匹配代价函数来估算匹配 点的视差值。
Ａｂｓｔｒａｃｔ：Ｔｈｅｐｕｒｐｏｓｅｏｆｓｔｅｒｅｏｍａｔｃｈｉｎｇｉｓｂａｓｅｄｏｎｔｈｅｉｍａｇｅｐａｉｒｓａｃｑｕｉｒｅｄｂｙｔｈｅｂｉｎｏｃｕｌａｒｃａｍｅｒ ａ．ＡｄｏｐｔｔｈｅＳＡＤａｌｇｏｒｉｔｈｍ，ｔｈｅｐｒｏｂｌｅｍ ｔｈａｔｔｈｅｔｅｍｐｌａｔｅｉｍａｇｅｉｓｓｕｓｃｅｐｔｉｂｌｅｔｏｍｉｓｍａｔｃｈｄｕｅｔｏｔｈｅ ｈｉｇｈｄｅｇｒｅｅｏｆｒｅｇｉｏｎａｌｓｉｍｉｌａｒｉｔｙｉｎｔｈｅｉｍａｇｅｔｏｍａｔｃｈｄｕｒｉｎｇｔｈｅｍａｔｃｈｉｎｇｐｒｏｃｅｓｓ．Ｗｅｃｏｎｄｕｃｔｔｈｅ ｅｘｐｅｒｉｍｅｎｔｓｗｉｔｈｄｉｆｆｅｒｅｎｔｗｉｎｄｏｗ ｓｉｚｅｓｗｈｅｒｅａｐａｒａｌｌａｘｍａｐｗｉｔｈｂｅｔｔｅｒｓｕｉｔａｂｉｌｉｔｙｉｓｏｂｔａｉｎｅｄｉｎｔｈｉｓ ｐａｐｅｒ．ＴｈｅＳＡＤａｌｇｏｒｉｔｈｍ ｉｓａｐｐｌｉｅｄａｓａｍａｔｃｈｉｎｇｃｏｓｔｆｕｎｃｔｉｏｎｔｏｅｖａｌｕａｔｅｔｈｅｓｉｍｉｌａｒｉｔｙｏｆｔｗｏｉｍａｇｅ ｂｌｏｃｋｓ．Ｔｈｅｏｂｔａｉｎｅｄｄｉｓｐａｒｉｔｙｍａｐｓｈｏｗｓａｇｏｏｄｓｅｎｓｅｏｆｄｅｐｔｈ，ｗｈｉｃｈｌａｙｓａｆｏｕｎｄａｔｉｏｎｆｏｒｔｈｅｎｅｘｔ ｓｔａｇｅｏｆ３Ｄ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ．
收稿日期：２０１９－０４－０１ 作者简介：于春和（１９７６－），男，辽宁绥中人，副教授，主要研究方向：图像信号处理，传感器设计，Ｅｍａｉｌ：２６４３９０９５２８＠ｑｑｃｏｍ。
７８
沈 阳 航 空 航 天 大 学 学 报
第 ３６卷
是会受到图像无纹理区、物体之间的相互遮挡、 镜头畸变、光照变化及相机特性等各方面因素 的影响，这些因素都被综合到了图像的灰度值 中。因此，想要精准地对存在这么多不利因素 的图像来进行无歧义的匹配是一个困难的过 程［２］。为了使立体匹配的有效性 得 到 提 高 有 三个问题需要解决，即匹配特征的选择要正确， 找出特征间的匹配属性并且建立能够准确的匹 配所选特征的稳定算法［３］。目前，围绕以上所 提到的三个方面展开研究的匹配方法有许多 种，最具代表性的有区域相关 法［４］、动 态 规 划 法［５］、和基于图论的最小切割方法［６］。但是还 有好多立体匹配所涉及的问题没有得到妥善解 决，尤其需要进一步深入研究在复杂场景中如 何去提高匹配算法的准确率。
文章编号：２０９５－１２４８（２０１９）０４－００７７－０７
基于 ＳＡＤ的立体匹配算法研究
于春和，张 静
（沈阳航空航天大学 电子信息工程学院，沈阳 １１０１３６）
摘要：基于对双目摄像机获取的图像对进行立体匹配的目的，采用 ＳＡＤ算法，针对在匹配过 程中模板图像易受待匹配图像中区域相似性较高的点干扰而造成错误匹配的问题，通过对不 同的窗口大小进行实验，得到更适合本文的视差图。ＳＡＤ算法作为匹配代价函数来进行评 估两个图像块的相似度，得到的视差图具有较好深度感，为下一阶段的三维重建工作打下了 基础。 关键词：立体匹配；ＳＡＤ算法；匹配代价函数；视差图 中图分类号：ＴＰ３９１９ 文献标志码：Ａ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．２０９５－１２４８．２０１９．０４．０１２
局部立体匹配算法以及全局立体匹配算法 是现阶段应用最广泛的两类 匹 配 算 法［７］。在 局部 算 法 中，灰 度 差 累 积 （Ｓｕｍ ｏｆａｂｓｏｌｕｔｅ ｄｉｆｆｅｒｅｎｃｅｓ，ＳＡＤ）算法是常用的匹配算法，该算 法匹配速度快、计算效率高，得到的视差图更适 合密集型的三维重构。
将左右两个成像平面拉到同一平面上；第二步，