轉載請注明出處：http://blog.csdn.net/wangyaninglm/article/details/51533549，
來自：
shiter編寫程序的藝術

計算機視覺是1門研究使用計算機來摹擬人的視覺系統的學科?！?圖勝千言”，人類對圖象中的信息感知效力遠超文字等其他媒介，人類獲得的信息總量中更是有高達80%依托視覺系統[1]。相對人類高效的圖象信息提取能力，計算機在圖象信息的理解上依然效力低下。
計算機視覺作為1門交叉學科，綜合了生物學，心理學，數學，計算機科學等學科，從20世紀60年代至今其在科學研究領域中的大量成果已利用于工程領域，并影響了我們每一個人生活的各個方面。
雙目立體視覺是計算機視覺領域的重要分支，它通過摹擬人的視覺系統來處理現實世界。以機器人，無人汽車導航為例，由于雙目立體匹配在非接觸丈量中的優秀性能，視覺丈量在探月工程，火星探測工程中起到了重要作用[2]，如圖所示的我國嫦娥探月工程的巡航車就配備了立體視覺導航系統，來進行行進間的運動控制和路徑計劃[3]。

1.1 研究背景與意義

立體匹配是1種從平面圖象中恢復深度信息的技術。由于雙目立體匹配系統通過摹擬人眼視覺感知原理，僅需要兩臺數字攝像機安裝在同1水平線上，經過立體改正就能夠投入使用。具有實現簡單，本錢低廉，并且可以在非接觸條件下丈量距離等優點。在機器人制導系統中可以用于導航判斷、目標拾取，在工業自動化控制系統中可用于零部件安裝、質量檢測，環境檢測，在安防監控系統中可用于人流檢測，危害報警。

最近幾年來，隨著社會的科技進步，立體匹配技術的發展日新月異，隨著匹配算法精度與速度的提高，其利用場景進1步擴大。在此背景下，研究立體匹配變的意義非凡。
立體匹配作為3維重建、立體導航、非接觸測距等技術的關鍵步驟通過匹配兩幅或多幅圖象來獲得深度信息。并且廣泛利用于，工業生產自動化、流水線控制、無人駕駛汽車（測距，導航）、安防監控、遙感圖象分析、機器人智能控制等方面。雖然立體匹配利用廣泛但是還有很多還沒有解決的困難因此該技術成了最近幾年來計算機視覺領域廣泛關注的難點和熱門。
立體匹配作為1種工程化問題，在實行進程中有多種因素影響其精度與速度，并沒有1種復雜算法可以完全的處理立體匹配的全部流程，本文所述算法主要針對峙體匹配中圖象像素匹配并計算視差這1核心步驟。

通常根據立體匹配算法所采取的束縛，可以將其分為兩大類算法[5]：

第1類為基于區域束縛的局部匹配算法。如采取匹配窗的代價聚合算法（平方差算法SSD，絕對差算法SAD，歸1化算法NCC等）；采取特點點的匹配算法；采取相位匹配的的匹配算法。這些算法的優點是運算速度快，能夠快速恢復出紋理豐富區域的視差。缺點是在低紋理區域會造成誤匹配[6]，得到的視差圖不致密，需要在后期通過插值算法來進行修正。
第2類為基于全局束縛的優化算法，如圖割算法(Graph Cuts, GC)，人工智能算法（神經網絡，遺傳算法），置信傳播算法(Belief Propagation, BP)，動態計劃算法(Dynamic Programming, DP)。這些算法雖然運算時間較長并且會產生1些誤匹配，但是基本上能夠取得所有的視差信息從而生成稠密的視差圖。

1.2 國內外研究現狀

國外在計算機立體視覺上的研究展開較早，Roy[7]最早將圖割算法利用于立體匹配，并通過實驗表明，圖割算法能有效克服其他全局優化算法的缺點（如動態計劃算法等生成視差圖產生的橫向條紋瑕疵），避免了視差在鄰近極線處不連續的問題。但該算法生成的視差圖輪廓邊沿模糊，視差層的辨別度低。Geiger等[8]，針對高分辨率圖象立體匹配運算時間長的問題，創造性的提出了使用強束縛點（紋理或特點信息較為豐富）作為支持點，在強束縛點之間通過3角剖分對視差圖進行插值計算，結合OpenMP技術在通用CPU上實現了并行計算，操作簡單易于搭建環境，在通用微型計算機上實現了實時立體匹配，但是匹配效果和基于全局優化的匹配算法有1定差距。

國內對立體視覺的研究起步較晚，初期主要采取基于特點點匹配的方法，隨著技術的進步，后序對峙體匹配的改進工作主要集中在對全局優化算法性能和準確度的提升上。其中大部份方法采取對待匹配圖象進行圖象分割后，再結合能量最優化的方法進行立體匹配。如尹等[9]采取均值平移算法將參考圖象根據色彩信息快速聚類；以后計算初始視差圖；將分割結果作為能量視差函數的1個參考項；最后采取圖割算法求取使全局能量最小的視差最優分配。此種基于圖象分割的立體匹配方法的理論基礎認為，分割區域塊內的視差變化是平滑的。因此與其他基于圖象分割的立體匹配算法相比，此類算法[9]可有效地處理大塊低紋理區域，匹配精度高，更有益于估計視差圖的邊界。并且上述算法通過分割減少了匹配基元，使得運算速度更快，能夠很好的解決的邊界模糊和低紋理區域的誤匹配問題。

立體匹配技術的利用10分廣泛，王等[6]改進了勇氣號機遇號火星車復雜的定位技術，在嫦娥3號月面巡航器的視覺導航系統中，將SIFT(scale-invariant feature transform) 匹配、相干系數匹配、最小2乘匹配和光束法平差等多項技術融會, 實現了相鄰站間月面巡查器的導航定位. 實驗表明視覺定位相對精度優于4%。
朱[8]針對工件的自動定位、辨認與抓取等問題，使用立體視覺的方法進行工件辨認的定位；對圖象就行SIFT特點提取，并采取模板匹配方法實現工件的辨認。用形態學方法取得工件特點點的2維信息,結合雙目立體視覺標定技術得到工件的3維坐標，為機器人抓取工件提供信息。
顧等[9]為實現統計實時人流，提出1種基于立體視覺的人頭檢測算法。該方法對雙目相機收集的圖象通過運動目標檢測分離出運動人員所在區域，利用視差的連續性只對強紋理點進行絕對誤差積累(SAD)匹配，其余點只進視差驗證，因此能夠得到稠密的視差圖，再由3角投影關系計算出深度圖。由于雙目立體成像得到的深度圖中人員與場景的深度散布不同，采取深度分層的方法將存在人頭信息的深度層提取出來，并通過幾何形態來肯定人頭，該算法可以很好地適應復雜場景下的人頭檢測，精度高、速度快。

Yang等[11]，提出了采取全局最小生成樹的代價聚合方案，像素間的類似性作為邊的權值，通過無向連通圖構建最小生成樹，使得局部像素點獲得了全局的信息。解決了低紋理區域的誤匹配問題。（實際為對局部窗匹配算法的改進。），針對收集的待匹配圖象可能帶有噪聲或復雜紋理的問題，該團隊進行了系統化流程的設計改進[14]。

顧等[11]為實現統計實時人流，提出1種基于立體視覺的人頭檢測算法。該方法對雙目相機收集的圖象通過運動目標檢測分離出運動人員所在區域，利用視差的連續性只對強紋理點進行絕對誤差積累(SAD)匹配，其余點只進行視差驗證，因此能夠得到稠密的視差圖，再由3角投影關系計算出深度圖。由于雙目立體成像得到的深度圖中人員與場景的深度散布不同，采取深度分層的方法將存在人頭信息的深度層提取出來，并通過幾何形態來肯定人的頭部，該算法可以很好地適應復雜場景下的人頭檢測，并且由于采取了基于局部優化的匹配算法結合插值計算等手段所以其在精度、速度上都有很好的實時特性。

Yang等[12]，提出了基于最小生成樹的代價聚合方案，采取像素間的類似性作為邊的權值，通過無向連通圖構建最小生成樹，使得局部像素點獲得了全局的信息。解決了低紋理區域的誤匹配問題。針對收集的待匹配圖象可能帶有噪聲或復雜紋理的問題，Yang等在上述算法的基礎上進行了系統化的流程設計與改進[13]，利用左右交叉檢驗精確更新代價聚合中穩定和不穩定的點的代價，提升了算法精度。
立體匹配算法的改進，最近幾年來主要圍繞如何快速獲得稠密視差圖和將匹配算法并行化，Yang等[12][13]，利用保邊濾波器的性質并加以改進，融會并行計算技術，分別用導向濾波器和雙邊濾波器，針對局部匹配算法和全局匹配算法提出了工程化系統化的立體匹配并行流程方法。

參考文獻

[1]馬頌德,張正友. 計算機視覺—計算理論與算法基礎[M].北京:科學出版社,1997.
[2]邸凱昌. 勇氣號和機遇號火星車定位方法評述[J]. 航天器工程, 2009, 18(5):1⑸.
[3]吳偉仁, 王大軼, 邢琰,等. 月球車巡查探測的雙目視覺里程算法與實驗研究[J]. 中國科學:信息科學, 2011(12):1415⑴422.
[4]王保豐, 周建亮, 唐歌實,等. 嫦娥3號巡查器視覺定位方法[J]. 中國科學：信息科學, 2014, 04期(04):452⑷60.
[5]白明, 莊嚴, 王偉. 雙目立體匹配算法的研究與進展[J]. 控制與決策, 2008, 23(7):721⑺29. DOI:doi:10.3321/j.issn:1001-0920.2008.07.001.
[6]張令濤, 曲道奎, 徐方. 1種基于圖割的改進立體匹配算法[J]. 機器人, 2010, 32(1):104⑴08.
[7]Roy S, Cox I J. A maximum-flow formulation of the n-camera stereo correspondence problem[A]// IEEE International Conference on Computer Vision[A], 1998 January 4⑺, Bombay India:492⑷99.
[8]Geiger A, Roser M, Urtasun R. Efficient large-scale stereo matching[M]//Computer Vision–ACCV 2010. Springer Berlin Heidelberg, 2011: 25⑶8.
[9]尹傳歷, 劉冬梅, 宋建中. 改進的基于圖象分割的立體匹配算法[J]. 計算機輔助設計與圖形學學報, 2008, 20(6):808⑻12.
[10]朱代先. 基于雙目視覺的工件定位與抓取研究[J]. 計算機丈量與控制, 2015, 19(1):92⑼4.
[11]顧騁, 錢惟賢, 陳錢,等. 基于雙目立體視覺的快速人頭檢測方法[J]. 中國激光, 2014, 01期(01):150⑴55.
[12]Yang Q. A non-local cost aggregation method for stereo matching[C]// Proceedings / CVPR, IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2012:1402⑴409.
[13]Yang Q. Stereo Matching Using Tree Filtering[J]. Pattern Analysis & Machine Intelligence IEEE Transactions on, 2015, 37(4):834⑻46.
[14]Yang Q. Hardware-efficient bilateral filtering for stereo matching[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2014, 36(5): 1026⑴032.
[15]Yang Q, Li D, Wang L, et al. Full-Image Guided Filtering for Fast Stereo Matching[J]. IEEE Signal Processing Letters, 2013, 20(3):237⑵40.
[16]Yang Q, Ji P, Li D, et al. Fast stereo matching using adaptive guided filtering[J]. Image and Vision Computing, 2014, 32(3): 202⑵11.

轉載請注明出處：http://blog.csdn.net/wangyaninglm/article/details/51533549，
來自：
shiter編寫程序的藝術