1 武汉理工大学现代汽车零部件技术湖北省重点实验室，湖北 武汉 430070
2 武汉理工大学现代汽车零部件技术湖北省协同创新中心，湖北 武汉 430070
3 武汉理工大学湖北省新能源与智能网联车工程技术研究中心，湖北 武汉 430070
针对现有立体匹配算法在弱纹理区域及深度不连续区域匹配精度低的问题，提出一种基于自适应区域划分的立体匹配算法。首先，利用十字交叉域算法获取像素点臂长，计算像素变化率完成区域划分。然后，通过绝对差算法，改进Census变换和自适应加权梯度算子计算初始代价卷，利用十字交叉域进行代价聚合，对聚合后图像通过改进引导图滤波优化，使用赢者通吃策略筛选最优视差。最后，利用左右一致性检测、迭代区域投票、视差填充优化和中值滤波得到最终视差图。在Middlebury测试平台上测试结果表明，所提算法平均误差率为4.21%，能够有效提升在弱纹理区域及深度不连续区域的匹配精度。
机器视觉 立体匹配 自适应区域划分 像素变化率 引导图滤波 激光与光电子学进展
2023, 60(10): 1010015
福州大学微纳器件与太阳能电池研究所，福建 福州 350108
针对半全局立体匹配算法在视差不连续区域精度较低的问题，提出一种基于融合代价和自适应惩罚项系数的半全局立体匹配算法。在代价计算部分，提出一种融合代价计算方法，引入输入图像方向的梯度，通过融合公式与输入图像方向的梯度、绝对差以及Census变换结合形成代价计算数据项；在代价聚合部分，提出一种像素点分类机制，通过颜色和梯度双阈值将每个像素点分类，自适应地调整其惩罚项系数的大小；最后通过多步骤视差优化方法对初始视差图进行处理。实验结果表明，提出算法在视差不连续区域的平均误差降低1.1个百分点~12.8个百分点，在非遮挡和全部区域同样有一定的降低，该算法具有较高的匹配精度和鲁棒性。
机器视觉 半全局立体匹配 融合代价 像素点分类机制 自适应系数 引导图滤波 激光与光电子学进展
2022, 59(16): 1615008
1 现代汽车零部件技术湖北省重点实验室(武汉理工大学), 湖北 武汉 430070
2 现代汽车零部件技术湖北省协同创新中心, 湖北 武汉 430070
提出了一种基于高斯拉普拉斯(LoG)算子的加权引导图滤波立体匹配算法。采用加权绝对差与梯度相融合的方式计算匹配代价。利用基于LoG算子的引导图滤波进行代价聚合,使惩戒参数能够随图像中的不同纹理区域进行自适应调整。使用赢者通吃(WTA)策略计算视差,并采用二次插值法得到最终的视差图。对Middlebury平台中的图像进行测试,结果表明,所提算法的平均误匹配率为4.32%。该算法可以有效地兼顾图像的高纹理区域和低纹理区域,并降低了视差图的误匹配率。
机器视觉 立体匹配 加权绝对差 高斯拉普拉斯算子 引导图滤波 激光与光电子学进展
2019, 56(10): 101502
北京航空航天大学仪器科学与光电工程学院, 北京 100191
为降低双目立体匹配算法在视差不连续区域和噪声干扰情况下的误匹配率，提出了一种基于改进Census变换和动态规划的立体匹配算法。采用支持区域为十字交叉形状窗口且设有噪声容限的改进Census 变换进行代价计算，提高了单像素匹配代价的可靠性；利用引导图滤波器快速有效地完成代价聚合；在视差选择阶段，设计了一种改进的动态规划算法，消除了扫描线效应，提高了匹配速度和正确率；经过视差后处理得到最终视差图。实验结果表明，该算法在Middlebury测试平台上的平均误匹配率为5.31%，在低纹理区域和视差不连续区域均能得到准确的视差，运算复杂度低且具有较好的稳健性。
机器视觉 立体匹配 Census变换 动态规划 引导图滤波 视差
