多测度融合的立体匹配算法研究

【摘要】：双目立体视觉通过模拟人类视觉原理实现由二维图像获取三维立体信息,属于三角测量法的一种,是一种被动式测量方法,是计算机视觉的重要组成部分。立体匹配是指在双目立体视觉系统拍摄的左右两图中找到左图在右图中的对应点的过程,是双目立体视觉的最重要最核心的部分。立体匹配算法的匹配效果将直接影响双目立体视觉的结果,因此对于立体匹配算法的研究成为双目立体视觉领域的研究热点。针对立体匹配算法的研究可以追溯到20世纪80年代,Marr提出的视觉理论框架对于双目视觉的研究起到关键作用。立体匹配算法按照约束范围的不同可以分为全局立体匹配和局部立体匹配,立体匹配算法主要包括原始匹配代价计算、代价聚合、初始视差计算和视差优化四个相对独立的部分,此后关于立体匹配算法的研究大多针对上述框架的一个或某几个部分进行研究。近年来,针对多测度融合的立体匹配算法取得丰富的成果,但是在多种相似性测度的选择方面,多依靠主观经验进行选择,缺乏一种具体的选择方法,针对该问题,提出一种基于测度互补系数的相似性测度的选择方法。测度互补系数根据测度正确匹配点点集进行定义,描述的是不同测度的互补程度,首先计算各测度单独作用时的正确率,选择正确率最高的测度作为初始测度;再计算初始测度与其余测度的测度互补系数,选择测度互补系数最大的测度进行融合;然后以数据集上平均正确率匹配率最大为标准确定测度权重,将融合后的测度作为初始测度,再次计算与其余测度的互补系数,选择系数最大测度进行融合。重复上述步骤直至融合测度后匹配效果无明显提高。经过实验验证,测度互补系数可以有效描述不同测度之间的互补程度,基于此进行融合测度的选择可以高效地选择优势互补的测度。半全局立体匹配算法使用随机初始化的视差图作为初始视差在多尺度上迭代计算,直至恢复到原尺度,得到最终视差图,导致算法稳定性和效率较低。针对该问题,提出使用基于SURF特征的视差图作为初始视差图并取消在多尺度上的迭代计算,提高算法性能,经过实验验证,改进后的算法具有更好的匹配效果和效率。使用基于测度互补系数选择的相似性测度融合作为匹配代价,使用基于SURF特征的视差图作为初始视差图进行代价聚合,经过视差计算与左右一致性检验和可靠性检验等视差优化步骤得到最终视差图,完成立体匹配算法。实验验证表明,本文算法可以取得较好的立体匹配效果。