一种新型的局部立体匹配算法的研究

徐源 李欣萌 白亚丁

摘要：本文构造了一个新型的局部立体匹配算法，获取改善的初始视差图，为进一步提高立体还原精度提供可靠的前提。为了获取准确的初始立体匹配视图，本文创立了基于两个主要规则的局部立体匹配算法，即：1）利用目标像素邻域的亮度分布计算匹配带价;2） 利用基于梯度的Census变换法计算匹配代价;用上述两种方法共同决定初始视差图，最后运用交叉匹配的方式对初始匹配视图进行精炼。

关键词：立体匹配;局部匹配算法;Census变换法;交叉匹配

中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2018）12-0102-02

1 概述

立体匹配是现今计算机视觉研究领域重要的研究热点之一，它是通过查找并比较两幅或多幅从不同视角拍摄的一同场景的图像，通过比较不同图像之间的匹配像素点来计算匹配像素之间的视差值，通过后续的二维视差转化为三维的深度信息，从而得到三维场景模型[1]。立体匹配在机器人导航、虚拟现实、无人驾驶等领域得到了广泛的应用。

立体匹配的难点主要在于运用快速并且有效的方法在左右视图中找出相对应的立体匹配像素点。虽然在计算机视觉领域尤其是视差图优化等方面，很多学者已经进行了大量的研究，但是现今仍然面临着很多挑战性的难题[1]。立体匹配方法主要分为局部立体匹配算法[2]和全局立体匹配算法[3]。全局算法精度较高，但是复杂度高、实时性差。而局部算法复杂度低、效率高，但是误匹配率却显著提高[4-7]。

为减少局部匹配的误匹配率，获得更加精确的初始视差图，本文提出一种融灰度和基于梯度的census变换来计算联合匹配代价的局部立体匹配算法。首先用以上两种方法分别计算各自的匹配代价，最后结合两种方法确定视差图。最后采用交叉匹配法，进行视差计算并且对错误匹配点进行视差精化从而得到最终的视差图[8-9]。

2 匹配代价的计算

2.1 基于局部区域像素灰度差的匹配代价计算

本文立体匹配算法是将灰度和梯度及改进的census变换相融合来计算联合匹配代价的局部立体匹配算法。首先分别计算灰度、梯度和census变换三者的匹配代价，其中，灰度的计算公式如下：

（1）

其中是以点为中心的5*5的窗口。

2.2 基于改进Census变换法的匹配代价计算

传统的census变换[9]是选取中心像素的灰度值为参考，将中心像素与窗口的灰度值进行比较，进行变换后计算hammming距离确定相似度。为提高算法的稳定性与精度，本文使用基于像素梯度的census变化算法，相比与传统的census变化算法，本文将使用像素的一阶梯度幅度进行比较，改进的census变换如下所示：

（2）

其中点为点的邻域点中，表示利用改进Census变换后点的像素值，表示和表示分别表示运用Robert算子计算的点和点梯度值：

（3）

经变换后计算潜在匹配点之间的Hamming距离以确定两个像素点之间的匹配代价为：

（4）

2.3 联合匹配代价

接下来计算联合匹配代价，计算公式如下所示：

（5）

代表联合匹配代价，为权重参数。

3 视差计算与精化

为使初始视差图的精度进一步提高，采用交叉匹配的方法。通过计算左右图中一对匹配点的视差差异来确定该点是否为可靠匹配点，将可靠匹配点视差保留，并清除不可靠匹配点，可靠性判定方法如下：

（6）

其中是以左图中的点作为参考点计算的最佳视差值， 为右图点的最佳视差值，当上述两个值满足方程时，点被认为是可靠点，视差值保留，反之点被视为不可靠点，清除已有的视差值。

4 实验结果与分析

本文引用网络数据库http：//vision.middlebury.edu/stereo中关于立体视觉的二维图像组合，其中包含一些可变的因素：1）无信息区域，2）视察不連续的边界，3）被遮挡的区域等。图1显示了通过我们的算法得到的立体还原结果。程序运行时间与算法的循环次数有关。本研究采用的是4GHz CPU的计算机进行测试，运行时间是4.59s。（参数选择如下：）

从表1中我们可以看出，单独运用基于灰度的SSD和基于的全变换方法的匹配视图精度都低于本文中所提出的算法，而用时上基本相同。可见本文算法在上述两种算法的基础上得到了提高。

5 结语

本文改进了传统的局部立体匹配算法，在代价计算方面引入了灰度和基于梯度的改进census变换，并计算联合匹配代价确定初始匹配视图，最后利用交叉匹配方法进一步精炼初始视差图，大大提高了重复纹理区域的匹配精度，且具有较好的稳健性。

参考文献

[1]Hou Jian，E Xu，Xia Qi，et al.A navigation algorithm for mobile robot based on stereo vision[J].Computer Technology and Development.2014，24（3）：106-109.

[2]A.Hosni，M.Bleyer，M.Gelautz， and C. Rheman，Local stereo matching using geodesic support weights[J].Proc. ICIP， 2009， pp.2093-2096.

[3]X.Sun，X.Mei，S.H.Jiao，M.C.Zhou and H，T Wang， Stereo Matching with Reliable Disparity Propagation[J].International Conference on 3D Imaging， Modeling，Processing，Visualization and Transmission.2011.

[4]Yang Tao， Fu Wenxing， Wang Minggang. Binocular stereo depth map acquisition based on light field images. Journal of northwestern polytechnical Universtiy，2015：33（5）：727-731.

[5]H.Tao，H.S.Sawhney and R.Kumar.A global matching framework for stereo computation[C].//Proc. Int.Conf.on Computer Vision，2001.

[6]Wei L K，Bai Y，Lim K B. Parameter error analysis of single-lens prism-based stereovision system[J]. Journal of the Optical Society of America  A Optics Image Science & Vision，2015，32（3）：367-373.

[7]A. Fusiello and L.Israra. Quasi epipolar unclaibrated rectification.[C].//IEEE Internat.Conf.on Image Process.（ICPR），2008.

[8]解則晓，陆文娟.基于图像几何特征的双目匹配算法[J].中国激光，2014，41（5）：0508002.

[9]D.Comaniciu，and P.Meer，Mean Shift： A Robust Approach Toward Feature Space Analysis，IEEE Transactions on Pattern Analysis and Machine Intelligence，24（5）：603-619，2002.

[10]王军政，朱华建，李静.一种基于Census变换的可变权值立体匹配算法[J].北京理工大学学报，2013，33（7）：704-710.

Research on a New Local Stereo Matching Algorithms

XU Yuan， LI Xin-meng，BAI Ya-ding

（Northeast Electric Power University School of Automation Engineering， Jilin Jilin 132012）

Abstract：In this paper， a new local stereo matching algorithm is constructed to obtain an improved initial disparity map， which provides a reliable premise for further improving the accuracy of stereo restoration. In order to obtain accurate initial disparity map， this paper proposes two main rules based on local stereo matching algorithms， namely， 1） calculating matching cost using brightness distribution of target pixel within its neighborhood; 2） calculating matching cost using gradient-based Census transform; using which to determine the initial disparity map， and finally using cross-matching to refine the initial matching view.

Key words：stereo matching; local matching algorithm; Census transform; cross checking