[发明专利]一种基于分段匹配和贝叶斯估计的递进式立体匹配算法

权利要求书

1.一种基于分段预匹配和贝叶斯估计的递进式立体匹配算法，用于从双目图像中稠密地提取深度信息，其特征在于，使用一种从粗到细、从稀疏到稠密的匹配策略，包括了分段预匹配、无效点估计以及贝叶斯估计三个步骤，具体如下：

1）分段预匹配：将图像基于Sobel滤波器响应分割成边缘区域和分段区域；其中所述的分段区域分为横向和纵向分段，对所述的边缘区域和横向/纵向分段区域分别进行预匹配；所述的边缘区域的预匹配使用基于窗口的立体匹配方法，边缘区域预匹配的评价函数考虑以像素点为中心的窗口内的像素值和Sobel滤波响应的差异；所述的分段区域的预匹配使用平移的策略，分段区域预匹配的评价函数考虑两个分段重合部分的颜色差异、重合比例、长度差异以及分段内平均颜色差异；将所述的横向/纵向分段区域预匹配结果进行合并，再与边缘区域预匹配的结果合并得到较稠密的预匹配深度图；

2）无效点估计：所述的预匹配深度图中匹配失败的点成为无效点，对于每一个无效点在其周围搜索与其颜色差异在一定阈值内的像素点，组成支持窗口；在所述的支持窗口内拟合最小二乘平面，三维坐标分别为图像行、列和深度值；将所述的无效点的图像坐标代入最小二乘平面得到估计深度值，从而将所述的预匹配深度图稠密化；

3）贝叶斯估计：根据贝叶斯条件概率原理，计算每一点处关于深度值的概率分布，基于所述的预匹配深度图稠密化结果得到先验概率，根据图像相似度以及深度平滑程度得到后验概率；定义先验概率为以预匹配值为均值的高斯分布；定义图像相似度为以考虑点为中心的窗口内的census函数；定义平滑程度为以考虑点为中心的窗口内深度的差值和；根据得到的关于深度值的概率分布，使用最大后验概率方法取概率最大的深度后获取深度图。

2.根据权利要求1所述的算法，其特征在于：步骤1)中所述的边缘区域预匹配评价函数使用公式（2）定义，公式(2)为：

cost＝cost_edge+cost_data

costedge=1-exp(Σi∈{r,g,b}Σ(row,col)∈WS|SLi(row,col)-SRi(row,col-d)|/λedge)]]>

costdata=1-exp(Σi∈{r,g,b}Σ(row,col)∈WS|ILi(row,col)-IRi(row,col-d)|/λdata)]]>

其中，cost为评价函数值，cost_edge，cost_data分别为Sobel滤波值和像素值对应的评价函数分量，(row,col)表示考虑点的坐标，W_s为与考虑点距离小于wsize的点组成的集合，d为深度值，i表示RGB空间的任一分量，I_Lⁱ,I_Rⁱ分别为左右图像在i分量上的像素值，S_Lⁱ,S_Rⁱ分别为左右图像在RGB空间i分量上的Sobel滤波响应，λ_data,λ_edge为设定的常数值。