[发明专利]一种基于混合匹配代价和自适应窗口的立体匹配方法

说明书

技术领域：

本发明涉及一种双目图像立体匹配获取深度图方法，特别涉及一种基于混合匹配代价和自适应窗口的立体匹配方法，本发明所获得的深度图结果可进一步应用于视觉测量、三维重构、虚拟视点图像绘制等领域。

背景技术：

立体匹配是计算机视觉中的一个经典问题，一直是研究的热点。多年来,研究者们提出了大量的算法试图解决这个问题，但由于问题本身的病态性，目前还没有比较完美的解决方案。Scharstein(参见Daniel Scharstein,Richard Szeliski.A taxonomy and evaluation of dense two-frame stereo correspondence algorithms[J].International Journal of Computer Vision,2002,47(1):7-42.)等深入研究了一些典型的立体匹配算法，对各种主要方法进行了较全面的综述。他们把立体匹配过程概括为匹配代价计算、匹配代价聚合、初始视差计算和视差精化四步，并根据代价聚合方式把立体匹配算法划分为局部方法和全局方法。全局方法一般有较高的匹配精度，但是效率较低；局部方法运行速度快，易于实现，但是如何选择合适的支持窗口和像素的匹配代价计算方法是个难题(参见Yang Qing-xiong.A non-local cost aggregation method for stereo matching[C].IEEE Conference on Computer Vision and Pattern Recognition,2012:1402-1409.)。

大多数立体匹配算法的相似性测度都是基于像素的灰度值，即两幅图像中的同一特征点在理想光照条件下应该具有相同的灰度值(参见王军政,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.)。例如灰度差绝对值和(AD)、灰度差平方和(SD)、Adapt Weight(参见Yoon K,Kweon S.Locally adaptive support weight approch for visual correspondence search[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,28(4):924-931.)、Segment Support(参见Tombari F,Mattoccia S.Segmentation based adaptive support for accurate stereo correspondence[C].IEEE Pacific Rim Symposium on Video and Technology,2007:427-438.)等对于理想图像能够获得较高精度的匹配结果，但是这些方法对于由光照变化、曝光差异、相机暗角等因素引起的图像幅度失真非常敏感，因此难以用于真实场景图像的匹配。对幅度失真不敏感的匹配代价主要有归一化互相关(NCC)、梯度(Gradient)(参见Daniel Scharstein.View synthesis using stereo vision.Phd thesis,1997,23(5):98-109.)、Rank和Census变换(参见Ramin Zabih,John Woodfill.Non-parametric local transforms for computing visual correspondence[C].Proceedings of European Conference on Computer Vision,1994:151-158.)等。