[发明专利]基于窗口互相关信息的改进Census立体匹配算法

说明书

本发明公开了基于窗口互相关信息的改进Census立体匹配算法,包括以下步骤：1)用一个窗口遍历双目摄像头拍摄到的左图像，取窗口内各像素灰度值的平均值作为参考值；2)在参考值的基础上增加了一个噪声阈值作为另一约束条件，进行Census变换；3)使用SAD‑Census进行加权匹配代价的计算，并在双目摄像头拍摄到的右图像中找到对应匹配值最小的窗口。本发明提高了算法的鲁棒性，减少了噪声干扰，丰富了图像的细节信息，同时降低了误匹配率，在深度不连续区域的改进效果明显。

技术领域

本发明涉及数字图像处理领域，具体涉及一种基于窗口互相关信息的改进Census立体匹配算法。

背景技术

距离信息的获取是可以通过双目视觉来完成的，而双目立体匹配是双目立体视觉的核心与关键。立体匹配算法首先需要构造一个能量代价函数，然后通过求解该能量代价函数的最小值进而完成对像素点视差值的估计，获取视差图，从而得到深度信息[参见：宋伟，纳鹏宇，刘宁宁.基于双目视觉系统的运动目标跟踪算法研究[J].北京交通大学学报，2013，37(6)：13-17]。立体匹配算法的本质为求取函数的最优值，设置恰当的能量代价函数，并添加约束条件，最后借助最优化理论来完成方程的求解[参见：Scharstein D,Szeliski R.A Taxonomy and Evaluation of Dense Two-Frame Stereo CorrespondenceAlgorithms[C]//Smbv.IEEE Computer Society,(密集两帧立体对应算法的分类和评估，IEEE计算机学会)2001,47(1-3):0131]。

按照不同的分类标准，可以将立体匹配算法进行不同的分类。根据采用图像表示的基元不同，立体匹配算法可分为四类：区域立体匹配算法、基于特征的立体匹配算法和基于相位的立体匹配算法[参见：胡海.基于双目立体视觉的相位匹配算法研究[D].中南大学，2013]。也可以根据最优化理论的不同，将立体匹配算法划分为全局匹配算法和局部匹配算法。基于生成的视差图可以分为稠密匹配和稀疏匹配[参见：Yu W,Chen T,FranchettiF,et al.High Performance Stereo Vision Designed for Massively Data ParallelPlatforms[J].IEEE Transactions on CircuitsSystem for Video Technology(专为海量数据并行平台设计的高性能立体视觉，IEEE视频技术电路与系统处理),2010,20(11):1509-1519]，稠密匹配是指所有的像素都能生成确定的视差值，稀疏匹配是指只选择关键像素点(通常为角点或者边缘点)计算视差，该方法使用效率较高，但后续缺失像素点的视差值还需要通过插值算法的方式来进行计算，因此在场景应用方面受到很大限制。

全局立体匹配算法是通过全局优化理论来估算视差，构造一个包含数据项和平滑项的全局性能量代价函数，并采用求取函数最小值的方法获取最佳视差值，其中常见的全局立体匹配算法有：动态规划(DP)、图割法(GC)、置信传播(BP)[参见：马帅.一种改进置信度传播提取视差图算法研究[D].辽宁大学，2016]等。