[发明专利]一种机器人视觉立体匹配方法

说明书

本发明公开了一种机器人视觉立体匹配方法，首先在代价计算部分，通过SAD和MCT匹配代价计算方式，可以在保证图像在弱纹理与重复纹理效果的同时，兼顾窗口像素点相关性与的全局性，避免引入噪声；其次在代价聚合阶段，引入基于图像梯度而改变尺寸大小与方向的自适应窗口，利用基于梯度变化的自适应窗口，充分的考虑到图像的梯度信息，即在梯度平缓区域窗口尺寸增大，梯度变化剧烈区域窗口尺寸减小，使图像的边缘部分得到最大程度的保持，同时，在自适应窗口内进行引导滤波以代价聚合，在此基础之上进一步使用多尺度聚合的方法，得到更优的代价聚合结果；最终在进行视差计算与视差优化，得到最优视差结果，具有机器人视觉立体匹配度高的优点。

技术领域

本发明属于工业机器人及移动机器人视觉感知技术领域，具体涉及一种机器人视觉立体匹配方法，尤其设计一种基于改进代价计算与梯度自适应窗口多尺度聚合的机器人视觉立体匹配方法。

背景技术

立体匹配技术是立体视觉极其关键的一步，匹配的精度与速度是立体视觉应用与发展的关键制约因素，立体匹配技术在摄影测量，三维重建，虚拟现实，无人驾驶，移动机器人，移动小车，火星车，月球车等多个领域有着广泛的应用。立体匹配的精度直接影响移动机器人深度估计与地形三维重构的精度，对移动机器人基于立体视觉的视觉导航的精度提升起着非常关键作用，直接影响移动机器人视觉感知任务是否能够完成。

立体匹配根据最优化方法的不同，可分为全局算法与局部算法两类。全局算法是在全局范围内建立一个能量函数，在对能量函数进行最优化，得到每个像素的代价值，再进行代价计算与视差优化，得到最终的视差图。全局算法精度较高，但是计算复杂度高，实时性差，在实际应用场景中会有很大的限制。局部算法则包括代价计算，代价聚合，视差计算，视差优化四个步骤，代价计算的目的是计算待匹配像素对的相关性，Xing Mei在《OnBuilding an Accurate Stereo Matching System on Graphics Hardware》中提出了像素绝对值AD与census-transform相结合的代价计算方式，对图像的弱纹理与重复纹理区域的匹配效果有所提高，但是像素绝对值AD为单像素的相关性，容易引入噪声，传统的census-transform只是以窗口中每个像素与中心像素做对比，忽略了整个窗口的全局性。代价聚合是在局部立体匹配算法中最重要的一步，本质上可以看作对初始匹配代价滤波的过程，传统的利用盒子滤波器与高斯滤波器在代价聚合阶段进行滤波，不能很好的保护图像中的边缘信息，Pauline Tan在《Stereo Disparity through Cost Aggregation with GuidedFilter》一文中提出了用引导滤波器进行代价聚合，边缘保护性能有所提升，但是其是在图象全局范围内进行引导滤波，在深度不连续，图像梯度变化较大区域仍不能得到更好的结果。Kang Zhang在《Cross-Scale Cost Aggregation for Stereo Matching》一文中首先提出跨尺度融合进行代价聚合的思想，但是其在单尺度的代价聚合效果比较一般。

发明内容

本发明的目的在于避免现有技术中的不足而提供一种机器人视觉立体匹配方法，首先在代价计算部分，可以在兼顾像素点相关性与全局性，在充分考虑到像素点相关性的同时不会过多的引入噪声。其次在代价聚合阶段，利用基于梯度变化的自适应窗口，充分的考虑到图像的梯度信息，使图像的边缘部分得到最大程度的保持，在此基础之上进一步使用多尺度聚合的方法，得到更优的代价聚合结果。最终在进行视差计算与视差优化，得到最优视差结果，具有机器人视觉立体匹配度高的优点。

本发明的目的通过以下技术方案实现：提供一种机器人视觉立体匹配方法，包括以下步骤：

步骤1、获取畸变校正与立体校正后的待匹配双目图像；

步骤2、改进传统的基于梯度的匹配代价计算方式，将x,y方向的梯度进行融合；