[发明专利]一种基于改进AD-Census立体匹配算法的图像处理方法

说明书

本发明公开了一种基于改进AD‑Census立体匹配算法的图像处理方法。所述方法包括：获取参考图像和目标图像，且所述的参考图像和目标图像需满足对极约束；确定获取所述参考图像的超像素分割标签图以及边缘梯度图；代价函数计算阶段，在标签图以及梯度图内，统计匹配窗口内与中心像素标签值一致和梯度值大于设定阈值的像素数，分别占整个匹配窗口内所有像素的百分比；将获得的两个统计量作为改进AD‑Census代价函数的自变量，并按照指数函数的形式自适应的设置AD和Census的权重；代价聚合阶段，采用与原始AD‑Census立体匹配相同的方式进行代价聚合；视差优化阶段采用了SGM算法中的视差后处理进行视差优化。通过这个方法，可以最大化发AD‑Census算法在平滑区域以及目标边界区域的立体匹配效率。

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种基于双目立体视觉的视差图生成方法。

背景技术

众所周知，人类感知周边环境依赖的是双眼，而且人们可以通过双眼感知外界物体的三维信息。双目立体视觉技术参照仿生人类的视觉，由目标物体在左右视场下的三角几何关系得到目标物体的视差图，结合视差图并通过空间中坐标系之间的转换最终得到目标物体的三维信息。随着科技不断的进步，越来越多的人工智能设备走进人们的生活，其中大多设备的应用少不了与外界物体的互动。双目立体视觉技术，能够准确的感知外界目标物体的轮廓、颜色、大小等信息，在智能设备的发展与应用中举足轻重。

双目立体视觉技术的难点是立体匹配环节，也是关键环节。为了提高立体匹配结果的精度，国内外众多学者提出了大量的立体匹配算法。其中应用广泛的局部匹配算法有绝对差和(Sum of Absolute Differences，SAD)、非参数变换Census等。且AD算法在纹理丰富区域较为鲁棒，Census算法在弱纹理区域较为鲁棒。但上述两种局部匹配算法由于其局限性，在单独面对复杂场景时，可能会导致匹配精度降低。因此融合了两个匹配代价的AD-Census代价函数在面对复杂场景时具有更高的鲁棒性。但原始的AD-Census算法采用了固定的权重，这可能导致该算法在匹配平滑区域或物体边界区域无法发挥其匹配代价函数的最大功效。

发明内容

针对现有固定权重的AD-Census匹配代价函数，可能无法发挥其最大功效的问题。本发明提供了一种基于改进AD-Census立体匹配算法的图像处理方法。

为实现以上目的，本发明所述方法包括：

S1.获取立体匹配图像对，即参考图和目标图各深度图，且所述参考图和目标图满足对极约束；

S2.获取所述参考图像的超像素分割标签图以及边缘梯度图；

S3.在代价函数计算阶段，使用改进的AD-Census立体匹配算法获得各个像素点的初始代价矩阵。

S4.代价聚合阶段，采用与AD-Census立体匹配相同的方法进行代价聚合。

S5.视差优化阶段，采用了SGM算法中的视差后处理步骤进行视差优化。

有益效果

本发明提供了一种基于改进AD-Census立体匹配算法的图像处理方法。与现有固定权重的AD-Census立体匹配算法技术相比具备以下有益效果：

该基于改进AD-Census的立体匹配算法采用变权重的思想，分别赋予AD-Census代价函数中的AD部分在复杂纹理区域、视差不连续区域更大的权重，赋予Census部分在弱纹理区域、平滑区域更大的权重。使得本发明所提的算法在应对复杂场景下的立体匹配，能够最大化发挥AD-Census匹配代价函数的功效。

附图说明

图1是本发明提供的一种立体匹配方法的流程图；

图2是本发明一个实施例提供的超像素分割标签示意图。