[发明专利]基于图像灰度引导的非局部立体像对密集匹配方法

摘要

本发明涉及一种基于图像灰度引导的立体像对密集匹配方法，首先进行代价计算，采用改进HOG算子作为代价测度，计算同名像素之间的代价，作为描述同名像素之间相似性的手段，建立代价矩阵；其次进行基于图像灰度引导的代价积聚，获得稳定的代价积聚结果；根据WTA策略，获得初始视差图，并剔除误匹配点和遮挡点，获得精化的视差图；最后根据视差图，生成密集的高精度三维点云。本发明充分考虑边缘灰度特征，在视差边缘具有较高的匹配精度；采用八方向迭代式的代价积聚方式，能够增强纹理贫乏区域的匹配鲁棒性；能够快速获得密集的高精度三维点云，在航天航空、低空和近景摄影测量无人车自动驾驶等领域具有较好的应用前景。

主权项

一种基于图像灰度引导的非局部立体像对密集匹配方法，其特征在于，包括以下步骤：步骤1，建立代价矩阵：采用改进HOG算子，作为描述同名点之间相似性的测度，建立代价矩阵，其中，改进的HOG算子基于以下定义：定义在一个窗口范围内，立体像对之间的辐射畸变呈线性变化，即满足以下公式：gr(pr)＝c·gl(pl)+t    (1)式中，pl、pr分别表示左右影像同名点；当立体像对为核线影像时，满足关系式prx＝pl‑d，其中d表示视差；gl、gr分别表示左右影像同名点的灰度；c、t是线性方程的系数，c表示比例因子，t表示偏移因子；对立体像对同时计算梯度，可以在局部小窗口范围内消除偏移因子t；可采用Sobel算子来计算影像梯度：Gxr(pr)＝c·Gxl(pl) Gyr(pr)＝c·Gyl(pl)    (2)式中，Gxl(pl)、Gxr(pr)分别表示点pl、pr在水平方向的灰度梯度；Gyl(pl)、Gyr(pr)分别表示点pl、pr在垂直方向的灰度梯度；为了进一步消除比例因子c，根据式(2)，计算梯度的方向角：θr(pr)=θl(pl)θr(pr)=arctan(Gyr(pr)/Gxr(pr))θl(pl)=arctan(Gyl(pl)/Gxl(pl))---(3)]]>式中，θl(pl)、θr(pr)分别表示点pl、pr的梯度方向角；按照象限的不同，值域是[0,360°)；由式(3)可见，梯度方向具有良好的抗线性辐射畸变的能力；以影像中任意一个像素p为中心，开辟一个WxW大小的窗口，作为一个基本的HOG描述单元(cell)；将梯度方向的值域范围划分为12个区间，每个区间对应30°的范围；将每个区间的初始计数均设为0；统计单元内所有像素的梯度方向角；判断单元内像素的梯度方向落在哪个区间，则该区间对应的计数加1；依次遍历单元内所有的像素，最后，将每个区间的计数除以窗口内像素的总数；根据每个区间的统计情况，构造一个12维的向量，作为描述像素p的特征描述子，如式(4)所示；VHOG(p)＝(b0,b1,b2,b3,b4,b5,b6,b7,b8,b9,b10,b11)T    (4)式中，bi(i＝0～11)表示每个区间的值；VHOG(p)表示像素p的特征描述算子；步骤2，基于图像灰度引导的非局部代价积聚：根据图像的灰度信息，设计一个二次函数来约束代价传递，采用八方向迭代的方式进行非局部代价积聚，建立可靠的代价积聚矩阵；步骤3，三维点云生成：根据代价积聚矩阵，生成初始视差图，采用左右一致性检测的方法剔除粗差，修正视差图，生成稠密的高精度三维点云。