一种基于角点引导的快速立体边缘匹配方法

提出了一种新的基于角点引导的快速立体边缘匹配方法.在匹配过程中,为了保证其快速性引入了两种新约束:角点约束与边缘约束.首先,利用匹配的角点信息引导边缘的匹配,对如何利用已匹配的角点引导边缘匹配进行了详细的阐述,同时,在引导过程中提出了只利用8个方向的区域扩张方法,进一步保证快速性.其次,提出边缘约束实现点与点的匹配,使搜索范围仅限制在几个像素内,再利用极线约束实现点的匹配,必要时可结合灰度相关约束.结果表明:该算法取得比较好的匹配效果,引入的两种约束在很大程度上提高了速度和正确率,边缘点匹配的正确率高达97%以上.      

特征融合的双目立体匹配算法加速研究与实现CSCD

随着图像分辨率和场景信息获取实时性需求的提高,业界对双目立体匹配算法的效率提出了更高的要求。针对该问题,提出了将SAD与Census变换特征融合的结果作为初始匹配代价,利用SGM算法进行代价聚合,采用赢家通吃策略计算视差,通过左右一致性检验检测出遮挡点并填充,使用中值滤波剔除异常值,最终获取优化后的视差图。采用统一计算设备架构(CUDA)对算法实现并行计算,针对立体匹配比较耗时的问题,该算法最大化地利用共享内存、寄存器内存以及CUDA流,实现了不同核函数之间的并行,大大提升了执行效率。结果表明,该算法在Middlebury立体匹配平台上,平均误匹配率下降了8.05%;在NVIDIA GeForce GTX 1650平台上运行450×375分辨率的图像,比原始SGM算法快687倍,运行高分辨率图像时依然能够实现实时显示性能。     

大场景深度范围下的角度校验立体匹配算法

针对三维扫描系统开发过程中遇到的大场景深度范围下标志点误匹配率较高的问题,对基于单应性约束的双目立体匹配算法进行研究,从理论上推导出匹配误差与场景深度和工作距离比值间的数学关系,明确该算法的适用条件。为提高场景深度与工作距离比值较大时的匹配正确率,提出一种基于角度校验的双目立体匹配算法,首先通过极线约束获得初始匹配点对,然后通过计算角差异度校验得到最终正确匹配点对,实验表明所提出的方法能够达到良好的匹配效果。     

面向三维点云测量的双目立体匹配算法

在随机光场的辅助照射下,综合利用图像信息和几何约束信息,对匹配施加更多的约束,在匹配中即可以得到三维重建结果,从而使立体图像匹配和三维点云生成过程融为一体;提出了一种带权值的匹配窗口,在一定程度上改善了匹配效果;基于连续性约束,提出了用生长法给出初始匹配,可以极大地减少算法迭代次数,提高匹配速度.为了能够进一步提高算法的实用性,还讨论了灰度矫正处理方式对算法的影响.在实验中,完成了实际物体的三雏表面点云重建,并与典型商用系统进行了重建结果的对比分析,验证了本文算法在精度和三雏重建效果方面的优越性.     

基于Census变换和改进自适应窗口的立体匹配算法

 针对现有立体匹配算法难以在幅度失真图像中获取高匹配精度的问题,提出了一种基于Census变换和改进自适应窗口的立体匹配算法。首先根据图像结构和色彩信息获得基于十字骨架的任意形状和大小的Census变换窗口;其次利用Census变换的Hamming距作为匹配代价,使用两次累加降低计算复杂度,采用局部优化得到初始视差;最后提出一种基于均值偏移的视差提精方法,有效地处理了不可信视差区域,获得高精度的视差图。实验表明,通过该算法获得的视差图与当前优秀的局部算法相比精度相当,特别是能很好地处理现有算法难以解决的幅度失真问题,适用于无人机视觉导航的应用。     

基于SIFT特征的三线阵CCD影像立体匹配

尺度不变特征变换(Scale Invariant Feature Trans form,SIFT)描述符具有对影像尺度、亮度、旋转、平移、微小仿射的不变性,并有稳定性高、速度快、鲁棒性强等优点,已被成功的应用到了很多领域。文章利用SIFT描述符对三线阵影像提取特征点、匹配,对其在立体匹配中的适用性进行初步研究,结果表明SIFT特征匹配可以有效用于三线阵影像匹配工作。     

整流罩分离过程中运动位姿测量技术研究

针对整流罩分离过程中的空间目标三维位姿跟踪测量,设计了双目视觉测量系统,完成整流罩关键点的空间三维坐标测量。基于各特征点的图像处理、识别及跟踪测量算法,结合极线约束匹配,实现目标点的精确立体匹配,可完成不同目标特征点的三维空间坐标解算,进而获取不同运动姿态时的速度、加速度等关键信息,为整流罩机械设计、动力学设计提供参考依据。     

基于置信度的TOF与双目系统深度数据融合

为了解决铁路火车等结构单一环境的三维重建问题,提出了置信度的概念,将TOF系统与双目系统的互补性特点有效结合。通过联合标定,建立起TOF系统与双目系统的坐标关系,将TOF中的点映射到左相机视角下,得出双目系统左相机视角下的TOF测量视差图,再利用图像分割以及曲面拟合对其上采样处理至双目图像的分辨率大小。根据各系统特点定义置信度,确定数据融合的不同系统权重。利用Middlebury的数据集处理结果,融合后的匹配精度较双目系统精度提高一倍以上,且视差图的分辨率提升至与双目系统相同大小。      

融合明度特征的V-SAD立体匹配算法

针对SAD算法难以对图像中纯色与弱纹理部分进行准确匹配的问题,提出了将HSV空间明度特征与SAD算法相融合的立体匹配算法,称为V-SAD算法.首先将图像从RGB空间转化至HSV空间,并根据H、S、V值将像素点按照颜色分为10类,同时得到明度特征图.然后结合SAD算法需要的灰度特征图计算匹配代价,得到初步的视差图.接着,根据HSV空间的颜色信息对图像进行分割,结合数学形态法求解分割区块中的独立连通域.再利用边缘生长法对每一个连通域的视差进行恢复.最后,使用左右一致性检测方法对视差图进行优化.实验结果表明,利用图像的明度信息衡量纯色与弱纹理区域的匹配点的相似度是有效的,该V-SAD算法有效改善了SAD算法在弱纹理和纯色区域的匹配效果,平均误匹配率下降了13.02％.