CN111754588B - 一种基于方差的自适应窗口大小的双目视觉匹配方法 - Google Patents
一种基于方差的自适应窗口大小的双目视觉匹配方法 Download PDFInfo
- Publication number
- CN111754588B CN111754588B CN202010621968.1A CN202010621968A CN111754588B CN 111754588 B CN111754588 B CN 111754588B CN 202010621968 A CN202010621968 A CN 202010621968A CN 111754588 B CN111754588 B CN 111754588B
- Authority
- CN
- China
- Prior art keywords
- pixel
- matching
- parallax
- variance
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000002776 aggregation Effects 0.000 claims abstract description 6
- 238000004220 aggregation Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 229910002056 binary alloy Inorganic materials 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 13
- 238000011160 research Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 235000011034 Rubus glaucus Nutrition 0.000 description 2
- 235000009122 Rubus idaeus Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 244000235659 Rubus idaeus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于方差的自适应窗口大小的双目视觉匹配方法，属于双目视觉领域。所述方法包括：建立初始窗口，计算方差；根据方差自适应窗口大小；采用引导滤波技术对初始匹配代价进行滤波实现代价聚合；进行视差求精。本发明利用初始窗口内的像素方差信息作为标准，减小计算的复杂度，提高算法的实时性，相较于固定窗口大小的算法，提高了匹配的精准度，而且在实时性上有一定的保障。
Description
技术领域
本发明涉及计算机视觉中的双目视觉领域，具体涉及一种基于方差的自适应窗口大小的双目视觉匹配方法。
背景技术
视觉是一个古老的研究课题，人类的视觉系统在日常生活中占据着核心的地位，长久以来，用计算机技术模拟人类的眼睛一直人类的梦想，计算机视觉在相关研究领域发挥着巨大且无可替代的关键作用。自上个世纪八十年代起至今的时间里，以信息技术为代表的科技浪潮席卷全球，在这样的背景下，社会中的各行各业都在不断地经历变革，朝着使得产业链和产品变得更加自动化、智能化的目标而前进。而计算机技术作为信息技术的典型代表，经过几十年的发展，取得了巨大的进步，并且已经在人们的日常生产、生活领域发挥越来越不可替代的作用。
近年来，伴随计算机和图像处理技术在理论和实践上的不断突破，计算机视觉技术广泛地应用于机器人控制、无人驾驶、非接触测量以及航天探测等诸多领域，种各样的自动化、智能化的设备已经彻底改变了人们的生产生活方式，因而计算机视觉技术已成为国内外高校和科研院所的研究热点。计算机视觉系统中主要传感器为价格相对较低的摄像机，研究计算机视觉技术不仅存在理论价值，更具备广阔的产业化和商业化前景。
随着人工智能技术的火热发展，双目视觉技术成为计算机视觉中一个重要的方向，主要是通过左右两幅图片来获取物体的视差图。其中双目匹配技术是获取视差图的最为基础也是最为热门的一部分。高精度的双目匹配是进行其他双目技术研究的重要前提，为了提高双目的左右两幅图片的匹配精度，人们做了很多的研究。双目匹配技术通常全局匹配算法和局部匹配算法。全局匹配算法将整张图片作为目标点的约束条件，约束信息多，匹配精度高，但是约束的条件越多计算的时间复杂度就是高。如果采集的是高质量图片，仅仅是双目匹配就会花费大量的时间，而且对计算的平台要求也高，不利于在便携灵活的场景使用。局部匹配算法是在精准度要求不是很高，但实时性高的场景下使用的一类算法。局部匹配算法是以目标点为中心建立一个窗口，用窗口内的信息来约束匹配，不像全局匹配算法用整张图片作为约束条件。局部匹配算法以实时性高的特性，被广泛的研究。局部匹配算法分为：基于特征点的算法和基于区域的算法。基于特征点的算法仅仅匹配计算某几个特征点，应用场景不多。基于区域的局部匹配算法，census变换(Census Transform，CT)匹配算法就是其中之一。基于区域局部匹配算法主要分四个部分：匹配代价计算、代价聚合、视差计算以及视差求精。这四个步骤能够描述大部分匹配算法的执行过程。并将一些代表性的立体性的立体匹配技术进行了全面概述和分类总结，在此基础上，提出了立体匹配算法的评价体系，使得立体匹配的研究走向了正规化。
census变换匹配算法凭借计算的数据构成简单，计算速度快等特点被广泛研究，最为重要的一点是该算法能够在嵌入式平台流畅运行，这就使得双目视觉技术能够有更宽广的应用场景，不再局限于传统的计算机平台。
传统的census变换算法的基本原理是以一个矩形窗口遍历图像，通常会选择中心像素的灰度值作为参考值，将矩形窗口中各个像素的灰度值与参考值进行比较，并用0和1来表示其大小关系。census变换的实质就是将图像的灰度值编码成为一组二进制的序列，来表示周围邻域像素相对于中心像素的大小关系。变换的过程可表达为
式中，Np表示中心点p的邻域，I(p)、I(q)为p、q对应的灰度值信息，符号表示连接符，ξ[I(p)，I(q)]满足一下关系
将左右两幅图片分别进行census变换，将求得的两个序列求其汉明距离作为匹配代价。求汉明距离的公式如下:
Cint(p,d)＝Hamming[Cl(p),Cr(p,d)],d∈[dmin,dmax]
式中，Cint(p,d)为初始匹配代价，Cl(p)是左图census变换而来的序列，Cr(p,d)是在视差d的前提下右图的census变换序列。
在一定的视差范围内进行匹配，将汉明距离最小的匹配点作为结果。具体的census变换过程参考图1。
从上述的传统census变换可以看出两点不足之处。第一：传统的census变换过于依赖中心像素点的选择，很容易受到噪声的干扰，造成误匹配。第二：在计算的过程中，census变换窗口的大小一直没有发生变化，也就是说匹配点的约束信息量一直是没有变化的，这也很容易造成误匹配。因为同一张图片的不同匹配点有着不同的匹配约束信息，例如匹配点在重复纹理区域，也就是周边点像素信息变化小时，若想正确匹配就必须扩大约束信息即为扩大匹配窗口；当匹配点在波动区域时，周围像素信息变化大，此时就不需要大的窗口计算。传统的census变换窗口从开始就固定选择了，如果选择的过小就会造成重复纹理区的误匹配，如果选择过大，约束的信息虽然多了，但是计算的时间也会增加，census快速的优势也就不明显了。针对上述的不足出，配合图片叙述。
如图2所示，目标窗口的灰度值是参考窗口的一般，显然由于受中心的干扰以及窗口的约束信息量不够的问题，导致两张图片的汉明距离为零，很容易造成误匹配的现象。
如图3所示，针对Middlebury平台上的2幅标准图像cones和teddy进行不同大小窗口的census变换匹配。从结果可以看出，当窗口选择的越大的时候，得到的结果质量就会越高，误差就越小。在实验过程中发现窗口越大消耗的时间也就越长，可以发现这是一对矛盾体。
上述的内容表明了传统的census窗口大小不变所带来的缺点，同时在缺点的基础上想到了可以通过窗口的约束信息来改变窗口大小这样的解决方案。
发明内容
[技术问题]
现有技术中census变换双目匹配算法的固定窗口大小所带来的精度问题和实时性问题。
[技术方案]
本发明提供一种基于方差的自适应窗口大小的双目视觉匹配方法，包括：
步骤一：输入左右两张图片，选取中心点像素，建立初始匹配窗口，计算窗口内各个像素的均值，根据均值来计算各个像素的方差；设置方差波动大小的阈值参数，根据各个像素的方差与阈值参数的比较，来变换窗口的大小，得到自适应窗口；
步骤二：计算出自适应窗口内各个像素的均值，将均值代替原来中心像点素的灰度值，并建立新的匹配窗口；
步骤三：对左右两张图片进行census变换，并计算汉明距离，得到初始匹配代价；
步骤四：采用引导滤波技术对初始匹配代价进行滤波，得到最终匹配代价；
步骤五：利用WTA策略进行视差选择，获得左右两图的初始视差值，在左右图片上每个像素中的最终匹配代价中，选择最小的最终匹配代价值所对应的视差作为左右图片上每个像素的最优视差；
步骤六：对步骤五所得的最优视差进行视差求精，包括：通过左右两图的一致性来检测匹配异常点，并对检测到的异常点进行修正。
在本发明的一种实施方式中，步骤二中，为参考值增加一个噪声容限α，并采用两个二进制位来取代传统的一位二进制，中心点灰度值和中心点的周围点灰度值关系为：
式中，I(p)是中心点灰度值，I(q)是中心点的周围点灰度值；
噪声容限
式中[.]表示就近取整运算子，β为常数，取值为50。
在本发明的一种实施方式中，步骤三中，所述census变换为：
式中，Np表示中心点p的邻域，q是中心像素以外的其他像素，I(p)、I(q)为p、q对应的灰度值信息，符号表示连接符。
在本发明的一种实施方式中，步骤三中，所述汉明距离的公式如下:
Cint(p,d)＝Hamming[Cl(p),Cr(p,d)],d∈[dmin,dmax]
式中，Cint(p,d)为初始匹配代价，Cl(p)是左图census变换而来的序列，Cr(p,d)是在视差d的前提下右图的census变换序列。
在本发明的一种实施方式中，步骤五中，最优视差获取公式为：
dopt＝argminCfin(p，d)0≤d≤dmax
式中，dopt表示最终匹配代价对应的最优视差；dmax表示最大视差范围；p是当前像素，d为视差范围，argmin为取最小值；Cfin(p,d)为最终匹配代价。
在本发明的一种实施方式中，步骤六中，所述检测匹配点异常点方法为：对于左图中的一个像素点p，求得的最优视差值是d1，那么像素点p在右图的对应点为像素p-d1，像素点的视差值记为d2，则当
|d1-d2|≤Th
时，像素点P即为异常点，式中Th表示视差阈值。
在本发明的一种实施方式中，所述修正方法为：异常点P的水平左、右的第一个非异常点分别记作pl、pr；将异常点p的视差值修正为pl和pr视差值d(p1)、d(pr)中较小的那一个，计算公式为
d(p)＝min[d(pl)，d(pr)]
在本发明的一种实施方式中，所述初始的匹配窗口大小为5*5，变换定义为：
式中，δ(p)为像素方差，W(p)为中心点p建立的窗口大小，t1、t2为波动大小的阈值参数。
本发明所述的一种基于方差的自适应窗口大小的双目视觉匹配方法应用于双目视觉匹配领域。
[有益效果]
本发明是针对传统的census变换算法精度低的缺点提出的改进。利用初始窗口内的像素方差信息作为标准，当方差大时，目标点在波动较大的区域，此时约束信息量大，就将初始的窗口变小，减小计算的复杂度，提高算法的实时性；当方差信息小时，目标点的波动小即处于重复纹理区，约束信息量小，此时应该增大窗口来获取更多的约束信息，相较于固定窗口大小的算法，提高了匹配的精准度，而且在实时性上有一定的保障，有利于在嵌入式系统中运行，拓宽了双目视觉技术的应用场景。
附图说明
图1为传统的census变换；
图2为census错误匹配；
图3为Middlebury平台上的2幅标准图像cones和teddy进行不同大小窗口的census变换匹配；
图4为实施例1的census算法流程；
图5为实施例3的本发明与传统的census算法对比实验的处理图片结果，(a)是标准测试图，(b)是对应标准视差图，(c)是传统census算法结果图，(d)是本发明的结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
实施例1
如图4所示，本实施例提供一种基于方差的自适应窗口大小的census变换算法，包含以下步骤：
步骤1：输入左右两张图片，然后选取中心点，建立窗口；包括：选取中心点像素p并建立一个n*n大小的初始匹配窗口，本实施例取5*5大小的初始匹配窗口，计算窗口内各个像素的均值，再根据均值来计算各个像素的方差δ(p)；为了能够减小窗口大小所带来的误差，利用方差信息来变换窗口的大小，达到自适应的目的，具体变换定义为：
式中，W(p)为中心点p建立的窗口大小，t1、t2为波动大小的阈值参数，一般取t1＝2,t2＝8。
步骤2：在步骤1得到的自适应窗口大小基础上，为了能够减小噪声对中心点的影响带来的误差，首先计算出自适应窗口内各个像素的均值将均值/>代替原来中心点像素p的灰度值，并且作为新的参考值。为了提高稳健性，为参考值增加一个噪声容限α，并采用两个二进制位来取代传统的一位二进制(传统用一位二进制数表示周围点灰度值与中心灰度大小关系，误差较大)，中心点灰度值和中心点的周围点灰度值关系为：
式中，I(p)是中心点灰度值，I(q)是中心点的周围点灰度值；
噪声容限
式中[.]表示就近取整运算子，β为常数，通常取值为50。
采用上面的新规则对左右图片进行census变换，并计算汉明距离，得到初始匹配代价Cint(p,d)。步骤1与步骤2总结在一起就是局部匹配算法的第一部分匹配代价计算，改进的自适应窗口与census新规则相结合，有效的降低噪声的影响，达到提高精度与实时性。
步骤3：根据局部匹配算法的步骤，需要对初始的匹配代价进行代价聚合，前两步骤计算出了单个中心点的原始匹配代价，但是由于单个像素的匹配代价鉴别性不高，容易收到噪声的影响，需要利用周围像素的信息进行代价聚合，以提高视差区分性。采用引导滤波技术对初始匹配代价Cint(p,d)进行滤波实现代价聚合得到最终匹配代价Cfin(p,d)。引导滤波是一种图像滤波技术，将初始匹配代价输入到滤波器里，输出是质量更高的匹配代价。
步骤4：视差计算与求精。通过代价聚合得到最终匹配代价Cfin(p，d)，利用Winner-Takes-All(WTA)策略进行视差选择，获得初始视差值，分别得到左右两幅视差图。左右图片上每个像素最优视差获取公式为
dopt＝argminCfin(p，d)0≤d≤dmax
式中，dopt表示最终匹配代价对应的最优视差；dmax表示最大视差范围；p是当前像素；d为视差范围，argmin为取最小值；Cfin(p，d)为最终匹配代价。
在视差求精阶段，首先通过左右两幅图一致性来检测匹配点异常点，所述方法为：根据左右两幅输入图像，分别得到左右两幅视差图。对于左图中的一个像素点p，求得的最优视差值是d1，那么像素点p在右图的对应点为像素p-d1，像素点的视差值记为d2，则当
|d1-d2|≤Th
时，像素点P即为异常点，式中Th表示视差阈值。
对检测到的异常点进行修正；所述修正方法为：异常点P的水平左、右的第一个非异常点分别记作pl、pr；将异常点p的视差值修正为pl和pr视差值d(p1)、d(pr)中较小的那一个，计算公式为
d(p)＝min[d(pl)，d(pr)]
实施例2
以扫地机器人为原型，将自适应窗口大小的census变换算法应用到嵌入式平台，设计一个能够自主检测障碍物距离，并根据检测的距离信息来实现避障行为的智能移动小车。在智能移动小车系统搭建方面，双目摄像头采用的是OV9732型号传感器模块的双目同步摄像头组，型号为HBV-1780-2，树莓派选择最新的型号Raspberry Pi 4B，控制芯片选择以Cortex-M3为结构内核的STM32F103单片机，电机驱动模块型号为L298N，以及能够组装的小车底盘。
除了上面所需的硬件以外，还需要软件的设计与配合。首先选用matlab中集成的双目摄像头标定工具箱，来获取摄像头HBV-1780-2的内参以及外参。其次在树莓派4B上安装Raspbian操作系统，并配置好python与Opencv的环境，以满足census变换算法的计算。最后在单片机编程环境keil中编写单片机串口接受数据程序，和控制小车行走程序。
硬件软件相结合，census变换算法能够保证实现动态检测障碍物距离的智能小车。
实施例3
为了说明本发明在精度以及实时性上都优于传统的cnesus算法，将本发明与传统的census进行对比实验，实验样本采用的是学术界公认的Middlebury立体匹配算法评测平台提供的标准立体图像组Teddy、Cones来对算法进行评测。
图5是对比实验的图片结果，(a)是标准测试图，(b)是对应标准视差图，(c)是传统census算法结果图，(d)是本发明的结果图。
从图5的结果可以看出本发明的结果要优于传统的census变换算法，噪声点少，且在边缘处比较平滑。
表1是对比实验的误差结果。从表1中可以看出，本发明的误差率要低于传统的census算法，Teddy样本的误差率低8.43％，Cones样本的误差率低7.89％。
表2是对比实验所花费的时间。从表2中可以看出，本发明的实时性要高于传统的census算法，Teddy样本的时间要快3.7s，提升将近32.74％，Cones样本的时间要快3.5s，提升将近33.01％。
从以上实验得到的图表信息表明，本发明相较与传统census算法的优势，即为本发明的可行性。
表1本发明和传统的census算法误差率比较
| 算法 | Teddy | Cones |
| 传统census | 18.56％ | 17.64％ |
| 本发明 | 10.13％ | 9.75％ |
表2本发明和传统的census算法计算所花费时间比较
| 算法 | Teddy | Cones |
| 传统census | 11.3s | 10.6s |
| 本发明 | 7.6s | 7.1s |
| 提高率 | 32.74％ | 33.01％ |
本发明的保护范围并不仅局限于上述实施例，凡是在本发明构思的精神和原则之内，本领域的专业人员能够做出的任何修改、等同替换和改进等均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于方差的自适应窗口大小的双目视觉匹配方法，其特征在于，包括：
步骤一：输入左右两张图片，选取中心点像素，建立初始匹配窗口，计算窗口内各个像素的均值，根据均值来计算各个像素的方差；设置方差波动大小的阈值参数，根据各个像素的方差与阈值参数的比较，来变换窗口的大小，得到自适应窗口；
步骤二：计算出自适应窗口内各个像素的均值，将均值代替原来中心像点素的灰度值，并建立新的匹配窗口；
步骤三：对左右两张图片进行census变换，并计算汉明距离，得到初始匹配代价；
步骤四：采用引导滤波技术对初始匹配代价进行滤波实现代价聚合，得到最终匹配代价；
步骤五：利用WTA策略进行视差选择，获得左右两图的初始视差值，分别得到左右两幅视差图；在左右图片上每个像素中的最终匹配代价中，选择最小的最终匹配代价值所对应的视差作为左右图片上每个像素的最优视差；
步骤六：对步骤五所得的最优视差进行视差求精，包括：通过左右两图的一致性来检测匹配异常点，并对检测到的异常点进行修正；
步骤三中，所述census变换为：
式中，Np表示中心点像素p的邻域，q是中心像素以外的其他像素，I(p)、I(q)为p、q对应的灰度值信息，符号表示连接符。
2.如权利要求1所述的一种基于方差的自适应窗口大小的双目视觉匹配方法，其特征在于，步骤二中，为参考值增加一个噪声容限α，并采用两个二进制位来取代传统的一位二进制，中心点灰度值和中心点的周围点灰度值关系为：
式中，I(p)是中心点灰度值，I(q)是中心点的周围点灰度值；
噪声容限
式中[.]表示就近取整运算子，β为常数，取值为50。
3.如权利要求1所述的一种基于方差的自适应窗口大小的双目视觉匹配方法，其特征在于，步骤三中，所述汉明距离的公式如下:
Cint(p,d)＝Hamming[Cl(p),Cr(p,d)],d∈[dmin,dmax]
式中，Cint(p,d)为初始匹配代价，Cl(p)是左图census变换而来的序列，Cr(p,d)是在视差d的前提下右图的census变换序列。
4.如权利要求1所述的一种基于方差的自适应窗口大小的双目视觉匹配方法，其特征在于，步骤五中，最优视差获取公式为：
dopt＝argminCfin(p，d) 0≤d≤dmax
式中，dopt表示最终匹配代价对应的最优视差；dmax表示最大视差范围；p是当前像素，d为视差范围，argmin为取最小值；Cfin(p,d)为最终匹配代价。
5.如权利要求1所述的一种基于方差的自适应窗口大小的双目视觉匹配方法，其特征在于，步骤六中，所述检测匹配点异常点方法为：对于左图中的一个像素点p，求得的最优视差值是d1，那么像素点p在右图的对应点为像素p-d1，像素点的视差值记为d2，则当
|d1-d2|≤Th时，像素点p即为异常点，式中Th表示视差阈值。
6.如权利要求1所述的一种基于方差的自适应窗口大小的双目视觉匹配方法，其特征在于，所述修正方法为：异常点p的水平左、右的第一个非异常点分别记作pl、pr；将异常点p的视差值修正为pl和pr视差值d(pl)、d(pr)中较小的那一个，计算公式为
d(p)＝min[d(pl),d(pr)]。
7.如权利要求1所述的一种基于方差的自适应窗口大小的双目视觉匹配方法，其特征在于，所述初始的匹配窗口大小为5*5，变换定义为：
式中，δ(p)为像素方差，W(p)为中心点p建立的窗口大小，t1、t2为波动大小的阈值参数。
8.权利要求1-6任一项所述的一种基于方差的自适应窗口大小的双目视觉匹配方法，其特征在于，所述方法应用于双目视觉匹配领域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010621968.1A CN111754588B (zh) | 2020-06-30 | 2020-06-30 | 一种基于方差的自适应窗口大小的双目视觉匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010621968.1A CN111754588B (zh) | 2020-06-30 | 2020-06-30 | 一种基于方差的自适应窗口大小的双目视觉匹配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111754588A CN111754588A (zh) | 2020-10-09 |
| CN111754588B true CN111754588B (zh) | 2024-03-29 |
Family
ID=72680273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010621968.1A Active CN111754588B (zh) | 2020-06-30 | 2020-06-30 | 一种基于方差的自适应窗口大小的双目视觉匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754588B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113506257B (zh) * | 2021-07-02 | 2022-09-20 | 同济大学 | 一种基于自适应窗口匹配的裂缝提取方法 |
| CN116188558B (zh) * | 2023-04-27 | 2023-07-11 | 华北理工大学 | 基于双目视觉的立体摄影测量方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105528785A (zh) * | 2015-12-03 | 2016-04-27 | 河北工业大学 | 一种双目视觉图像立体匹配方法 |
| CN106355570A (zh) * | 2016-10-21 | 2017-01-25 | 昆明理工大学 | 一种结合深度特征的双目立体视觉匹配方法 |
| CN108682026A (zh) * | 2018-03-22 | 2018-10-19 | 辽宁工业大学 | 一种基于多匹配基元融合的双目视觉立体匹配方法 |
| CN110310320A (zh) * | 2019-07-09 | 2019-10-08 | 南京美基森信息技术有限公司 | 一种双目视觉匹配代价聚合优化方法 |
| CN110473217A (zh) * | 2019-07-25 | 2019-11-19 | 沈阳工业大学 | 一种基于Census变换的双目立体匹配方法 |
| CN110599523A (zh) * | 2019-09-10 | 2019-12-20 | 江南大学 | 一种融合帧间差分法的ViBe鬼影抑制方法 |
-
2020
- 2020-06-30 CN CN202010621968.1A patent/CN111754588B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105528785A (zh) * | 2015-12-03 | 2016-04-27 | 河北工业大学 | 一种双目视觉图像立体匹配方法 |
| CN106355570A (zh) * | 2016-10-21 | 2017-01-25 | 昆明理工大学 | 一种结合深度特征的双目立体视觉匹配方法 |
| CN108682026A (zh) * | 2018-03-22 | 2018-10-19 | 辽宁工业大学 | 一种基于多匹配基元融合的双目视觉立体匹配方法 |
| CN110310320A (zh) * | 2019-07-09 | 2019-10-08 | 南京美基森信息技术有限公司 | 一种双目视觉匹配代价聚合优化方法 |
| CN110473217A (zh) * | 2019-07-25 | 2019-11-19 | 沈阳工业大学 | 一种基于Census变换的双目立体匹配方法 |
| CN110599523A (zh) * | 2019-09-10 | 2019-12-20 | 江南大学 | 一种融合帧间差分法的ViBe鬼影抑制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于AD-census和多权值的自适应窗口的立体匹配算法;吕鹏程;厉小润;;工业控制计算机;20180325(第03期);全文 * |
| 基于Census变换和引导滤波的立体匹配算法;周喆;沈建新;韩鹏;江俊佳;;应用光学;20200115(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111754588A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111754588B (zh) | 一种基于方差的自适应窗口大小的双目视觉匹配方法 | |
| CN105513064B (zh) | 一种基于图像分割和自适应权重的立体匹配方法 | |
| CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
| CN110175558B (zh) | 一种人脸关键点的检测方法、装置、计算设备及存储介质 | |
| CN108875935B (zh) | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 | |
| CN111489394B (zh) | 物体姿态估计模型训练方法、系统、装置及介质 | |
| CN113538569B (zh) | 一种弱纹理物体位姿估计方法和系统 | |
| CN102651127A (zh) | 一种超分辨率重建的图像处理方法及系统 | |
| CN111899295B (zh) | 一种基于深度学习的单目场景深度预测方法 | |
| CN112163990B (zh) | 360度图像的显著性预测方法及系统 | |
| CN109410235B (zh) | 融合边缘特征的目标跟踪方法 | |
| CN112381783B (zh) | 一种基于红色线激光的焊缝轨迹提取方法 | |
| CN101556694A (zh) | 一种旋转图像的匹配方法 | |
| CN111754402A (zh) | 一种基于改进的surf算法的图像拼接方法 | |
| CN109934859B (zh) | 一种基于特征增强多维权重描述子的icp配准方法 | |
| CN113763273B (zh) | 人脸补全方法、电子设备和计算机可读存储介质 | |
| CN106570901B (zh) | 一种基于cuda的双目深度信息恢复加速方法 | |
| CN107424172B (zh) | 基于前景判别和圆形搜索方法的运动目标跟踪方法 | |
| CN111640129B (zh) | 一种应用于室内墙面施工机器人的视觉砂浆识别系统 | |
| CN116188894A (zh) | 基于神经渲染的点云预训练方法、系统、设备及介质 | |
| CN112927304B (zh) | 一种基于卷积神经网络的鱼眼镜头标定方法 | |
| Popovic et al. | Surface normal clustering for implicit representation of manhattan scenes | |
| Liu et al. | An efficient edge-feature constraint visual SLAM | |
| CN112085815A (zh) | 一种极坐标图像的表达方法及其变换算法 | |
| CN110852352A (zh) | 一种用于目标检测深度神经网络模型训练的数据增强方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |