CN114120012A - 一种基于多特征融合和树形结构代价聚合的立体匹配方法 - Google Patents

一种基于多特征融合和树形结构代价聚合的立体匹配方法 Download PDF

Info

Publication number
CN114120012A
CN114120012A CN202111438930.1A CN202111438930A CN114120012A CN 114120012 A CN114120012 A CN 114120012A CN 202111438930 A CN202111438930 A CN 202111438930A CN 114120012 A CN114120012 A CN 114120012A
Authority
CN
China
Prior art keywords
cost
aggregation
image
pixel
parallax
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.)
Pending
Application number
CN202111438930.1A
Other languages
English (en)
Inventor
伍雪冬
仲恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202111438930.1A priority Critical patent/CN114120012A/zh
Publication of CN114120012A publication Critical patent/CN114120012A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多特征融合和树形结构代价聚合的立体匹配方法，本方案在多尺度的框架下充分利用图像特征信息，与单尺度的自适应权值相比，能够有效降低各个区域的误匹配率，提高立体匹配的精度，同时，在传统的最小生成树基础上，考虑了像素点三通道颜色信息以及颜色内相关性之间的融合关系，从而更精确地获取了像素点内部的颜色特性，本方案在保证效率的前提下将局部边缘感知滤波器与非局部边缘感知滤波器结合，有效提高了算法在低纹理以及高纹理区域的匹配精度，获取到更精确的视差图。

Description

一种基于多特征融合和树形结构代价聚合的立体匹配方法
技术领域
本发明涉及计算机视觉图像处理方法，具体涉及一种基于多特征融合和树形结构代价聚合的立体匹配方法。
背景技术
立体匹配作为双目立体视觉中最为核心的部分，其目的主要是通过找到从同一场景捕获的两个校正的图像之间的所有对应，来生成密集的视差图。由于匹配问题的模糊性和图像中存在的噪声、遮挡或失真，如果提高立体匹配的精确度目前仍然是一个有待解决的问题。
针对上述问题，目前已有的局部自适应权值方法不能很好地适用于具有低或重复纹理的大区域，因为这些方法的支持窗口通常在预定义的小窗口中受到限制，且由于它们的计算复杂度直接取决于支持窗口的大小，因此，这些方法执行地非常慢，支持窗口必须足够大才能更好地处理低纹理区域。
其他的比如非局部立体匹配算法虽然可以更好地处理低纹理区域，但他们因为在构建特殊树的过程中，相邻像素之间的一些有用的连接约束被打破，所以在高纹理区域表现出较差的性能。而传统的跨尺度方法不能有效考虑临近点之间的视差约束关系，导致算法在低纹理及遮挡区域的精度有限。
发明内容
发明目的：本发明的目的是提供一种能够降低传统算法在弱纹理以及高纹理区域的误匹配率，获取更准确的视差图的基于多特征融合和树形结构代价聚合的立体匹配方法。
技术方案：本发明所述的基于多特征融合和树形结构代价聚合的立体匹配方法，包括以下步骤：
(1)获取立体图像的原始左图像和右图像；
(2)对输入的左右图像进行高斯下采样分解，将其分为多组不同分辨率的图像，并将低分辨率的图像对应的视差也进行相应的降低；
(3)在不同分辨率的图像上分别进行代价计算和代价聚合，得到多个尺度下的匹配代价成本量；
(4)对各个尺度分辨率下的匹配代价成本量进行跨尺度聚合更新，得到最终的匹配代价成本量；
(5)利用胜者为王策略计算视差，得到像素点所对应的最优视差，得到初始视差图；
(6)利用左右一致性检测以及中值滤波器对初始视差图进行视差细化，得到最终的视差图。
优选的，在步骤(2)中，通过高斯下采样得到多组不同分辨率的图像与原始图像组成图像金字塔，图像金字塔的顶层为最低分辨率的图像，自上而下分辨率逐渐增加，金字塔底层为原始图像。
优选的，在步骤(3)中，进行代价计算的方法是，组合两个匹配基元即Census变化以及像素的截断绝对差TAD，并引入权重系数α，它可以根据几何结构变化进而自适应地调节权重以充分利用像素的截断绝对差和CT策略的特征，使得图像的匹配成本曲线对无纹理区域和光照变化根据有鲁棒性，其中，Census变换公式为：
Figure BDA0003379397040000021
Figure BDA0003379397040000022
在上式中，I(p)为中心像素p的灰度值；I(q)为窗口领域内其他像素的灰度值；
Figure BDA0003379397040000026
为按位连接两个比较的结果，ξ(·)表示比较函数，Census变换匹配成本计算公式为：
Figure BDA0003379397040000023
上式中，d为左右图对应点的视差，Hamming(·)表示汉明距离。根据所述的像素截断绝对强度差算法得到的匹配代价公式为：
Figure BDA0003379397040000024
上式中，τ为截断值，权重系数α的定义公式为：
C(p,d)＝αCCT(p,d)+(1-α)CTAD(p,d)，
Figure BDA0003379397040000025
上式中，λ为归一化参数，用于控制异常值的影响，并且指数函数用于将每个成本分量归一化到范围[0,1]，以确保最终的匹配成本不会严重偏向于匹配成本中的一个，C(p,d)为融合多个特征分量的匹配成本。
优选的，在步骤(3)中，进行代价聚合时，根据改进的颜色内相关性和改进的颜色信息进行多分量构建最小生成树，并通过合并非局部边缘感知滤波器与局部边缘感知滤波器联合对成本量进行过滤。
优选的，在构建最小生成树中，考虑像素点三通道计算最小生成树的边权值计算公式为：
Figure BDA0003379397040000031
颜色内相关性I'in＝[I'R+G,I'G+B,I'B+R]记为主要计算过程如下：
Figure BDA0003379397040000032
Figure BDA0003379397040000033
多分量权值信息的计算公式为：
Figure BDA0003379397040000034
上式中，θ为权衡调整参数，起到衡量颜色信息和颜色内相关性的作用，在最小生成树权值得到定义后，运用Kruskal算法选取边权值最小的一边进行构建最小生成树。
优选的，由非局部边缘感知滤波器—树滤波器对初始成本进行过滤的代价聚合值为：
Figure BDA0003379397040000035
Figure BDA0003379397040000036
Figure BDA0003379397040000037
上式中，S(p,q)为两点的相似度，D(p,q)为两点的距离，σ为调整两点相似度的参数，F(qc)为叶节点qc的父节点，
Figure BDA0003379397040000038
为自叶节点qc到父节点p的代价聚合值。
优选的，由局部边缘感知滤波器—引导滤波器对初始成本量进行过滤的代价聚合值计算公式为：
CGF(p,d)＝aT kI(p)+bk
Figure BDA0003379397040000041
Figure BDA0003379397040000042
在上式中，ak为3×1系数向量，bk为标量，I(p)为像素p的3×1颜色向量，∑k和μk为窗口ωk中I的3×3的协方差矩阵和3×1的平均向量，∈为惩罚的ak正则化参数，防止ak过大，U为3×3的单位矩阵，|wk|为窗口ωk内像素数，最终代价聚合成本计算公式为：
Figure BDA0003379397040000043
在步骤(4)中，在经过非局部边缘感知滤波器以及局部边缘感知滤波器联合代价聚合后，对各组不同分辨率下得到的成本量进行跨尺度聚合，该聚合模型为：
Figure BDA0003379397040000044
在上式中，S＝{0,1,…,S}为不同的尺度，K(i,j)为像素i，j匹配程度的相似性核，Cs(js,ls)为在S尺度层上采用多特征融合和树形结构代价聚合算法得到迭代后的匹配代价，
Figure BDA0003379397040000045
为多尺度归一化因子，Nis为S尺度图像下对应像素的聚合窗口，λ为正则化因子，
Figure BDA0003379397040000046
为上述优化问题的目标函数，由此通过求解目标函数的驻点，得到其局部最优解。
优选的，在上述的跨尺度聚合模型中，以最佳尺度上的成本量
Figure BDA0003379397040000047
来生成最终的视差图得到：
Figure BDA0003379397040000048
其中，A是(S+1)×(S+1)可逆系数矩阵，与正则化系数λ有关。
优选的，在步骤(5)中，所述的胜者为王策略方法为，在视差范围内选取图像中每个像素点的最小代价聚合值，将该值所对应的视差值作为最终结果，汇聚出完整的初始视差图，该公式为：
Figure BDA0003379397040000051
优选的，在步骤(6)中，所述的左右一致性检测通过左图像的初始视差映射找到右图像中每个像素名称相同的像素以及该像素对应的视差值，若两个视差值之间的差值小于某一阈值，则满足唯一性约束被保留，否则将该值删除，其中，左右一致性检测公式为：
|DLeft(p)-DRight(p-DLeft(p))|＜1,
在上式中，DLeft(p)为左图像素点P所对应的视差值，DRight(p-DLeft(p))为左图像素点P在右图上的同名点的视差值。
有益效果：本发明与现有技术相比，所具有的显著优点是，本方案在多尺度的框架下充分利用图像特征信息，与单尺度的自适应权值相比，能够有效降低各个区域的误匹配率，提高立体匹配的精度，同时，在传统的最小生成树基础上，考虑了像素点三通道颜色信息以及颜色内相关性之间的融合关系，从而更精确地获取了像素点内部的颜色特性。本方案在考虑到最小生成树在大量高纹理区域缺乏鲁棒性，而引导滤波器在大面积弱纹理区域误匹配率较高的缺点，以及最小生成树在低纹理区域具有更高的鲁棒性而引导滤波器在高纹理区域精度更高的优势，在保证效率的前提下将局部边缘感知滤波器与非局部边缘感知滤波器结合，有效提高了算法在低纹理以及高纹理区域的匹配精度，获取到更精确的视差图。
附图说明
图1为本发明的步骤流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，所述的基于多特征融合和树形结构代价聚合的立体匹配方法，包括以下步骤：
(1)获取立体图像的原始左图像和右图像。
(2)对输入的左右图像进行高斯下采样分解，分为多组不同分辨率的图像，并将低分辨率的图像对应的视差也进行相应的降低，将多组不同分辨率的图像与原始图像组成图像金字塔，图像金字塔的顶层为最低分辨率的图像，自上而下分辨率逐渐增加，金字塔底层为原始图像。
(3)在不同分辨率的图像上分别进行代价计算和代价聚合，得到多个尺度下的匹配代价成本量，其中，进行代价计算的方法是，组合两个匹配基元即Census变化以及像素的截断绝对差TAD，并引入权重系数α，它可以根据几何结构变化进而自适应地调节权重以充分利用像素的截断绝对差和CT策略的特征，使得图像的匹配成本曲线对无纹理区域和光照变化根据有鲁棒性，其中，Census变换公式为：
Figure BDA0003379397040000061
Figure BDA0003379397040000062
在上式中，I(p)为中心像素p的灰度值；I(q)为窗口领域内其他像素的灰度值；
Figure BDA0003379397040000066
为按位连接两个比较的结果，ξ(·)表示比较函数，Census变换匹配成本计算公式为：
Figure BDA0003379397040000063
上式中，d为左右图对应点的视差，Hamming(·)表示汉明距离。根据所述的像素截断绝对强度差算法得到的匹配代价公式为：
Figure BDA0003379397040000064
上式中，τ为截断值，权重系数α的定义公式为：
C(p,d)＝αCCT(p,d)+(1-α)CTAD(p,d)，
Figure BDA0003379397040000065
上式中，λ为归一化参数，用于控制异常值的影响，并且指数函数用于将每个成本分量归一化到范围[0,1]，以确保最终的匹配成本不会严重偏向于匹配成本中的一个，C(p,d)为融合多个特征分量的匹配成本。
进行代价聚合时，根据改进的颜色内相关性和改进的颜色信息进行多分量构建最小生成树，并通过合并非局部边缘感知滤波器与局部边缘感知滤波器联合对成本量进行过滤。
在构建最小生成树中，考虑像素点三通道计算最小生成树的边权值计算公式为：
Figure BDA0003379397040000071
颜色内相关性I'in＝[I'R+G,I'G+B,I'B+R]记为主要计算过程如下：
Figure BDA0003379397040000072
Figure BDA0003379397040000073
多分量权值信息的计算公式为：
Figure BDA0003379397040000074
上式中，θ为权衡调整参数，起到衡量颜色信息和颜色内相关性的作用，在最小生成树权值得到定义后，运用Kruskal算法选取边权值最小的一边进行构建最小生成树。
由非局部边缘感知滤波器—树滤波器对初始成本进行过滤的代价聚合值为：
Figure BDA0003379397040000075
Figure BDA0003379397040000076
Figure BDA0003379397040000077
上式中，S(p,q)为两点的相似度，D(p,q)为两点的距离，σ为调整两点相似度的参数，F(qc)为叶节点qc的父节点，
Figure BDA0003379397040000078
为自叶节点qc到父节点p的代价聚合值。
由局部边缘感知滤波器—引导滤波器对初始成本量进行过滤的代价聚合值计算公式为：
CGF(p,d)＝aT kI(p)+bk
Figure BDA0003379397040000079
Figure BDA00033793970400000710
在上式中，ak为3×1系数向量，bk为标量，I(p)为像素p的3×1颜色向量，∑k和μk为窗口ωk中I的3×3的协方差矩阵和3×1的平均向量，∈为惩罚的ak正则化参数，防止ak过大，U为3×3的单位矩阵，|wk|为窗口ωk内像素数，最终代价聚合成本计算公式为：
Figure BDA0003379397040000081
(4)对各个尺度分辨率下的匹配代价成本量进行跨尺度聚合更新，得到最终的匹配代价体，其中，在经过非局部边缘感知滤波器以及局部边缘感知滤波器联合代价聚合后，对各组不同分辨率下得到的成本量进行跨尺度聚合，该聚合模型为：
Figure BDA0003379397040000082
在上式中，S＝{0,1,…,S}为不同的尺度，K(i,j)为像素i，j匹配程度的相似性核，Cs(js,ls)为在S尺度层上采用多特征融合和树形结构代价聚合算法得到迭代后的匹配代价，
Figure BDA0003379397040000083
为多尺度归一化因子，Nis为S尺度图像下对应像素的聚合窗口，λ为正则化因子，
Figure BDA0003379397040000084
为上述优化问题的目标函数，由此通过求解目标函数的驻点，得到其局部最优解。
此外，在上述的跨尺度聚合模型中，以最佳尺度上的成本量
Figure BDA0003379397040000085
来生成最终的视差图得到：
Figure BDA0003379397040000086
其中，A是(S+1)×(S+1)可逆系数矩阵，与正则化系数λ有关。
(5)利用胜者为王策略计算视差，得到像素点所对应的最优视差，得到初始视差图，其中，胜者为王策略方法为，在视差范围内选取图像中每个像素点的最小代价聚合值，将该值所对应的视差值作为最终结果，汇聚出完整的初始视差图，该公式为：
Figure BDA0003379397040000087
(6)利用左右一致性检测以及中值滤波器对初始视差图进行视差细化，得到最终的视差图，左右一致性检测通过左图像的初始视差映射找到右图像中每个像素名称相同的像素以及该像素对应的视差值，若两个视差值之间的差值小于某一阈值，则满足唯一性约束被保留，否则将该值删除，其中，左右一致性检测公式为：
|DLeft(p)-DRight(p-DLeft(p))|＜1,
在上式中，DLeft(p)为左图像素点P所对应的视差值，DRight(p-DLeft(p))为左图像素点P在右图上的同名点的视差值。

Claims (10)

1.一种基于多特征融合和树形结构代价聚合的立体匹配方法，其特征在于，包括以下步骤：
(1)获取立体图像的原始左图像和右图像；
(2)对输入的左右图像进行高斯下采样分解，将其分为多组不同分辨率的图像，并将低分辨率的图像对应的视差也进行相应的降低；
(3)在不同分辨率的图像上分别进行代价计算和代价聚合，得到多个尺度下的匹配代价成本量；
(4)对各个尺度分辨率下的匹配代价成本量进行跨尺度聚合更新，得到最终的匹配代价成本量；
(5)利用胜者为王策略计算视差，得到像素点所对应的最优视差，得到初始视差图；
(6)利用左右一致性检测以及中值滤波器对初始视差图进行视差细化，得到最终的视差图。
2.根据权利要求1所述的基于多特征融合和树形结构代价聚合的立体匹配方法，其特征在于，在步骤(2)中，通过高斯下采样得到多组不同分辨率的图像与原始图像组成图像金字塔，图像金字塔的顶层为最低分辨率的图像，自上而下分辨率逐渐增加，金字塔底层为原始图像。
3.根据权利要求1所述的基于多特征融合和树形结构代价聚合的立体匹配方法，其特征在于，在步骤(3)中，进行代价计算的方法是，组合两个匹配基元即Census变化以及像素的截断绝对差TAD，并引入权重系数α，其中，Census变换公式为：
Figure FDA0003379397030000011
Figure FDA0003379397030000012
在上式中，I(p)为中心像素p的灰度值；I(q)为窗口领域内其他像素的灰度值；
Figure FDA0003379397030000013
为按位连接两个比较的结果，ξ(·)表示比较函数，Census变换匹配成本计算公式为：
Figure FDA0003379397030000014
上式中，d为左右图对应点的视差，Hammin g(·)表示汉明距离，根据所述的像素截断绝对强度差算法得到的匹配代价公式为：
Figure FDA0003379397030000021
上式中，τ为截断值，权重系数α的定义公式为：
C(p,d)＝αCCT(p,d)+(1-α)CTAD(p,d)，
Figure FDA0003379397030000022
上式中，λ为归一化参数，C(p,d)为融合多个特征分量的匹配成本。
4.根据权利要求1所述的基于多特征融合和树形结构代价聚合的立体匹配方法，其特征在于，在步骤(3)中，进行代价聚合时，根据改进的颜色内相关性和改进的颜色信息进行多分量构建最小生成树，并通过合并非局部边缘感知滤波器与局部边缘感知滤波器联合对成本量进行过滤。
5.根据权利要求4所述的基于多特征融合和树形结构代价聚合的立体匹配方法，其特征在于，在构建最小生成树中，考虑像素点三通道计算最小生成树的边权值计算公式为：
Figure FDA0003379397030000023
颜色内相关性I'in＝[I'R+G,I'G+B,I'B+R]记为主要计算过程如下：
Figure FDA0003379397030000024
Figure FDA0003379397030000025
多分量权值信息的计算公式为：
Figure FDA0003379397030000026
上式中，θ为权衡调整参数，在最小生成树权值得到定义后，运用Kruskal算法选取边权值最小的一边进行构建最小生成树。
6.根据权利要求5所述的基于多特征融合和树形结构代价聚合的立体匹配方法，其特征在于，由非局部边缘感知滤波器—树滤波器对初始成本进行过滤的代价聚合值为：
Figure FDA0003379397030000031
Figure FDA0003379397030000032
Figure FDA0003379397030000033
上式中，S(p,q)为两点的相似度，D(p,q)为两点的距离，σ为调整两点相似度的参数，F(qc)为叶节点qc的父节点，
Figure FDA0003379397030000034
为自叶节点qc到父节点p的代价聚合值。
7.根据权利要求6所述的基于多特征融合和树形结构代价聚合的立体匹配方法，其特征在于，由局部边缘感知滤波器—引导滤波器对初始成本量进行过滤的代价聚合值计算公式为：
CGF(p,d)＝aT kI(p)+bk
Figure FDA0003379397030000035
Figure FDA0003379397030000036
在上式中，ak为3×1系数向量，bk为标量，I(p)为像素p的3×1颜色向量，∑k和μk为窗口ωk中I的3×3的协方差矩阵和3×1的平均向量，∈为惩罚的ak正则化参数，U为3×3的单位矩阵，|wk|为窗口ωk内像素数，最终代价聚合成本计算公式为：
Figure FDA0003379397030000037
在步骤(4)中，在经过非局部边缘感知滤波器以及局部边缘感知滤波器联合代价聚合后，对各组不同分辨率下得到的成本量进行跨尺度聚合，该聚合模型为：
Figure FDA0003379397030000038
在上式中，S＝{0,1,…,S}为不同的尺度，K(i,j)为像素i，j匹配程度的相似性核，Cs(js,ls)为在S尺度层上采用多特征融合和树形结构代价聚合算法得到迭代后的匹配代价，
Figure FDA0003379397030000041
为多尺度归一化因子，Nis为S尺度图像下对应像素的聚合窗口，λ为正则化因子，
Figure FDA0003379397030000042
为上述优化问题的目标函数。
8.根据权利要求7所述的基于多特征融合和树形结构代价聚合的立体匹配方法，其特征在于，在上述的跨尺度聚合模型中，以最佳尺度上的成本量
Figure FDA0003379397030000043
来生成最终的视差图得到：
Figure FDA0003379397030000044
其中，A是(S+1)×(S+1)可逆系数矩阵。
9.根据权利要求1所述的基于多特征融合和树形结构代价聚合的立体匹配方法，其特征在于，在步骤(5)中，所述的胜者为王策略方法为，在视差范围内选取图像中每个像素点的最小代价聚合值，将该值所对应的视差值作为最终结果，汇聚出完整的初始视差图，该公式为：
Figure FDA0003379397030000045
10.根据权利要求1所述的基于多特征融合和树形结构代价聚合的立体匹配方法，其特征在于，在步骤(6)中，所述的左右一致性检测通过左图像的初始视差映射找到右图像中每个像素名称相同的像素以及该像素对应的视差值，若两个视差值之间的差值小于某一阈值，则满足唯一性约束被保留，否则将该值删除，其中，左右一致性检测公式为：
|DLeft(p)-DRight(p-DLeft(p))|＜1,
在上式中，DLeft(p)为左图像素点P所对应的视差值，DRight(p-DLeft(p))为左图像素点P在右图上的同名点的视差值。
CN202111438930.1A 2021-11-29 2021-11-29 一种基于多特征融合和树形结构代价聚合的立体匹配方法 Pending CN114120012A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111438930.1A CN114120012A (zh) 2021-11-29 2021-11-29 一种基于多特征融合和树形结构代价聚合的立体匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111438930.1A CN114120012A (zh) 2021-11-29 2021-11-29 一种基于多特征融合和树形结构代价聚合的立体匹配方法

Publications (1)

Publication Number Publication Date
CN114120012A true CN114120012A (zh) 2022-03-01

Family

ID=80368112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111438930.1A Pending CN114120012A (zh) 2021-11-29 2021-11-29 一种基于多特征融合和树形结构代价聚合的立体匹配方法

Country Status (1)

Country Link
CN (1) CN114120012A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071415A (zh) * 2023-02-08 2023-05-05 淮阴工学院 一种基于改进Census算法的立体匹配方法
CN116188558A (zh) * 2023-04-27 2023-05-30 华北理工大学 基于双目视觉的立体摄影测量方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898575A (zh) * 2018-05-15 2018-11-27 华南理工大学 一种新型自适应权重立体匹配方法
CN112991421A (zh) * 2021-03-23 2021-06-18 湖南大学 一种机器人视觉立体匹配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898575A (zh) * 2018-05-15 2018-11-27 华南理工大学 一种新型自适应权重立体匹配方法
CN112991421A (zh) * 2021-03-23 2021-06-18 湖南大学 一种机器人视觉立体匹配方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
卢昌义: "基于局部到非局部的边缘感知立体匹配研究", 中国优秀硕士学位论文全文数据库, no. 9, 15 September 2019 (2019-09-15), pages 44 *
李亚旋等: "多分量权值的树结构立体匹配算法", 计算机工程与设计, vol. 41, no. 9, 30 September 2020 (2020-09-30), pages 2501 - 2506 *
李锵等: "基于跨尺度随机游走的立体匹配算法", 华南理工大学学报, vol. 48, no. 1, 31 January 2020 (2020-01-31), pages 84 - 92 *
范海瑞等: "一种改进Census变换与梯度融合的立体匹配算法", 光学学报, vol. 38, no. 2, 28 February 2018 (2018-02-28), pages 1 - 11 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071415A (zh) * 2023-02-08 2023-05-05 淮阴工学院 一种基于改进Census算法的立体匹配方法
CN116071415B (zh) * 2023-02-08 2023-12-01 淮阴工学院 一种基于改进Census算法的立体匹配方法
CN116188558A (zh) * 2023-04-27 2023-05-30 华北理工大学 基于双目视觉的立体摄影测量方法

Similar Documents

Publication Publication Date Title
CN110569704B (zh) 一种基于立体视觉的多策略自适应车道线检测方法
CN109377530B (zh) 一种基于深度神经网络的双目深度估计方法
CN110148181A (zh) 一种通用双目立体匹配方法
CN108596975B (zh) 一种针对弱纹理区域的立体匹配算法
WO2018000752A1 (zh) 一种基于多尺度cnn和连续crf的单目图像深度估计方法
CN106780590A (zh) 一种深度图的获取方法及系统
CN107578430B (zh) 一种基于自适应权值和局部熵的立体匹配方法
CN103996201A (zh) 一种基于改进梯度和自适应窗口的立体匹配方法
CN116958437A (zh) 融合注意力机制的多视图重建方法及系统
CN114120012A (zh) 一种基于多特征融合和树形结构代价聚合的立体匹配方法
CN113538569B (zh) 一种弱纹理物体位姿估计方法和系统
CN103996202A (zh) 一种基于混合匹配代价和自适应窗口的立体匹配方法
CN111899295B (zh) 一种基于深度学习的单目场景深度预测方法
CN112734822B (zh) 一种基于红外和可见光图像的立体匹配算法
CN115239870A (zh) 基于注意力代价体金字塔的多视图立体网络三维重建方法
CN110517309A (zh) 一种基于卷积神经网络的单目深度信息获取方法
CN112862736B (zh) 一种基于点的实时三维重建与优化方法
CN111860651A (zh) 一种基于单目视觉的移动机器人半稠密地图构建方法
CN115601406A (zh) 基于融合代价计算和加权引导滤波的局部立体匹配方法
CN115330935A (zh) 一种基于深度学习的三维重建方法及系统
CN115546442A (zh) 基于感知一致损失的多视图立体匹配重建方法及系统
CN115482268A (zh) 一种基于散斑匹配网络的高精度三维形貌测量方法与系统
CN111951339A (zh) 利用异构双目相机进行视差计算的图像处理方法
CN117830538A (zh) 一种基于跨尺度Transformer的多视图立体匹配的三维重建方法
CN113744324A (zh) 一种多相似性测度结合的立体匹配方法

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