基于区域增长的立体匹配算法研究

• 作 者: 王琼
• 机 构: 西南交通大学
• 出 处: 西南交通大学
• 发表日期: 2015年期
• 关键词: 机器视觉 立体匹配 区域增长 光照不均 Census变换 低纹理图像

眼睛是人类获取外界信息的主要手段。计算机通过模拟人眼系统进行观察、识别、获取三维场景的信息,并作出相应的分析。计算机视觉能够代替人眼在多种危险场合工作,故对机器视觉的研究具有重要的意义。立体匹配是计算机视觉领域的重点和难点,如何快速地实现高精度的立体匹配是近年来众多学者研究的重点。因基于区域的立体匹配算法具有诸多优势,故本文用其对图像进行相应的立体匹配。论文主要工作如下：1)光照的变化对图像像素的灰度有一定的影响,针对传统Census变换算法因过度依赖中心像素点灰度值导致匹配误差大的问题,本文提出一种改进的高鲁棒性Census变换算法。该算法首先利用变换窗口灰度均值与局部反差值之和代替中心像素点的灰度值进行相应的变换,提高了变换结果的抗噪性和不同子块之间的区分度。然后,采用高斯加权变换窗口提高离中心点近的像素点的权重,有效减小边界不连续区域对匹配的影响。最后,对Middlebury数据库里的图像添加仿真光照,并用其提供的真实匹配值计算本文算法匹配精度。实验结果表明,与传统算法比较,本文算法具有更高的匹配精度,更强的鲁棒性。2)研究了区域增长算法的原理和扩张步骤,针对传统区域增长方法在处理低纹理图像时,因为种子点个数不够,导致无法进行大范围增长的问题,提出一种融合SIFT特征点与轮廓信息的匹配算法。该算法首先进行SIFT特征点匹配以及图像边缘的提取。然后,采用两层匹配法对轮廓点进行匹配：第一步,利用特征点和极线约束等指导轮廓点进行粗匹配；第二步,采用边缘相关性约束,加入特征向量信息实现轮廓点的精匹配。最后,将高精度的轮廓点和SIFT特征点一起作为种子点完成后续区域增长等过程。理论分析与实验表明,与传统区域增长算法相比,本文能够得到更多种子点,匹配范围更广,匹配精度更高。