[发明专利]一种基于水平树结构的可变权重代价聚合立体匹配算法

说明书

本发明是一种基于水平树结构的可变权重代价聚合立体匹配算法，该方法包括计算匹配代价、计算引导图像、构建水平权值树与垂直权值树、代价聚合、更新权值树、代价聚合和视差优化等阶段。在代价聚合阶段获得初始视差值后，对四领域图边的权值进行相应的调整，将平滑约束和权值调整结合起来，通过对四领域图边的权值更新，构建新的水平权值树和垂直权值树，沿着水平树、垂直树聚合，代价聚合结果表明对背景区域和图像边界区域匹配精度有一定提高。

技术领域

本发明属于计算机立体视觉领域的立体匹配部分，涉及到一种基于水平树结构的可变权重代价聚合立体匹配算法，可应用于虚拟现实、机器人导航、3D场景绘制与重建等领域。

背景技术

立体匹配是根据同一场景内不同视角下的两幅图像，通过寻找像素之间的对应关系来获得3D场景中物体的深度信息的过程。它是计算机视觉领域中最悠久且尚未解决的问题之一。

根据约束条件的不同，立体匹配算法可分为全局立体匹配和局部立体匹配两类。现行的全局匹配算法通常考虑局部的颜色信息和结构信息，并为图像建立全局的能量函数，通过一些优化方法，如置信度传播、动态规划、图割等来为每个像素点分配视差值。虽然全局立体匹配算法有较高的匹配精度，但是其复杂度和运算量过大，往往需要分布式系统和专用计算设备的支持，难以满足实时性要求。局部立体匹配由于每个像素点只依靠相邻像素的支持，而这些提供支持的邻域像素，必须具备深度相似性。而支持窗口的的大小、形状在没有图像的先验信息的情况下很难确定。若采用固定的小窗口可以很好的估计丰富纹理区域和边缘区域的视差值，但是导致弱纹理区域的误匹配，并且易受噪声影响。而较大的窗口对弱纹理区域匹配较好，但是会导致深度不连续区域过于平滑，即前景膨胀现象。

Yang于2015年提出了一种新颖的代价量正则化(cost volume regularization)和水平树权值传播相结合的非局部立体匹配算法。其中水平树权值传播方法利用图论中的概念，把参照图像视为一个4连通无向图结构。其将图像中每个像素点作为一个节点，像素点与相邻像素之间的距离作为权重支持，所有像素沿着水平树和垂直树结构通过权值传播对目标像素提供支持。针对大多数局部立体匹配都基于一基本假设-局部支持区域视差相同。其得到的视差图出现视差分层现象且对于倾斜平面视差估计很差。因此Yang在代价聚合阶段引入全局匹配中的平滑项(smoothness terms)的思想，大大增加了倾斜平面的视差精度。但是该算法在代价聚合阶段只使用颜色信息计算四邻域边的权值，忽视了真实场景中颜色相同区域可能深度不同，不同颜色区域可能深度相同现象。这导致图像背景区域和相同颜色边界区域视差估计不准确。

发明内容

本发明所要解决的技术问题是，针对前述现有技术的缺陷，提出一种基于水平树结构的可变权重代价聚合立体匹配算法，提高匹配精度。

本发明通过下述技术方案解决前述技术问题：

一种基于水平树结构的可变权重代价聚合立体匹配算法，包括如下步骤：

(1)计算匹配代价：分别选取左、右图像为参考图，利用图像的亮度信息、水平梯度信息计算匹配代价；

(2)计算引导图像：对左右参考图像进行窗口大小为3*3的中值滤波获得引导图像，减小图像噪声对代价聚合阶段中的权值计算的影响；

(3)构建水平权值树与垂直权值树：根据四邻域像素之间的颜色差异构建水平权值树与垂直权值树；

(4)计算代价聚合值：把图像中的每个像素当做一个节点，根据步骤(3)得到的权值和Yang提出的代价量正则化对步骤(1)获得的每个像素点的匹配代价值进行代价聚合；

(5)计算初始视差图：利用“胜者为王”算法(英文名称为：Winner Take All，简称为WTA算法)获得初始视差图，这个算法是在视差范围内通过选择每个像素聚合后的匹配代价中最小值所对应的视差值作为最终视差值，获得初始视差图D；