[发明专利]一种获取视差图的方法

说明书

本申请提供了一种获取视差图的方法，能够将左、右视点图像中像素点的支持窗口内像素加权平均灰度值作为支持窗口的Census变换参考值，其中的权重根据支持窗口内的空间差异信息和像素差异信息确定，并根据支持窗口的Census变换参考值获取相应的变换比特串，再根据获取的左、右视点图像的变换比特串之间的汉明距离，获取初始图像匹配代价，再进一步获取视差图，从而使得获取的比特串包含了更多的状态信息，改善了Census变换的匹配精度，算法的计算效率更高，更适合用于移动平台或实时性要求较高的应用领域。

技术领域

本申请涉及计算机视觉领域，尤其涉及一种获取视差图的方法。

背景技术

立体视觉是计算机视觉领域的一个至关重要的分支，它是一种通过模拟人类视觉原理、使用计算机被动感知距离的技术，立体视觉从两个或多个点观察同一个物体，从而获取不同视角下的物体图像，再根据图像之间像素的匹配关系找到对应的匹配点，从而得到像素之间的偏差，再进一步通过三角测量即可获取物体的景深信息。

立体匹配是立体视觉的关键技术步骤，目的是在物体图像对中找到同源点。20世纪80年代，美国麻省理工学院的学者Marr提出一种计算机理论并应用在双目匹配中，从而可以使两张有视差的平面图产生具有深度的立体图形，从而奠定了双目立体匹配技术发展的理论基础，随着双目立体匹配理论的不断发展，双目立体匹配算法也得到了持续不断地优化。

立体匹配的过程可以分为四个步骤，分别为：代价计算、代价聚合、视差选择或优化以及视差强化。代价计算是在视差范围内计算疑似匹配点之间的代价。代价聚合是通过固定框或其他的聚合方式聚合匹配代价。代价选择是在视差范围内选择最小代价对应的视差作为该像素点的视差值。代价优化是通过优化能量函数来求解视差图。视差强化是对初始视差图进行左右一致性检测、空洞填充等。

双目立体匹配算法中最常用的算法是Census变换算法，该算法将物体图像对的中心像素灰度值与支持窗口内所有像素进行比较、生成匹配模板，然后进行非参数变换获得比特串，最后通过比特串之间汉明距离计算匹配代价，该算法对中心像素的依赖性强，抗干扰能力差。学者Chang等人提出用支持窗口内所有像素的均值作为参考值的算法(MCT)，MCT算法将邻域像素信息融入参考值的计算，进一步提高了单像素匹配代价的可靠性，但不能很好地利用中心像素与邻域像素之间的关系。学者Fan等人提出用支持窗口内所有像素的加权平均灰度值作为参考值的算法(SWCT)，其中权重由支持窗口内像素的空间信息决定，SWCT算法进一步提高了Census算法的稳健性，但忽略了窗口内邻域像素与中间像素的差异信息，效果比较一般。

发明内容

本申请的一个目的是提供一种获取视差图的方法，用于解决现有技术下立体匹配算法匹配精度低、易受噪声影响的问题。

为实现上述目的，本申请提供了一种获取视差图的方法，其中，该方法包括：

获取左视点图像中的第一像素点，并计算以第一像素点为中心点的第一支持窗口内像素加权平均灰度值，将所述像素加权平均灰度值作为第一支持窗口的Census变换参考值，其中的权重根据第一支持窗口内空间差异信息和像素差异信息确定；并根据所述第一支持窗口的Census变换参考值，获取所述第一支持窗口的第一Census变换比特串；

获取右视点图像中与所述第一像素点对应的第二像素点，并计算以所述第二像素点为中心点的第二支持窗口内像素加权平均灰度值，将所述像素加权平均灰度值作为第二支持窗口的Census变换参考值，其中的权重根据第二支持窗口内空间差异信息和像素差异信息确定；并根据所述第二支持窗口的Census变换参考值，获取所述第二支持窗口的第二Census变换比特串；

根据所述第一Census变换比特串和所述第二Census变换比特串的汉明距离，获取初始图像匹配代价；

根据所述初始图像匹配代价，获取视差图。

进一步地，所述左视点图像和右视点图像通过双目设备获取，并进行了预先校正。