[发明专利]一种用于鱼眼图像的非局部立体匹配算法

说明书

本发明公开了一种用于鱼眼图像的非局部立体匹配算法，首先根据鱼眼相机成像模型推导出鱼眼立体系统的对极曲线约束，以极曲线约束为基础规范对应点的搜索路径计算初始匹配代价；然后对初始匹配代价空间进行信任传播优化，防止大面积的错误代价值进入代价聚合过程，将基于最小生成树(MST)的非局部代价聚合算法应用于鱼眼图像，对优化后的匹配代价空间进行代价聚合；最后使用赢家通吃策略计算视差图，对视差误匹配区域进行基于视差的分块优化，从而获得鱼眼图像稠密视差结果。

技术领域

本发明涉及一种用于鱼眼图像的非局部立体匹配算法，属于计算机视觉领域。

背景技术

立体匹配技术是计算机视觉领域主要的研究方向之一，通过双目相机拍摄同一场景的左右图像，运用立体匹配算法获取视差图，可以用于三维重建。但是随着应用场景需求的提高，对匹配效率的要求也越来越高，更多的匹配算法希望能够在短时间内最大可能的获取更多的范围信息。这对普通图像来说，变得很难实现，由多台相机组成的大视场的成像系统虽然可以获取整个范围内的信息，但却存在图像处理算法复杂度高,系统成像延时严重等问题。

鱼眼镜头是一种焦距很短但是视角却能够接近180度的广角镜头,一张图像可以一次性捕捉到整个半球甚至更广阔的视场内的景物。相比于多台普通相机组成的成像系统,鱼眼图像处理具备简单实时性强等优点，在很多需要大视场角的领域都得到广泛应用。现阶段鱼眼图像的立体匹配过程主要可以分为两类：一类是对鱼眼图像进行矫正，将鱼眼图像矫正成普通图像，对得到的矫正图像进行立体匹配算法获得视差图，但是鱼眼图像变形严重，其矫正本身就是一个复杂的问题，矫正过程中迭代处理容易造成细节信息的丢失，影响后续匹配的精度。另一种则是直接在鱼眼图像上进行立体匹配算法，通过鱼眼相机成像模型建立鱼眼图像对的极曲线对应方程，利用求得的极曲线对极约束，实施立体匹配算法，可以实现鱼眼图像的立体匹配，从而获得视差图像。但是现有的鱼眼图像匹配方法得到的视差图是稀疏的或者局部的，很少能够得到鱼眼图像的稠密视差结果。

发明内容

鱼眼图像的立体匹配算法尚未成熟，针对以上问题，本发明提供一种适应于鱼眼图像的匹配速度快、匹配精度高、抗噪声能力强的鱼眼图像非局部立体匹配方法，从而获得鱼眼图像稠密视差图。

为解决上述技术问题，本发明所采用的技术方案是：

一种用于鱼眼图像的非局部立体匹配算法，包括如下步骤：

S1：使用像素的颜色信息和梯度信息计算匹配代价，得到左右鱼眼图像的初始匹配代价空间；

S2：对初始匹配代价空间进行信任传播过程；

S3：使用鱼眼图像作为输入构建最小生成树，并对S2优化后的匹配代价空间进行非局部的代价聚合；

S4：采用赢家通吃策略，计算聚合后的匹配代价空间得到视差图；

S5：对S4得到的鱼眼图像视差图执行一致性检查，分离出误匹配区域进行进行基于视差的分块优化，求得鱼眼图像稠密视差结果。

本发明技术方案的进一步改进在于：所述步骤S1的具体步骤如下：

颜色信息部分的代价值计算公式为:

式中，I_i(p)代表p像素对应i通道的颜色分量，d表示视差；

梯度信息的代价值是由像素点的极曲线方向上的梯度计算求得，公式为：

式中，代表p像素的在极曲线方向上的梯度值；

将两部分代价值进行归一化处理，然后叠加到一起，总的匹配代价值为: