[发明专利]基于抗纹理十字和权值十字的立体视差优化方法

说明书

本发明公开一种基于抗纹理十字和权值十字的立体视差优化方法。主要解决现有技术视差优化方法所得视差图不准确的问题。其实现步骤为：1)对原左右视差图进行错误点检测，得到错误点集合；2)对原始彩色图像预处理，提取其结构信息；3)对每个错误点，利用结构信息构建其支持区域；4)对每个支持区域的点，计算其视差代价；5)利用支持区域，通过计算相邻点权重，构建权值十字；6)对可选视差的每一层，由权值十字进行上下两步信息传递的视差代价聚合；7)利用视差聚合总信息量，选择错误点的最佳视差；8)重复(3)‑(7)，直至所有错误点被更新。本方明能够快速准确地对原始视差图进行视差优化，可用于双目立体匹配。

技术领域

本发明属于计算机视觉领域，具体涉及一种立体视差优化方法，可用于无人驾驶、3D跟踪和智能机器人系统。

背景技术

立体匹配一直是计算机视觉领域一个重要的研究课题。从两幅可匹配的彩色图像中生成视差图在很多领域中得到很广泛的应用，如无人驾驶、3D重建、3D跟踪。

现有的立体匹配算法被Scharstein等人分为两类：全局算法和局部算法。全局算法虽然准确率好，但运算复杂度很高。局部算法效率高，但由于实时性需求广泛，成为目前的主要研究对象。局部算法，通常分为四个步骤：匹配代价计算、代价聚合、视差计算和视差优化。

近些年来，很多局部算法被提出，但所有的局部算法都需要通过构建支持区域来找到像素点的相似点。文献(K.Zhang et al.，“Cross-based local stereo matchingusing orthogonal integral images.”IEEE Trans.on Circuits and Systems forVideo Technology,2009,19(7)：1073-1079)提出一种基于十字的局部立体匹配算法。该算法可以构建一个较为准确的支持区域。梅等人(参见，“On building an accurate stereomatching system on graphics hardware.”IEEE Int’l Conf.on Computer VisionWorkshops.pp.467-474,2011)通过改变十字的终止条件，改进了该算法。但这两种算法均是基于颜色相似性和距离，受到彩色图像中纹理信息的干扰。视差值在图像纹理区域虽无变化，但是这些区域通常会有变化的深度，影响十字的延伸。而且支持区域中正确像素点个数也比较少。更加重要的是，这两种方法无法识别物体边界，导致最终视差图中边界模糊。

最近，文献(Q.Yang,“A non-local cost aggregation method for stereomatching,”Int’l.Conf.Computer Vision and Pattern Recognition,pp.1402-1409,2012)提出了一种基于树结构的聚合方法。在该方法中，一幅图像被看作一个四连通的无向图。图像中每个点都对应图中一个节点。每两个相似的相邻节点被一个边相连。边被排序并且被用来选择基于最小生成树中的权值。在代价聚合阶段，信息从一个节点传到相邻节点。在这之后，文献X.Mei et al.,“Segment-tree based cost aggregation for stereomatching,”IEEE Int’l.Conf.Computer Vision and Pattern Recognition,pp.313-320,2013又提出了一种分割树方法，用来改进树的结构。这种方法把一棵最小生成树分割成若干棵树来作为支持区域。但是，这两种基于树结构的算法也受到图像中纹理区域的干扰，图像中的纹理区域虽然不会影响视差，但是在构建最小生成树中，会导致相邻点权值很大，最小生成树的结构因此而改变，从而导致信息在纹理区域传递被阻隔，致使结果不准确。