视差值计算装置、物体识别系统、视差值计算方法
【技术领域】
[0001] 本发明设及视差值计算装置、移动体、机器人、物体识别系统、视差值计算方法，具 体设及根据对同一个对象物拍摄的基准图像和比较图像来计算该对象物的视差值。
【背景技术】
[0002] 目前在汽车行业中广泛采用测距方法，来测定汽车之间或汽车与障碍物之间的距 离，防止发生交通事故。测距方法用立体照相机拍摄对象体，并应用立体图像法求出表示该 对象物视差大小的视差值，进而根据=角测量原理，计算立体照相机与对象体之间的距离。
[0003] 在上述视差值计算中采用立体匹配处理。具体为，用构成立体照相机的一对照像 机拍摄同一个对象物，W其中一台照像机拍摄的图像作为基准图像，另一台照相机拍摄的 图像作为比较图像，针对基准图像内的目标基准像素，依次检测比较图像内多个对应像素 的候补，求出图像信号最为类似的对应像素的位置，从而检测基准图像和比较图像之间的 的视差值。立体匹配处理中，一般通过比较两台照像机拍摄的图像信号的灰度值，来求出灰 度值评估值（在此为非类似度）最低的像素位置。
[0004] 近年来为了防止立体匹配处理中的匹配错误，如专利文献1 (JP特开2006-090896 号公报）公开了使用块匹配算法，比较图像之间灰度差较大的区域，也就是比较边缘部分 的灰度值。
[0005] 但是，块匹配算法对于质地不清晰且缺乏可供提取特征区域的对象体，难W获得 显著效果。
[0006] 对此，专利文献2 (JP特开2012-181142号公报）公开了一种能够正确计算质地不 清晰对象体的视差值的方法。该方法通过汇集基准图像上的目标基准像素W及该基准像素 周围的像素的评估值来求出视差值。为此，该方法能够求出对象体的整体图像，不仅可用于 测距，而且还能够区别对象体是标识还是汽车等，用于对对象体进行分类。
[0007] 专利文献2公开的方法虽然能够求出质地不清晰的对象物的视差值，但是如果质 地不清晰的对象物周围存在质地鲜明的对象物，前者的视差值计算将受到后者影响，难W 求出正确的视差值。
【发明内容】
[0008] 为了解决上述问题，本发明提供一种用于计算从第一摄像位置和从第二摄像位置 拍摄同时拍摄摄影对象而获得的基准图像和比较图像之间视差大小的视差值计算装置，其 特征在于，包含W下各部；评估值计算部，用来计算将所述基准图像中的基准区域分别与、 所述比较图像中指定范围内包含与所述基准区域相对应的对应区域在内的多个区域进行 比较的评估值；评估值合成部，用来合成所述评估值计算部求出的所述基准图像中所述基 准区域周围的区域的评估值和所述基准图像中该基准区域的评估值，求出合成评估值；视 差值计算部，用来根据所述评估值合成部合成的所述合成评估值，求出所述摄影对象在所 述基准区域中的视差值；W及，视差值补偿部，用来将所述基准图像内包含指定区域在内的 多个区域作为空间过滤对象区域，对该空间过滤对象区域施加空间过滤处理，补偿该指定 区域的视差值。
[0009] 本发明的效果在于，在视差值计算中通过实行空间过滤处理，避免质地不清晰对 象体的视差值计算受到周围存在的质地鲜明对象体的影响，正确计算质地不清晰对象体的 视差值。
【附图说明】
[0010] 图1是用来说明摄像装置于物体之间距离的计算原理的示意图。
[0011] 图2A是基准图像，图2B是图2A的高密度视差图像的示意图，图2C是图2A的边 缘视差图像的示意图。
[0012] 图3A是基准图像中基准像素的不意图。图3B是在比较图像中依次移动对应像素 候补，计算与图3A中的基准像素相对应的对应像素的评估值的示意图。
[0013] 图4是表示移动量与评估值之间关系的曲线图。
[0014] 图5是计算合成评估的示意图。
[0015] 图6是表示移动量与合成评估值之间关系的曲线图。
[0016] 图7A是搭载本发明的一种实施方式设及的物体识别系统的汽车的侧视图，图7B 是该汽车的正视图。
[0017] 图8是物体识别系统的外观立体图。
[0018] 图9是物体识别系统整体硬件结构示意图。
[0019] 图10是视差值计算装置主要部分的硬件构成图。
[0020] 图11是本实施方式中用来计算视差值的处理流程图。
[0021] 图12是视差值补偿方法的处理流程图。
[0022] 图13A和图13B是介质过滤处理的一例示意图。
[0023] 图14是移动量与合成评估值之间关系的曲线图。
[0024] 图15A和图15B是用介质过滤进行视差值补偿的处理的示意图。
[00巧]图16是经过视差值补偿而生成的高密度视差图像的示意图。
[0026] 图17A是基准图像示意图，图17B是图17A所示的基准图像中用虚线围绕的一部 分图像的放大图，图17C是用现有的SGM算法得到的一部分图像的高密度视差图像的示意 图，图17D是用一规定值进行视差值补偿时得到的一部分图像的高密度视差图像，图17E是 用另一较大规定值进行视差值补偿时得到的一部分图像的高密度视差图像。
【具体实施方式】
[0027] W下参考附图描述本发明的实施方式。
[002引《关于利用SGM算法的测距方法》
[0029] 首先参考图1至图6,概述利用SGM(Semi-GlobalMatching)算法的测距方法。SGM 算法是公知的算法，在此仅略作介绍。
[0030] <测距原理〉
[0031] W下参考图1，说明用立体图像法求出立体照相机相对于拍摄的对象体的视差，用 表示该视差大小的视差值，测定立体照相机与对象体之间距离的原理。图1是用来说明摄 像装置于物体之间距离的计算原理的示意图。w下为了便于说明，用一个像素而不是多个 像素构成指定区域。
[0032] 但在用多个像素构成指定区域的处理中，W包含基准像素的指定区域为基准区 域，并W包含对应像素的指定区域为对应区域。而基准区域中可能只有基准像素，对应区域 中可能只有对应像素。
[0033] 视差估的计算
[0034] 设用图1所示的摄像装置10a和摄像装置1化拍摄的图像分别为基准图像la和 比较图像Ib。摄像装置10a和摄像装置1化被平行设置为相对于水平线处于同等高度。在 图1中，S维空间内的拍摄的对象体E上的点S被设为与摄像装置10a和1化处于同一水 平线上。换言么点S在基准图像la中对应点Sa(x，y)，在比较图像Ib中对应点訊化y)。 此时，按照W下的式1，可用摄像装置10a上的坐标中的点Sa(x，y)和摄像装置10b上的坐 标中的点訊狂，y)来表示视差值A。
[00；35]A=X-X(式 1)
[003引在图1所示的情况下，设基准图像la中的点Sa(x，y)与从镜头11a至臟像面上的 垂线的交点之间距离为Aa，比较图像扣中的点訊狂，y)与从镜头1化到摄像面上的垂线 的交点之间距离为Ab，因而，视差值A=Aa+Ab。
[OOW]距离计算
[003引关于用视差值A计算摄像装置10a和1化与对象体E之间的距离Z具体如下。距 离Z是包含镜头11aW及镜头1化的焦点位置的面到对象体E上的特定点S之间的距离。 如图1所示，根据式2,用镜头11a和Ub的焦距f、镜头11a和1化之间的距离即基线长度 B、视差值A来计算距离Z。
[003引Z=等，（式。
[0040] 从式2可知，视差值A越大，距离Z则越小，相反，视差值A越小，距离Z则越大。
[0041]<SGM算法〉
[0042]W下参考图2至图6,描述利用SGM算法的测距方法。图2A是基准图像，图2B是 相对于图2A的高密度视差图像的示意图，图2C是相对于图2A的边缘视差图像的示意图。 高密度视差图像是用SGM算法，根据基准图像求出的图像。该图像显示基准图像上各坐标 的视差值。边缘视差图像是用现有的块视差算法求出的图像，该图像仅显示质地相对鲜明 如边缘部分的视差值。
[0043]SGM算法适用于计算质地不清晰物体的视差值，根据图2A所示的基准图像，求出 图2B所示的高密度视差图像。而用块匹配算法能够根据图2A所示的基准图像，求出图2C 所示的边缘视差图像。比较图2B和图2C中W虚线围绕的楠圆形部分可知，相比于边缘视 差图像，高密度视差图像更加细致地显示了质地不清晰的道路等的详细信息，因而有利于 更加详细的测距。
[0044]SGM算法在求出表示非类似度的评估值之后并不立刻计算视差值，而是进一步求 出合成评估值，最后获得基本上能够表示所有像素视差值大小的视差图像（在此为高密度 视差图像）。
[0045] 而块匹配算法在计算评估值时与SGM算法相同，但不计算合成评估值，仅求出质 地比较鲜明如边缘部分的视差值。视差值的计算方法也可W称作为视差值的产生方法。
[0046] 评估估的计算
[0047] 首先参考图3和图4说明评估值的计算方法。图3A是基准图像中基准像素的示 意图。图3B是在比较图像中依次移动对应像素候补，