一种基于图割的立体匹配方法【
技术领域：
】[0001]本发明属于双目立体视觉中的图像立体匹配领域，具体涉及一种基于图割的立体匹配方法。【
背景技术：
】[0002]立体匹配是双目立体视觉中最重要也是最困难的一部分，是三维重建的核心技术。立体匹配实际上是对左右两台摄像机从不同视点看同一景物，在左右两幅图像重叠区域寻找对应点的过程。它利用空间物体点在左右摄像机中的成像模型来获取成像视差的过程。立体匹配算法分解为四个步骤：匹配代价计算、匹配代价聚合、视差计算、视差细化。按照约束方式的不同，立体匹配算法可分为区域匹配算法和全局匹配算法。[0003]区域匹配算法对光照强度和对比度的变化非常敏感，同时匹配窗口的选取也是一个难点，当图像存在纹理特征重复和遮挡现象比较严重的情况下会引起匹配混淆，错误匹配概率较高。一个理想的支撑的窗口在纹理弱的区域尽可能地大，在深度不连续区域尽可能小。固定窗口在处理不连续区域时会匹配错误，一些研究者改进了基于窗口匹配的方法，包括自适应窗口，变化窗口，十字窗口，从而解决深度不连续的问题。Weber用Census变换和GPU的算法匹配（详见文献Μ·Weber,Humenberger,W.Kubinger.Averyfastcensus-basedstereomatchingimplementationonagraphicsprocessingunit.IEEE，WorkshoponEmbeddedComputerVision，2009,786~793)，达到了实时的效果；Yong，Kweon结合心理学格式塔效应将双边滤波引入到立体匹配，提出了经典自适应权重算法（AdaptiveSupport-Weight)(详见文献Kuk-JinYoon，InSoKweon.AdaptiveSupport-WeightApproachforCorrespondenceSearch.IEEE,TransactiononPatternAnalysisandMachineIntelligence，2006,28(4):650~656)。得益于双边滤波的保边缘特性，经典自适应权重算法解决了局部立体匹配算法中常见的视差边缘模糊问题，降低了误匹配率，准确率可以达到和基于全局优化算法相近的效果，但自适应权重算法存在计算量大等问题全局立体匹配算法则是通过构建一个全局的能量函数来求取视差，全局立体匹配算法将视差的最优化问题转换成了求取能量函数的最小值问题，有效地将图像信息整合在了一起，计算时需要对图像从整体上去分析和处理，算法精确度较高，但运算量大。R0Y和C0X首次将图割方法引入到立体匹配算法中（详见文献S.RoyandI.Cox.AMaximum-FlowFormulationoftheCameraStereoCorrespondenceProblem.ComputerVision，1998,492~499)，用图割法实现能量最小。在全局的匹配算法，如图割算法（详见文献Y.Boykov，0·Veksler，R.Zabih.FastApproximateEnergyMinimizationviaGraphCuts.IEEE,TransonPatternAnalysisandMachineIntelligence，2001，23(11):1222~1239)、置信度扩展传播（BeliefProgramm，BP)(详见文献SunJian，ZhengNanning，ShumYH.StereoMatchingUsingBeliefPropagation.IEEE,TransactiononPatternAnalysisandMachineIntelligence，2003,25(7):787~800)和动态规划（DynamicProgramming，DP)(BAKERΗΗ·Depthfromedgeandintensitybasedstereo.1981.631-636)等算法能够对整个图像进行有效的约束，匹配结果也较局部匹配算法精确，但是实时性不好，匹配时间过长。因此，减少算法计算量的基础上同时保证算法的精度是双目立体匹配中的一个技术难题。【
发明内容】[0004]本发明的目的在于提供一种基于图割的立体匹配方法，能够在保证图像匹配精度的情况下提高匹配效率。[0005]为了解决上述技术问题，本发明提供一种基于图割的立体匹配方法，包括以下步骤：[0006]步骤一、用MSERDoG算子对左右两幅图像提取支撑点；[0007]步骤二、将支撑点的像素灰度值作为匹配代价、固定窗口作为代价聚合对左右两幅图像的支撑点进行匹配，求得支撑点的视差；[0008]步骤三、计算左右两幅图中每个像素点的DAISY描述符算子；[0009]步骤四、将支撑点的视差作为图割算法中的标号，将每个像素点的DAISY描述符算子作为图割算法中能量函数的数据项用于图割算法中，最终通过求取能量函数最小值求得稠密视差图，实现立体匹配。[0010]本发明与现有技术相比，其显著优点在于，（1)将每个像素点的DAISY描述符算子作为图割算法能量函数的数据项，DAISY描述符算子是高维描述算子，包含像素点丰富的特征信息，因此提高了匹配精度；（2)将支撑点的视差作为图割算法中的标号，而不是在可能的视差值范围内逐个取值作为标号，相较于传统的图割算法大大降低了计算量，从而提高了算法的实时性。【附图说明】[0011]图1是本发明方法流程图；[0012]图2是本发明中使用的代价聚合窗口；[0013]图3是本发明中使用的子窗口；[0014]图4是本发明中使用的DAISY描述符；[0015]图5是本发明仿真实验中使用的Tsukuba测试图；[0016]图6是本发明仿真实验中获得的视差图。【具体实施方式】[0017]结合图1，本发明一种基于图割的立体匹配方法，步骤如下：[0018]步骤一、获得较多的支撑点是本发明的第一步，如果支撑点太少或者分布不均匀，会严重阻碍后面稠密视差的准确获取。本发明用MSERDoG算子对左右两幅图像提取支撑点，该算子即使在纹理不丰富的区域也能提取出较多支撑点。[0019]MSERDoG算子是高斯差分DoG(differenceofGaussian)空间下提取最大稳定极值区MSER(maximallystableextremalregions)。先对图像进行高斯卷积得到尺度空间，然后将尺度空间中相邻两帧图像相减得到高斯差分空间。在高斯差分空间中，每个像素点的值反应了该像素点和邻域像素点的灰度对比关系。如果图像中的某像素点的灰度值明显高于其邻域像素点的灰度值，在尺度空间中，经过高斯卷积后得到高斯差分的结果为负值；如果图像中的某像素点的灰度值明显低于其邻域像素点的灰度值，在尺度空间中，经过高斯卷积后得到高斯差分的结果为正值，其绝对值大小表示该像素点与邻域像素点在一定尺度下的灰度对比度。在高斯差分空间中，可以得到大量的高斯差分图，对每一个高斯差分图，按结果值的正负号分成两个图，然后分别提取最大稳定极值区域。[0020]用椭圆拟合MSERDoG算子检测得到最大稳定极值区域，将椭圆区域的中心作为特征点，即为本发明的主要支撑点。[0021]有关MSERDoG算子的详细信息可以参见有关文献（陈占军，戴志军，吴毅红.建筑物场景宽基线图像的准稠密匹配.计算机科学与探索）。[0022]步骤二、将支撑点的像素灰度值作为匹配代价、固定窗口作为代价聚合对左右两幅图像的支撑点进行匹配，如果左图中以某个支撑点为中心的代价聚合窗口内的像素灰度值总和与右图中以某个支撑点为中心的代价聚合窗口内的像素灰度值总和之差最小，则该两个支撑点匹配，进一步求得支撑点的视差。[0023]代价聚合窗口如图2所示。图2中A0，A1，A2,A3,A4分别为子窗口，每个子窗口又如图3所示，图3中的点为图像中的像素点。[0024]步骤三、计算左右两幅图中每个像素点的DAISY描述符算子，DAISY描述符的结构如图4所示，以一个像素点为中心，构成3个不同半径的同心圆环形结构；该区域为同心圆支撑区域；相应的采样点位于上述不同半径的同心圆环上，当前第1页1 2