双目立体视觉中的稠密匹配算法研究

论文摘要

本课题的背景是为吸尘机器人自动导航系统找出一个快速准确的稠密匹配算法,所以本文围绕着稠密匹配实现的相关步骤,通过理论和实践相结合的方式,深入系统的研究了稠密匹配的相关组成部分和技术难点,旨在找出一个实时准确的稠密匹配算法。全文共分五章,各章内容如下：第一章介绍了了双目视觉的基本理论一—Marr视觉框架,同时调研了国内外机器人视觉的研究现状,阐明了本课题的研究思路、研究难点和主要工作。第二章介绍了线性摄像机的投影模型,然后阐述了张正友正面标定法的原理,实现了基于OpenCV的摄像机标定并同时对输入的图像进行了校正。校正结果表明,标定得到的参数能够满足匹配精度的要求。第三章首先介绍了稠密匹配原理和匹配约束,然后分析了匹配误差和遮挡等匹配难点,接下来重点研究了基于Census非参数变换的立体匹配方法,指出了传统Census匹配方法的局限性,提出通过对图像进行双线性插值来提高精确度,并采用移动求和与定点化技术对算法进行加速。实验结果表明,改进算法和传统Census非参数变换立体匹配算法相比,在非遮挡区域和深度不连续区域,精确度都有所提高。第四章提出了一种改进的基于区域分割的全局匹配算法,该算法首先通过Mean Shift进行图像分割,然后利用粗匹配得到的视差图对分割块进行视差平面拟合与合并,接着利用Graph Cuts全局优化获得视差结果。实验结果表明,本算法在精度上不仅优于Census非参数变换立体匹配,也优于原始和相类似的算法。第五章对本课题的研究工作进行了总结,并对未来的研究进行了展望。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 立体视觉基础
• 1.2.1 Marr视觉理论概述
• 1.2.2 Marr视觉理论框架
• 1.2.3 Marr视觉理论的不足
• 1.3 机器人导航的视觉应用
• 1.3.1 机器人研究现状
• 1.3.2 机器人导航的视觉应用
• 1.4 论文的研究结果和内容安排
• 1.4.1 论文研究思路
• 1.4.2 主要工作和创新点
• 1.4.3 论文的结构安排
• 第2章 立体摄像机标定
• 2.1 立体摄像机标定概述
• 2.2 摄像机辅助知识
• 2.2.1 常用坐标系及坐标转换
• 2.2.2 线性摄像机模型
• 2.2.3 立体摄像机校正
• 2.3 张正友正面标定法
• 2.3.1 张正友正面标定法原理
• 2.3.2 标定流程图
• 2.4 基于OpenCV的标定实验
• 2.4.1 算法流程图和关键点介绍
• 2.4.2 实验结果
• 2.4.3 实验结果分析
• 2.5 本章小结
• 第3章 改进的基于Census的稠密匹配算法
• 3.1 稠密匹配的基本理论
• 3.1.1 视差测距原理
• 3.1.2 视差计算约束
• 3.2 稠密匹配流程图
• 3.2.1 匹配代价计算
• 3.2.2 匹配代价积累
• 3.2.3 视差计算和优化
• 3.2.4 视差精化
• 3.3 稠密匹配难点
• 3.3.1 匹配误差
• 3.3.2 遮挡问题
• 3.4 改进的基于Census的稠密匹配实验
• 3.4.1 Rank变换
• 3.4.2 Census变换
• 3.4.3 改进的基于Census的稠密匹配
• 3.4.4 改进的基于Census的稠密匹配算法实现
• 3.4.5 改进的基于Census的稠密匹配算法加速
• 3.5 立体匹配实验和结果分析
• 3.5.1 实验环境
• 3.5.2 图像预处理
• 3.5.3 实验结果
• 3.5.4 实验结果分析
• 3.6 本章小结
• 第4章 改进的基于图像分割的全局优化匹配
• 4.1 算法概述及系统流程图
• 4.2 Mean shift图像分割
• 4.2.1 Mean Shift原理
• 4.2.2 Mean Shift应用
• 4.3 视差平面估计和拟合
• 4.3.1 Cross Checking
• 4.3.2 过滤不可靠块
• 4.3.3 视差平面拟合
• 4.3.4 视差块合并
• 4.4 改进的自适应可变权值窗口匹配
• 4.5 改进的能量评价函数
• 4.5.1 数据能量
• 4.5.2 平滑能量
• 4.5.3 遮挡能量
• 4.5.4 分割能量
• 4.6 Graph Cuts视差函数优化
• 4.7 立体匹配实验结果和分析
• 4.7.1 图像分割后结果
• 4.7.2 初始视差图结果
• 4.7.3 分割块进行视差平面拟合和合并
• 4.7.4 视差结果分析
• 4.8 本章小结
• 第5章 总结与展望
• 5.1 论文工作总结
• 5.2 未来工作展望
• 参考文献
• 攻读硕士学位期间主要的研究成果
• 致谢