The invention discloses a fast binocular stereo matching method based on hyper pixel segmentation. (1) using SLIC (Simple Linear Iterative Clustering) segmentation method of super pixel reference map and map the original target region; (2) partial matching algorithm based on adaptive weight to calculate the original disparity space image; (3) regional disparity plane fitting based on confidence point; (4) the use of cluster the algorithm to merge adjacent regional disparity plane; (5) the stereo matching function to construct energy cost based on super pixel region. Stereo matching unit of the invention is formed with edge information based on image pixel area, so that the algorithm can be applied to large untextured regions, but also to precisely locate the depth limit, the matching cost than traditional stereo matching method is better, combined with parallax postprocessing method can effectively obtain the disparity map with high precision, and has a better real-time performance.
【技术实现步骤摘要】
一种基于超像素分割的快速双目立体匹配方法
本专利技术涉及双目立体视觉图像处理
,尤其涉及一种基于超像素分割的快速双目立体匹配方法。
技术介绍
双目立体视觉是模拟人类双目视觉系统,基于视差原理并利用成像设备从不同位置获得被测物体的两幅图像,通过计算图像对应点间的位置偏差,来获取物体的三维几何信息的方法。双目立体视觉算法主要包括图像获取、摄像机标定、图像校正、立体匹配和三维重建等五个部分。其中立体匹配是整个算法的核心部分,匹配产生的视差图的优劣直接影响到三维重建的效果。由于场景中诸多因素,如光照、噪声及摄像机内部特性等外界环境的干扰,对立体匹配的精度提出了挑战。目前,传统的立体匹配的方法主要分为三大类:基于特征的匹配算法、基于局部的匹配算法和基于全局的匹配算法。基于特征的匹配算法得到的是稀疏的视差图,要得到致密的视差图,必须通过插值得到。基于局部的匹配算法运算速度快,但在低纹理和深度不连续区域匹配效果差。基于全局的匹配算法能够得到较高精度的匹配结果,但计算速度慢。
技术实现思路
为了在大块无纹理区域的立体匹配中获得高精度的致密视差图和较好的实时性,本专利技术提供了一种基于超像素分割的快速双目立体匹配方法,以实现匹配精度和运行速度的平衡。本专利技术的目的是通过以下技术方案来实现的:一种基于超像素分割的快速双目立体匹配方法,包括以下步骤:1)图像预处理,对立体图像对的参考图像和目标图像分别进行Z-score标准化处理。2)采用SLIC超像素分割方法将原始的参考图像及目标图像进行区域划分。3)基于自适应权重的局部匹配算法来计算原始视差空间图。4)进行左右一致性检测 ...
【技术保护点】
一种基于超像素分割的快速双目立体匹配方法,其特征在于,包括以下步骤:1)图像预处理,对立体图像对的参考图像和目标图像分别进行Z‑score标准化处理。2)采用SLIC超像素分割方法将原始的参考图像及目标图像进行区域划分。3)基于自适应权重的局部匹配算法来计算原始视差空间图。4)进行左右一致性检测,标记置信点,基于置信点进行区域视差的平面拟合。5)运用聚类算法来进行相邻区域视差平面的合并。6)基于超像素区域,考虑置信区域提供的数据项、遮挡区域提供的惩罚项和相邻区域之间提供的平滑项,构建能量代价函数,从而实现参考图像和目标图像的匹配。
【技术特征摘要】
1.一种基于超像素分割的快速双目立体匹配方法,其特征在于,包括以下步骤:1)图像预处理,对立体图像对的参考图像和目标图像分别进行Z-score标准化处理。2)采用SLIC超像素分割方法将原始的参考图像及目标图像进行区域划分。3)基于自适应权重的局部匹配算法来计算原始视差空间图。4)进行左右一致性检测,标记置信点,基于置信点进行区域视差的平面拟合。5)运用聚类算法来进行相邻区域视差平面的合并。6)基于超像素区域,考虑置信区域提供的数据项、遮挡区域提供的惩罚项和相邻区域之间提供的平滑项,构建能量代价函数,从而实现参考图像和目标图像的匹配。2.根据权利要求1所述的一种基于超像素分割的快速双目立体匹配方法,其特征在于,所述步骤2)中,分别对立体图像对的参考图像和目标图像进行SLIC超像素分割,首先以步长:的距离来划分超像素,式(1)中N为图像中像素点的个数,k为预分割成相同尺寸的超像素个数。然后计算距离,对于CIELAB颜色空间中的彩色图像,每个像素点用一个五维的向量[li,ai,bi,xi,yi]表示,其中l,a,b表示的是颜色信息,x,y表示的是空间信息。对于两个像素点之间的距离,定义:式(4)中,m为一常数参数,用来表示空间和像素颜色的相对重要性的度量。对输入的长宽分别为Width和Height的二维图像,分别在X方向和Y方向以S个像素为步长初始化簇块,得到BlockWidth*BlockHeight个尺寸为S2的簇,其中,定义每个S2块内的中心坐标点为簇心,即种子坐标。对种子坐标为中心的2S*2S范围内所有像素,求这些像素到种子坐标像素的距离度量因子D,相邻簇之间的重叠区域的像素分配到最小距离度量因子D对应的簇类,用BlockIndex标记。整幅图像扫描一遍之后,每个像素点都对应一个BlockIndex,相同BlockIndex的像素属于同一个簇。接下来用kMeans算法进行迭代,对上一次划分的每一个簇,求出每一个簇的五维坐标labxy均值,作为新的簇心(种子),按照上述规则重新标记,当迭代达到kMeans算法的收敛条件,迭代结束,划分完成。3.根据权利要求1所述的一种基于超像素分割的快速双目立体匹配方法,其特征在于,所述步骤3)中,所述基于自适应权重的匹配算法(AdaptiveSupportWeightsSelf-Adaptation),每个像素分配权重w(x,y,d),其中(x,y)表示像素坐标,d表示该像素对应的视差,权重取值由当前像素与中央像素的空间欧氏距离和颜色欧氏距离组合的二维高斯加权函数决定,该高斯加权函数采用固定宽度的支持窗,在所有像素点上都采用该支持窗。高斯加权函数(the2DGaussianfunction)如下:式(5)中,ds为目标图像中当前像素点与支持窗中央像素点在图像坐标平面的欧氏距离,dc为当前像素点与中央像素点在CIELAB颜色空间的欧氏距离。rs与rc是两个固定参数,分别表征了距离相近性阈值和颜色相似性阈值。自适应权重调节函数(theSelfAdaptationdissimilarityalgorithmfunction)公式如下:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。