本发明专利技术公开了一种基于分组渐近的双目视差获取方法和系统，所述方法包括：根据目标基图的特征，每行分组获得组别和分组图；分别根据左图和右图获取左梯度图和右梯度图；将左梯度图和右梯度图进行一维相关分析，并获得最强相关错位；将最强相关错位依次与组别进行匹配，同时将匹配到的组别特征从分组图中移除；将最强相关错位标记为所匹配组别的初始视差，获得初始视差图；以初始视差图为参考，基于全局匹配的方法，进行相对视差匹配，获取优化视差图。基于特征信息较强的区域进行匹配，便于高效快速进行识别和匹配；基于初始视差图为基准，使全局匹配的扫描范围小得多，利于提高运算交率，提高视差的准确性，最终获得精细准确的优化视差图。的优化视差图。的优化视差图。
【技术实现步骤摘要】
一种基于分组渐近的双目视差获取方法和系统
[0001]本专利技术涉及计算视角
，具体涉及一种基于分组渐近的双目视差获取方法和系统。
技术介绍
[0002]双目视觉匹配是一种从一对不同角度拍摄的图片进行运算，从而恢复空间深度信息的机器技术。此技术近年受到广泛关注，成为自动驾驶、机器人视觉、虚拟/增强现实，工业自动化测量等许多智能化技术的基础之一。目前广泛应用的算法有：交互像素点差异(BT)代价算法和准全局聚合代价匹配(SGM，Semiglobal Matching)算法。BT代价算法为常用的局部算法(S.Birchfield and C.Tomasi,“Depth Discontinuities by Pixel-toPixel Stereo,”Proc.Sixth IEEE Int
’
l Conf.Computer Vision,pp.1073-1080,Jan.1998.)，SGM全局算法以BT代价为基础进行多方向聚合(Heiko Hirschm
ü
ller,“Stereo Processing by Semiglobal Matching and Mutual Information”,IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE,VOL.30,NO.2,FEBRUARY 2008)。在另一篇文献中(D.Scharstein and R.Szeliski,“A Taxonomy and Evaluation of Dense Two-Frame Stereo Correspondence Algorithms,”Int
’
l J.Computer Vision,vol.47,nos.1/2/3,pp.7-42,Apr.-June2002.)，对现有的双目视觉匹配算法进行了分类和比较。
[0003]全局聚合代价匹配精度较高，但消耗巨大的计算资源和内存资源，能达到的帧率十分有限；而局部匹配速度较快，但其准确度低，会产生局部匹配错误，或局部找不到优化匹配视差值，从而在匹配特征不明显的区域产生大量离散分布的错误匹配区域。
技术实现思路
[0004]针对现有技术中存在上述技术问题，本专利技术提供一种的基于分组渐近的双目视差获取方法和系统，视差匹配的速度快、精度高。
[0005]本专利技术公开了一种基于分组渐近的双目视差获取方法，所述方法包括：根据目标基图的特征，每行进行分组，获得组别和分组图，所述目标基图包括左图或右图；分别根据左图和右图获取左梯度图和右梯度图；将左梯度图和右梯度图的曲线信息进行一维相关分析，获得相关函数，并根据相关函数的最大值获取最强相关错位及其值；将所述最强相关错位依次与所述组别进行匹配，同时将匹配到的组别特征从分组图中移除；将最强相关错位的值标记为所匹配组别的初始视差，获得初始视差图；以所述初始视差图为参考，基于全局匹配的方法，对左图和右图进行相对视差匹配，获取优化视差图。
[0006]优选的，所述特征包括灰度，所述分组的方法包括：获取目标基图每行的灰度值；根据所述灰度值的峰谷信息和/或累积信息，对每行的点进行分组。
[0007]优选的，对每行的点进行分组的方法包括：获取峰值或谷值，基于峰值或谷值设置分组的分界；逐点获取上升沿或下降沿的累积灰度值，累积灰度值大于第一阈值时，将当前点作为分组的分界。
[0008]优选的，所述目标基图包括左图，获取初始视差图方法包括：将左图和右图在Y方向上对齐后，获取左梯度图和右梯度图；分别对左梯度图和右梯度图在X方向进行傅里叶分析，获得左频谱图和右频谱图；将左频谱图和右频谱图的原点对齐后，将左频谱图和右频谱图中相应点进行相乘，获得复合频谱图；根据所述复合频谱图进行X方向的反向傅里叶变换获得相关函数；根据相关函数的最大值获得最强相关错位，将所述最大值标记为初始视差；为所述最强相关错位匹配组别，获得初始视差图；将所述初始视差标记为对应组别的初始视差。
[0009]优选的，将所述最强相关错位与所述组别进行匹配的方法包括：
[0010]根据左梯度图获取左梯度模量积分：
[0011][0012]其中，f
l
为左梯度模量积分，Ng为组点数，|sbl|为左梯度模量，+＝为多通道的值相累加；
[0013]根据右梯度图获取右梯度模量积分：
[0014][0015]其中，f
r
为右梯度模量积分，|sbr[n
Δ
]|为右梯度模量，n
Δ
为右图错位点数；根据左图和右图分别获得灰度差积分和灰度积分差：
[0016][0017][0018]其中，df2[n
Δ
]为灰度差积分，df3[n
Δ
]为灰度积分差，l为左图灰度，r为右图灰度；
[0019]计算组别的相对错位积分代价：
[0020][0021]其中，cost[n
Δ
]为相对错位积分代价；
[0022]获得[n
Δ
]个错位积分代价，取极小值；
[0023]判断极小值小于阈值时，极小值对应的错位点与组别匹配成功；
[0024]修正初始视差为初始视差与极小值之和。
[0025]优选的，将所述最强相关错位与所述组别进行匹配的方法包括：基于左梯度图和右梯度图，获取当前组别与当前最强相关错位一定范围内的第一积分BT代价；基于左图和右图，获取所述组别与最强相关错位一定范围内的第二积分BT代价；第二积分BT代价取梯度模量后与第一积分BT代价加权复合，获得错位代价；错位代价中的极小值小于阈值时，所述组别与所述最强相关错位匹配成功；修正初始视差为初始视差与极小值之和。
[0026]优选的，对左图和右图进行相对视差匹配的方法包括：以初始视差为参考，为右图设定搜索范围；在右图的搜索范围内搜索到与左图点的最优匹配，获得相对视差；根据相对视差和初始视差获得优化视差。
[0027]优选的，在右图搜索与左图点最优匹配的方法包括：分别计算左图和右图的三通道BT代价，并按通道累加获得组合单通道BT代价；将组合单通道BT代价在X方向求梯度后取
模量，获得单通道BT代价梯度模量；分别计算左图和右图三通道每行X方向的梯度并取模量，获得三通道左梯度图和三通道右梯度图；根据三通道左梯度图和三通道右梯度图，按通道分别计算BT代价，获得三通道组合BT；将三通道组合BT按通道累加后，获得单通道梯度BT代价；将单通道BT代价梯度模量和单通道梯度BT代价加权和，获得复合BT代价；以所述复合BT代价为基础，在右图的视差搜索范围内进行多方向SGM全局代价聚合；在右图视差范围内匹配到最小聚合代价，其对应的点为最优匹配，获得相对视差。
[0028]优选的，SGM全局代价聚合的计算公式包括：
[0029]L(p,d
e
(p)+d)＝C(p,d
e
(本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于分组渐近的双目视差获取方法，其特征在于，所述方法包括：根据目标基图的特征，每行进行分组，获得组别和分组图，所述目标基图包括左图或右图；分别根据左图和右图获取左梯度图和右梯度图；将左梯度图和右梯度图的曲线信息进行一维相关分析，获得相关函数，并根据相关函数的最大值获取最强相关错位及其值；将所述最强相关错位依次与所述组别进行匹配，同时将匹配到的组别特征从分组图中移除；将最强相关错位的值标记为所匹配组别的初始视差，获得初始视差图；以所述初始视差图为参考，基于全局匹配的方法，对左图和右图进行相对视差匹配，获取优化视差图。2.根据权利要求1所述的双目视差获取方法，其特征在于，所述特征包括灰度，所述分组的方法包括：获取目标基图每行的灰度值；根据所述灰度值的峰谷信息和/或累积信息，对每行的点进行分组。3.根据权利要求2所述的双目视差获取方法，其特征在于，对每行的点进行分组的方法包括：获取峰值或谷值，基于峰值或谷值设置分组的分界；逐点获取上升沿或下降沿的累积灰度值，累积灰度值大于第一阈值时，将当前点作为分组的分界。4.根据权利要求1所述的双目视差获取方法，其特征在于，所述目标基图包括左图，获取初始视差图方法包括：将左图和右图在Y方向上对齐后，获取左梯度图和右梯度图；分别对左梯度图和右梯度图在X方向进行傅里叶变换，获得左频谱图和右频谱图；将左频谱图和右频谱图的原点对齐后，将左频谱图和右频谱图中相应点相乘，获得复合频谱图；根据所述复合频谱图进行X方向的反向傅里叶变换获得相关函数；根据相关函数的最大值获得最强相关错位，将所述最大值标记为初始视差；为所述最强相关错位匹配组别，获得初始视差图；将所述初始视差标记为对应组别的初始视差。5.根据权利要求1或4所述的双目视差获取方法，其特征在于，将所述最强相关错位与所述组别进行匹配的方法包括：根据左梯度图获取左梯度模量积分：其中，f
l
为左梯度模量积分，Ng为组点数，|sbl|为左梯度模量，+＝为多通道的值相累加；根据右梯度图获取右梯度模量积分：
其中，f
r
为右梯度模量积分，|sbr[n
Δ
]|为右梯度模量，n
Δ
为右图错位点数；根据左图和右图分别获得灰度差积分和灰度积分差：根据左图和右图分别获得灰度差积分和灰度积分差：其中，df2[n
Δ
]为灰度差积分，df3[n
Δ
]为灰度积分差，l为左图灰度，r为右图灰度；计算组别的相对错位积分代价：其中，cost[n
Δ
]为相对错位积分代价；获得[n
Δ
]个错位积分代价，取极小值；判断极小值小于阈值时，极小值对应的错位点与组别匹配成功；修正初始视差为初始视差与极小值之和。6.根据权利要求1或4所述的双目视差获取方法，其特征在于，将所述最强相关错位与所述组别进行匹配的方法包括：基于左梯度图和右梯度图，获取当前组别与当前最强相关错位一定范围内的第一积分BT代价；基于左图和右图，获取所述组别与最强相关错位一定范围内的第二积分BT代价；第二积分BT代价取梯度模量后与第一积分BT代价加权复合，获得错位代价；错位代价中的极小值小于阈值时，所述组别与所述最强相关错位匹配成功；修正初始视差为初始视差与极小值之和。7.根据权利...
【专利技术属性】
技术研发人员：袁嫣红，袁海骏，罗宏利，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：
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。