-精选版计算机视觉.pptVIP

4. 外极线约束 利用外极线约束可以将二维搜索问题变为一维搜索问题。如图，空间某一距离区间内的一条直线段对应外极线上的一个有限区间。 图7.3　两个视网膜上成象对应关系的多义性 体现约束条件的匹配规则 1. 对相似性测量的本质作出规定的规则 (1) 区域的统计量 (2) 边界的统计量 (3) 点的统计量 2. 视差梯度限制规则 (1) 排序约束 (2) 视差梯度范围限制 (3) 由粗到细的匹配规则 4、算法简介 立体视觉算法可分成两大类： 以密集的基元测量为基础，称为基于区域（area-based）的算法。这类算法的典型例子是利用小区域上的相关技术 可得到较稠密的深度数据,数据的精度较差 适合于景物中的深度变化小的情形 以在图象中相对比较稀少的、较为符号化的特征为基础，称为基于特征（feature-based）的算法 只能得到较稀疏的深度数据 深度数据的精度较高 可用于深度变化大的景物 混合算法 在匹配的不同阶段分别使用上述两类算法以期达到更高的性能 边缘匹配例 该算法使用的边缘特征是通过高斯函数的一阶导数获得的。在有噪声的情况下，使用高斯梯度来计算边缘更加稳定。使用边缘匹配的立体视觉算法步骤如下： （1）用四个不同宽度的高斯滤波器对立体图象对中的每一幅图象进行滤波，其中前一次滤波的宽度是下一次滤波器宽度的两倍。这一计算可以反复通过对最小的滤波器进行卷积来有效地实现； （2）在某一行上计算各边缘的位置； （3）通过比较边缘的方向和强度粗略地进行边缘匹配。显然，水平边缘是无法进行匹配的； （4）通过在精细尺度上进行匹配，可以得到精细的视差估计。 二、 Marr-Poggio-Grimson算法（MPG算法） 以不同大小的 算子与图象卷积，并从中抽取过零点作为匹配基元；采用从粗到细的匹配策略，应用在低分辨率下匹配得到的信息来限制高分分辨时匹配的搜索空间。这样做的优点是既具有较大的深度敏感范围，又有较高的空间定位准确性 1. 匹配基元的选择 2. 匹配基元的属性 用过零点两边的符号变化和过零点轮廓来表示匹配基元的特征 的选择 dmax= 概率分布表明在 的间距内有另一个同符号过零点的概率低于0.05。这意味着如果图象中这个区域的视差小于 ，那么在 的范围内搜索时只发现正确的概率是 0.95 如果搜索区域扩大到 ，所有匹配中的50%是正确和无多义性的.但可利用连续性约束加以消除 取 后，我们在dmax的距离内只能得到一个点的深度值。这只表示景物在粗通道时的深度图 4. 粗通道信息对细通道匹配的导引 图7.6　粗通道信息对细通道匹配的导引 图7.5　特征点的匹配 4. 粗通道信息对细通道匹配的导引 如果粗、细通道算子的宽度分别为 和 。那么在粗细通道中合适的搜索范围分别 为和 。假设 ，那么要发现这点的视差只根据细通道的信息是不行的，因为匹配点在搜索范围以外。但匹配点将在粗匹配的范围之内。因此，这时可求得粗通道中的视差 粗通道得到的匹配可为精确的视差提供一个近似的估计值。如果所选的滤波器的大小合适，则可保证 相邻通道之间大致相隔一倍频程，即， 通道所用 算子的宽度 大致为63,35,17,9和4个象素 三、Baker-Binford算法 1. 基于图象灰度相关的相似性量测 如窗口是M×N的矩形.设，左、右窗口中第 i 行、第j列象素的灰度分别为 和 差异性量测函数定义为 2. 动态规划（dynamic Programming）匹配方法 两个波形之间的对应关系可被概括成路径规划问题（图7-7） 路上处点P表示右图在处的点与左图处的点相匹配 路径成本 可用前段中所述差异性量测函数来定义，把路径成本定义为 沿扫描线的积分 图7.7　动态规划匹配问题 DP算法 设， 表示右图中在 处周围灰度分布与左图在 处周围灰度分布的相似性量测，路径成本可定义为沿路径的相似性量测之和。设 是从起点到 点最佳路径的最小成本。DP算法可表示为 (1) (2) 3.（Baker-Binford）算法 (1) 基于边缘的相关 (2) 基于灰度的相关 图7.9　外极线上的边缘以及灰度分布 立体视觉研究中的新动向 三目或多目立体视觉和全景视图 遮挡问题 引入Markov Random Field approach 立体视觉中的不连续性和遮挡问题 O和O’是摄像机的光心 不连续性发生在B’,C’,E’,F’ 遮挡发生在[A,C],[D,F] 立体视觉处理中的困难 噪声：