立体匹配算法可行性分析报告.pdfVIP

立体匹配算法的可行性分析报告 1 立体匹配算法的分类 根据匹配算法使用的约束信息的不同， 立体匹配算法总体上分为局域算法和全局算法两 种。局域算法利用的是对应点本身以及邻近的局部区域的约束信息， 局域算法的优点是效率 高，但是它对局部的一些由于遮挡和纹理单一等造成的模糊比较敏感， 易造成误匹配。 全局 算法利用了图像的全局约束信息， 对局部图像的模糊不敏感， 但是它的计算代价很高。 根据 匹配基元的不同，局域算法分为区域匹配、特征匹配和相位匹配 3 种。区域匹配直接利用 图像的灰度信息， 主要用于表面光滑以及具有明显纹理特征的图像， 使用区域匹配可以直接 获得稠密的深度图， 但是对于缺乏纹理和深度不连续的情况， 适应性较差， 且这种方法的计 算量很大，匹配精度较差。 特征匹配基于图像的几何特征，如边缘、轮廓、拐点、线段等对图像进行匹配，由于几 何特征的稀疏性和不连续性， 因此特征匹配只能得到稀疏的深度图， 需要通过内插方法才能 得到稠密的深度图， 特征匹配以几何特征为基元， 不易受光线的影响， 因此鲁棒性较好，而 且计算量小， 速度快。 相位匹配是在假设两幅图像中对应点的局部相位相等的条件下， 对带 通滤波信号的相位信息进行处理而得到视差图。 相位匹配依据的原理为傅立叶平移原理， 即 信号在空间域上的平移产生频率域上成比例的相位平移， 由于相位本身反映的是信号的结构 信息， 因此相位匹配对图像的高频噪音有很好的抑制作用， 同时对几何畸变和辐射畸变有很 好的抑制作用，能获得亚像素级的致密视差。 全局匹配算法一般有动态规划的算法和图切割的算法， 最常用的全局匹配算法是动态规 划算法， 动态规划的思想就是把求解整个图像深度值的过程分解为一些子过程， 从而减少了 算法的复杂度， 动态规划的思想体现了顺序约束和连续性约束。 动态规划的优点是可以很好 的处理因局部纹理单一而造成的误匹配， 且算法复杂度不高， 缺点是容易因局部的噪音而造 成误差传播，形成条纹瑕疵。 Stephen [5] 引入控制点修正技术，可以有效减少条纹瑕疵。 图切割的方法可以有效地融合水平和竖直方向上的连续性约束， 是目前处理效果最好的立体 匹配算法 [6] ，其缺点为算法的复杂度较高。图切割的基本思想为构建一个网络，通过最小 割方法寻找网络的最大流。 Boykov 等人 [7] 提出了基于图割理论的能量函数优化方法， 把寻 找全局最优深度值转换成能量函数最小化问题。 2. 立体匹配算法的准确性 在 ADAS 领域， 根据国标 GBT33577-2017 车辆前向碰撞预警系统的要求， 测试前车停止 在车道中心， 纵轴方向与道路边缘平行， 且测试前车与自车朝向一致， 自车向测试前车尾部 接近，参考图 6 。自车以额定速度 20m/s 在车道中心朝前车行驶，系统应能够在 TTC最小 2.1s 时发出报警。 当自车距离前车 150m 时实验开始， 下面任意一种情况发生时， 实验结束： （a ）系统发出报警； （b）TTC 降至小于系统报警最小允许值的 90%时。下图所示的就是该 实验的示意图： 那么就要求最远的的检测距离