基于深度学习的立体匹配算法研究综述.docVIP

基于深度学习的立体匹配算法研究综述

立体匹配作为计算机视觉领域的核心任务之一，旨在从不同视角拍摄的两张或多张图像中找到对应像素点，进而计算出场景的深度信息。传统立体匹配算法依赖手工设计的特征描述子与人工构建的匹配代价计算规则，在弱纹理区域、反光表面、遮挡场景下匹配精度大幅下降，难以满足自动驾驶、三维重建、机器人导航等复杂场景的应用需求。随着深度学习技术的快速发展，基于数据驱动的立体匹配算法突破了传统方法的性能瓶颈，通过端到端的特征学习与匹配推理，在匹配精度、鲁棒性和泛化能力上实现了显著提升。

一、立体匹配算法的基础框架与传统方法局限

立体匹配的经典流程通常包含四个步骤：匹配代价计算、代价聚合、视差计算与视差优化。匹配代价计算阶段需要衡量左右视图中像素对的相似性，传统方法常采用SAD（绝对误差和）、SSD（平方误差和）、NCC（归一化互相关）等低层特征，或者SIFT、ORB等手工设计的特征描述子。这类特征对光照变化、视角形变、纹理缺失的鲁棒性较差，导致初始匹配代价中存在大量噪声。代价聚合阶段通过引入邻域平滑约束来优化匹配代价，常见方法包括动态规划、半全局匹配（SGM）等，但这类方法在处理大视差、非连续区域时容易出现平滑过度问题。视差计算阶段通常采用胜者为王（WTA）策略选择代价最小的视差，视差优化阶段则通过中值滤波、左右一致性检查等步骤剔除异常值。

传统立体匹配算法的局限性主要体现在