邻域相关信息的改进Census变换立体匹配算法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (24): 16-20.

邻域相关信息的改进Census变换立体匹配算法

马利1，2，李晶皎1，马技1，2

1.东北大学信息科学与工程学院，沈阳 110819
2.辽宁大学信息学院，沈阳 110036

出版日期:2014-12-15 发布日期:2014-12-12

Modified Census transform with related information of neighborhood for stereo matching algorithm

MA Li1，2, LI Jingjiao1, MA Ji1，2

1.School of Information Science & Engineering, Northeastern University, Shenyang 110819, China
2.School of Information, Liaoning University, Shenyang 110036, China

Online:2014-12-15 Published:2014-12-12

摘要/Abstract

摘要： 针对传统Census变换在视差不连续区域和噪声干扰情况下误匹配率较高的情况，提出了一种利用邻域相关信息的改进Census变换立体匹配算法。根据邻域像素的相关信息，将传统的Census变换中像素与邻域像素的差异应用2位信息表示，使变换后的图像在视差不连续区域的信息表示更为丰富，同时减少噪声对匹配质量的影响。通过并行化自适应匹配代价聚合、亚像素插值、左右一致性约束、遮挡区插值，最终得到了稠密视差图。经Middlebury立体图片测试表明，该算法结构简单，复杂度低，具有较高的鲁棒性，有效地提高了匹配精度。

关键词: 立体匹配, Census变换, 邻域相关信息, 代价聚合, 视差不连续

Abstract: This paper proposes a modified Census transform which is based on information of the neighborhood for stereo matching to improve the classic Census transform by reducing mismatching of depth discontinuity as well as the noise disturbance. This new Census transform utilizes?2 bit to represent the differences between the pixel and its neighborhood. The result image of the transform provides more details on depth discontinuity and minimizes the impact of noise on the quality of matching. A dense disparity map is then generated through paralleled adaptive cost aggregation, stereo correspondence, sub-pixel interpolation and interpolation of the?occluded regions. The evaluation of Middlebury stereo images shows that the proposed algorithm enhances the accuracy of matching with concise structure and low complexity with strong robustness.

Key words: stereo matching, Census transform, related information of neighborhood, cost aggregation, depth discontinuity

马利1，2，李晶皎1，马技1，2. 邻域相关信息的改进Census变换立体匹配算法[J]. 计算机工程与应用, 2014, 50(24): 16-20.

MA Li1，2, LI Jingjiao1, MA Ji1，2. Modified Census transform with related information of neighborhood for stereo matching algorithm[J]. Computer Engineering and Applications, 2014, 50(24): 16-20.

[1]	张忠民，刘金鑫，席志红. 熵率超像素分割一致性检验视差细化算法[J]. 计算机工程与应用, 2021, 57(5): 204-209.
[2]	畅雅雯，赵冬青，单彦虎. 多特征融合和自适应聚合的立体匹配算法研究[J]. 计算机工程与应用, 2021, 57(23): 219-225.
[3]	李婕，巩朋成. 结合传播滤波的立体匹配算法研究[J]. 计算机工程与应用, 2020, 56(19): 189-196.
[4]	潘卫华，杜旭. 基于改进自适应权重的三边滤波立体匹配算法[J]. 计算机工程与应用, 2020, 56(18): 186-192.
[5]	邓宇，谌贵辉，李忠兵，张军豪，亢宇欣，夏旭洪. 基于颜色与边缘融合的非局部立体匹配算法[J]. 计算机工程与应用, 2020, 56(10): 199-204.
[6]	郭倩，张福杨，孙农亮. 融合多特征表示和超像素优化的双目立体匹配[J]. 计算机工程与应用, 2020, 56(1): 216-223.
[7]	马龙，孙铭泽，黄超，裴昕，周航，张鸿燕. 基于强相似点检测快速双目立体匹配算法[J]. 计算机工程与应用, 2018, 54(6): 193-197.
[8]	王春艳，朱华平，胡鹏辉. 二维立体匹配模型及其数值解法[J]. 计算机工程与应用, 2018, 54(22): 186-190.
[9]	曹晓倩，孙连山，李健. 斜面参数优化全局立体匹配算法研究[J]. 计算机工程与应用, 2018, 54(17): 198-201.
[10]	董本志，张丽君，景维鹏. 基于前向搜索的快速视差范围估计方法[J]. 计算机工程与应用, 2017, 53(24): 213-218.
[11]	冯彬彬1，蒋新华1，2，林俊杰2，聂明星2. 基于FPGA的实时SGM匹配算法研究与实现[J]. 计算机工程与应用, 2017, 53(22): 163-168.
[12]	陈卉，胡立坤，黄钰雯. 采用高斯混合模型及树结构的立体匹配算法[J]. 计算机工程与应用, 2017, 53(20): 195-200.
[13]	王军华1，李丁1，刘盛鹏2. 基于改进RANSAC的消防机器人双目障碍检测[J]. 计算机工程与应用, 2017, 53(2): 236-240.
[14]	郭艾侠，彭明明，邢仲璟. 机器视觉技术在荔枝识别与定位研究中的应用[J]. 计算机工程与应用, 2017, 53(17): 218-223.
[15]	贺利乐1，路二伟1，李赵兴1，2，华瑾1. 基于ORB算子的快速立体匹配算法[J]. 计算机工程与应用, 2017, 53(1): 190-194.