本發(fā)明涉及計(jì)算機(jī)視覺(jué)與圖像處理領(lǐng)域，特別涉及一種立體匹配方法及系統(tǒng)。

背景技術(shù)：

立體匹配是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要組成部分，也是許多3d應(yīng)用的核心部分。目前，立體匹配方法主要分為局部匹配方法、全局匹配方法以及半全局匹配方法等三類(lèi)。其中，局部匹配方法復(fù)雜度低，運(yùn)算量小，但匹配效果較差；全局的匹配方法可以獲得非常好的匹配效果，但復(fù)雜度太高，不能做到實(shí)時(shí)處理；而半全局的匹配方法其匹配效果介于局部算法和全局算法之間，但其運(yùn)算量仍然很大，難以應(yīng)用到實(shí)時(shí)性要求較高的地方。因此，綜合考慮匹配效果和實(shí)時(shí)性，許多應(yīng)用選擇了折中的算法。

近幾年，一種基于非局部的立體匹配算法被提出來(lái)。該方法在代價(jià)聚集的過(guò)程采用最小生成樹(shù)的方式進(jìn)行濾波，每一個(gè)像素都利用了圖像中其他所有像素進(jìn)行代價(jià)的聚集，但其運(yùn)算量接近局部的方法，因此受到廣泛的關(guān)注。該方法在圖像紋理比較豐富的區(qū)域能夠獲得比較好的效果，但是，該方法計(jì)算復(fù)雜、耗時(shí)長(zhǎng)、耗內(nèi)存，且在紋理較弱的區(qū)域以及室外實(shí)際場(chǎng)景中卻難以取得理想的效果。因此，如何提升該立體匹配算法的匹配效果，是本領(lǐng)域技術(shù)人員需要解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種立體匹配方法及系統(tǒng)，能夠有效地解決弱紋理區(qū)域誤匹配的問(wèn)題，并在室外場(chǎng)景中也能取得較好的匹配效果，同時(shí)，計(jì)算量較小，實(shí)時(shí)性好。

為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種立體匹配方法，所述方法包括：

步驟s10、獲取參考圖像以及目標(biāo)圖像，并確定聚合區(qū)域的視差區(qū)域；

步驟s11、將所述參考圖像以及所述目標(biāo)圖像均等分為n*n個(gè)區(qū)域，得到參考分塊圖像以及目標(biāo)分塊圖像；

步驟s12、根據(jù)所述參考分塊圖像以及所述目標(biāo)分塊圖像，利用分塊變換算法，將所述參考圖像變換為聚合參考圖像，所述目標(biāo)圖像變換為聚合目標(biāo)圖像；

步驟s13、分別計(jì)算所述聚合參考圖像以及所述聚合目標(biāo)圖像的census特征，并進(jìn)行立體匹配，計(jì)算得到所述聚合參考圖像的census特征與所述聚合目標(biāo)圖像的census特征的匹配代價(jià)值；

步驟s14、分別計(jì)算各所述參考分塊圖像與對(duì)應(yīng)的相同分塊位置的所述目標(biāo)分塊圖像的區(qū)域代價(jià)聚合；

步驟s15、比較所述匹配代價(jià)值與各所述區(qū)域代價(jià)聚合，若存在所述匹配代價(jià)值大于區(qū)域代價(jià)聚合，則重新分割區(qū)域代價(jià)聚合小于所述匹配代價(jià)值的區(qū)域代價(jià)聚合對(duì)應(yīng)的參考分塊圖像以及目標(biāo)分塊圖像并計(jì)算分割后的區(qū)域代價(jià)聚合，直到所述匹配代價(jià)值均小于各區(qū)域代價(jià)聚合；

步驟s16、計(jì)算所述匹配代價(jià)值均小于各區(qū)域代價(jià)聚合時(shí)各參考分塊圖像與對(duì)應(yīng)目標(biāo)分塊圖像中每個(gè)像素的代價(jià)聚合，并利用wta方法得到第一視差圖像。

可選的，步驟s12包括：

制作第一空?qǐng)D像和第二空?qǐng)D像，其中，所述第一空?qǐng)D像中每個(gè)像素點(diǎn)與所述參考圖像的像素點(diǎn)一一對(duì)應(yīng)，所述第二空?qǐng)D像中每個(gè)像素點(diǎn)與所述目標(biāo)圖像的像素點(diǎn)一一對(duì)應(yīng)；

計(jì)算每一個(gè)所述參考分塊圖像的像素值之和，并賦值給所述第一空?qǐng)D像中對(duì)應(yīng)的像素點(diǎn)中，得到聚合參考圖像；

計(jì)算每一個(gè)所述目標(biāo)分塊圖像的像素值之和，并賦值給所述第二空?qǐng)D像中對(duì)應(yīng)的像素點(diǎn)中，得到聚合目標(biāo)圖像。

可選的，重新分割區(qū)域代價(jià)聚合小于所述匹配代價(jià)值的區(qū)域代價(jià)聚合對(duì)應(yīng)的參考分塊圖像以及目標(biāo)分塊圖像，包括：

分別判斷代價(jià)聚合小于所述匹配代價(jià)值的區(qū)域代價(jià)聚合對(duì)應(yīng)的各參考分塊圖像以及各目標(biāo)分塊圖像的像素平均值和中間像素值的大??；

當(dāng)參考分塊圖像或目標(biāo)分塊圖像的像素平均值小于中間像素值，則按照估計(jì)視差進(jìn)行區(qū)域擴(kuò)大，當(dāng)參考分塊圖像或目標(biāo)分塊圖像的像素平均值大于中間像素值，則按照估計(jì)視差進(jìn)行區(qū)域縮小。

可選的，計(jì)算所述匹配代價(jià)值均小于各區(qū)域代價(jià)聚合時(shí)各參考分塊圖像與對(duì)應(yīng)目標(biāo)分塊圖像中每個(gè)像素的代價(jià)聚合，包括：

確定像素的視差區(qū)域[dmin，dmax]；

以估計(jì)視差d為基準(zhǔn)，對(duì)所述參考圖像的每一個(gè)像素點(diǎn)p(x，y)，在所述目標(biāo)圖像上確定對(duì)應(yīng)的像素點(diǎn)p(x-d，y)；其中，d∈[dmin，dmax]；

計(jì)算像素點(diǎn)p(x，y)與像素點(diǎn)p(x-d，y)之間對(duì)應(yīng)的census特征的漢明距離，得到像素的代價(jià)聚合cd(p)；

計(jì)算各參考分塊圖像中相鄰節(jié)點(diǎn)的邊權(quán)重，并根據(jù)所述邊權(quán)重得到四連通的無(wú)向圖；

利用boruvka算法對(duì)所述無(wú)向圖進(jìn)行處理，得到最小生成樹(shù)；

將所述最小生成樹(shù)轉(zhuǎn)換為具有根節(jié)點(diǎn)和葉節(jié)點(diǎn)的樹(shù)形結(jié)構(gòu)，并對(duì)所述樹(shù)形結(jié)構(gòu)從葉節(jié)點(diǎn)到根節(jié)點(diǎn)進(jìn)行濾波得到向上代價(jià)聚集；

根據(jù)所述向上代價(jià)聚集，對(duì)所述樹(shù)形結(jié)構(gòu)從根節(jié)點(diǎn)到葉節(jié)點(diǎn)進(jìn)行濾波得到各參考分塊圖像與對(duì)應(yīng)目標(biāo)分塊圖像中每個(gè)像素的代價(jià)聚合。

可選的，本方案還包括：

將所述參考圖像作為新的目標(biāo)圖像，將所述目標(biāo)圖像作為新的參考圖像，并根據(jù)所述新的目標(biāo)圖像以及所述新的參考圖像，執(zhí)行所述步驟s11至所述步驟s16得到第二視差圖像；

利用所述第一視差圖像和所述第二視差圖像進(jìn)行視差求精，得到最終視差圖像。

可選的，利用所述第一視差圖像和所述第二視差圖像進(jìn)行視差求精，得到最終視差圖像，包括：

對(duì)所述第一視差圖像和所述第二視差圖像進(jìn)行左右一致性檢測(cè)確定視差穩(wěn)定點(diǎn)；

利用公式計(jì)算得到新的代價(jià)集合其中，d(p)為第一視差圖像，d為視差；

根據(jù)所述新的代價(jià)集合執(zhí)行步驟s12得到最終視差圖像。

本發(fā)明還提供一種立體匹配系統(tǒng)，包括：

獲取模塊，用于獲取參考圖像以及目標(biāo)圖像，并確定聚合區(qū)域的視差區(qū)域；

劃分模塊，用于將所述參考圖像以及所述目標(biāo)圖像均等分為n*n個(gè)區(qū)域，得到參考分塊圖像以及目標(biāo)分塊圖像；

聚合模塊，用于根據(jù)所述參考分塊圖像以及所述目標(biāo)分塊圖像，利用分塊變換算法，將所述參考圖像變換為聚合參考圖像，所述目標(biāo)圖像變換為聚合目標(biāo)圖像；

匹配代價(jià)計(jì)算模塊，用于分別計(jì)算所述聚合參考圖像以及所述聚合目標(biāo)圖像的census特征，并進(jìn)行立體匹配，計(jì)算得到所述聚合參考圖像的census特征與所述聚合目標(biāo)圖像的census特征的匹配代價(jià)值；

區(qū)域代價(jià)聚合模塊，用于分別計(jì)算各所述參考分塊圖像與對(duì)應(yīng)的相同分塊位置的所述目標(biāo)分塊圖像的區(qū)域代價(jià)聚合；

匹配模塊，用于比較所述匹配代價(jià)值與各所述區(qū)域代價(jià)聚合，若存在所述匹配代價(jià)值大于區(qū)域代價(jià)聚合，則重新分割區(qū)域代價(jià)聚合小于所述匹配代價(jià)值的區(qū)域代價(jià)聚合對(duì)應(yīng)的參考分塊圖像以及目標(biāo)分塊圖像并計(jì)算分割后的區(qū)域代價(jià)聚合，直到所述匹配代價(jià)值均小于各區(qū)域代價(jià)聚合；

視差圖像獲取模塊，用于計(jì)算所述匹配代價(jià)值均小于各區(qū)域代價(jià)聚合時(shí)各參考分塊圖像與對(duì)應(yīng)目標(biāo)分塊圖像中每個(gè)像素的代價(jià)聚合，并利用wta方法得到第一視差圖像。

可選的，所述聚合模塊，包括：

空?qǐng)D像制作單元，用于制作第一空?qǐng)D像和第二空?qǐng)D像，其中，所述第一空?qǐng)D像中每個(gè)像素點(diǎn)與所述參考圖像的像素點(diǎn)一一對(duì)應(yīng)，所述第二空?qǐng)D像中每個(gè)像素點(diǎn)與所述目標(biāo)圖像的像素點(diǎn)一一對(duì)應(yīng)；

聚合參考圖像單元，用于計(jì)算每一個(gè)所述參考分塊圖像的像素值之和，并賦值給所述第一空?qǐng)D像中對(duì)應(yīng)的像素點(diǎn)中，得到聚合參考圖像；

聚合目標(biāo)圖像單元，用于計(jì)算每一個(gè)所述目標(biāo)分塊圖像的像素值之和，并賦值給所述第二空?qǐng)D像中對(duì)應(yīng)的像素點(diǎn)中，得到聚合目標(biāo)圖像。

可選的，所述匹配模塊，包括：

判斷單元，用于分別判斷代價(jià)聚合小于所述匹配代價(jià)值的區(qū)域代價(jià)聚合對(duì)應(yīng)的各參考分塊圖像以及各目標(biāo)分塊圖像的像素平均值和中間像素值的大??；

重新劃分單元，用于當(dāng)參考分塊圖像或目標(biāo)分塊圖像的像素平均值小于中間像素值，則按照估計(jì)視差進(jìn)行區(qū)域擴(kuò)大，當(dāng)參考分塊圖像或目標(biāo)分塊圖像的像素平均值大于中間像素值，則按照估計(jì)視差進(jìn)行區(qū)域縮小。

可選的，本方案還包括：

視差求精模塊，用于將所述參考圖像作為新的目標(biāo)圖像，將所述目標(biāo)圖像作為新的參考圖像，并根據(jù)所述新的目標(biāo)圖像以及所述新的參考圖像計(jì)算得到第二視差圖像；利用所述第一視差圖像和所述第二視差圖像進(jìn)行視差求精，得到最終視差圖像。

可見(jiàn)，該方法利用聚合圖像進(jìn)行匹配，加快匹配速度；在基于聚合圖像的匹配基礎(chǔ)之上對(duì)匹配塊的像素進(jìn)行精準(zhǔn)匹配，匹配精度高，計(jì)算量小，同時(shí)，解決了弱紋理區(qū)域誤匹配的問(wèn)題；本發(fā)明還提供一種立體匹配系統(tǒng)，具有上述有益效果，在此不再贅述。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例所提供的立體匹配方法的流程圖；

圖2為本發(fā)明實(shí)施例所提供的立體匹配系統(tǒng)的結(jié)構(gòu)框圖。

具體實(shí)施方式

本發(fā)明的核心是提供一種立體匹配方法及系統(tǒng)，能夠有效地解決弱紋理區(qū)域誤匹配的問(wèn)題，并在室外場(chǎng)景中也能取得較好的匹配效果，同時(shí)，計(jì)算量較小，實(shí)時(shí)性好。

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請(qǐng)參考圖1，圖1為本發(fā)明實(shí)施例所提供的立體匹配方法的流程圖；該方法可以包括：該方法可以包括：

步驟s10、獲取參考圖像以及目標(biāo)圖像，并確定聚合區(qū)域的視差區(qū)域；

具體的，這里的參考圖像和目標(biāo)圖像為經(jīng)過(guò)畸變校正后的圖像。稠密的立體匹配算法主要關(guān)注匹配問(wèn)題，因此在匹配之前需要將兩幅圖像中的像素校正到同一水平線(xiàn)上，即參考圖像和目標(biāo)圖像為經(jīng)過(guò)畸變校正后的圖像，從而可以保證匹配準(zhǔn)確性和可靠性。

這里可以將左圖像作為參考圖像對(duì)應(yīng)的右圖像作為目標(biāo)圖像；也可以是將右圖像作為參考圖像對(duì)應(yīng)的左圖像作為目標(biāo)圖像。即本實(shí)施例并不對(duì)參考圖像以及目標(biāo)圖像具體選擇方式進(jìn)行限定。通常情況下以左圖像作為參考圖像對(duì)應(yīng)的右圖像作為目標(biāo)圖像。

確定聚合區(qū)域的視差區(qū)域可以用表示。

步驟s11、將參考圖像以及目標(biāo)圖像均等分為n*n個(gè)區(qū)域，得到參考分塊圖像以及目標(biāo)分塊圖像；

步驟s12、根據(jù)參考分塊圖像以及目標(biāo)分塊圖像，利用分塊變換算法，將參考圖像變換為聚合參考圖像，目標(biāo)圖像變換為聚合目標(biāo)圖像；

具體的，該步驟即將參考圖像基于分塊變換成聚合參考圖像，將目標(biāo)圖像基于分塊變換成聚合目標(biāo)圖像。具體過(guò)程可以如下：

制作第一空?qǐng)D像和第二空?qǐng)D像，其中，第一空?qǐng)D像中每個(gè)像素點(diǎn)與參考圖像的像素點(diǎn)一一對(duì)應(yīng)，第二空?qǐng)D像中每個(gè)像素點(diǎn)與目標(biāo)圖像的像素點(diǎn)一一對(duì)應(yīng)；

計(jì)算每一個(gè)參考分塊圖像的像素值之和，并賦值給第一空?qǐng)D像中對(duì)應(yīng)的像素點(diǎn)中，得到聚合參考圖像；

計(jì)算每一個(gè)目標(biāo)分塊圖像的像素值之和，并賦值給第二空?qǐng)D像中對(duì)應(yīng)的像素點(diǎn)中，得到聚合目標(biāo)圖像。

具體的，制作兩張空?qǐng)D像：第一空?qǐng)D像和第二空?qǐng)D像，第一空?qǐng)D像和第二空?qǐng)D像的尺寸與參考圖像和目標(biāo)圖像一致，例如為n*n，本實(shí)施例并不對(duì)圖像的具體尺寸進(jìn)行限定。第一空?qǐng)D像的每個(gè)像素點(diǎn)與參考圖像中的像素點(diǎn)成一一對(duì)應(yīng)關(guān)系，第二空?qǐng)D像的每個(gè)像素點(diǎn)與目標(biāo)圖像中的像素點(diǎn)成一一對(duì)應(yīng)關(guān)系。計(jì)算參考圖像的每一個(gè)分塊s(即每一個(gè)參考分塊圖像)的像素值之和：將i(s)賦值給第一空?qǐng)D像的相對(duì)應(yīng)的像素點(diǎn)中，得到聚合參考圖像。計(jì)算目標(biāo)圖像的每一個(gè)分塊c(即每一個(gè)目標(biāo)分塊圖像)的像素值之和：將i(c)賦值給第二空?qǐng)D像的相對(duì)應(yīng)的像素點(diǎn)中，得到聚合目標(biāo)圖像。其中，ii為像素值。

通過(guò)上述獲得聚合參考圖像以及聚合目標(biāo)圖像的方式，即利用像素之和作為圖像聚合指標(biāo)，簡(jiǎn)單方便，計(jì)算量小?？梢蕴岣吡Ⅲw匹配的速度。

步驟s13、分別計(jì)算聚合參考圖像以及聚合目標(biāo)圖像的census特征，并進(jìn)行立體匹配，計(jì)算得到聚合參考圖像的census特征與聚合目標(biāo)圖像的census特征的匹配代價(jià)值；

其中，本實(shí)施例并不限定匹配代價(jià)值的獲取方式。由于加權(quán)census特征比一般的顏色梯度特征更有效，因此本實(shí)施例可以采用census特征計(jì)算聚合圖像(包括聚合參考圖像以及聚合目標(biāo)圖像)的特征。

具體的，該步驟具體可以是計(jì)算聚合參考圖像和聚合目標(biāo)圖像的census特征，同時(shí)對(duì)聚合參考圖像census特征和聚合目標(biāo)圖像census特征進(jìn)行立體匹配，計(jì)算聚合參考圖像census特征和聚合目標(biāo)圖像census特征的匹配代價(jià)cc＝|i(s)-i(c)|。

步驟s14、分別計(jì)算各參考分塊圖像與對(duì)應(yīng)的相同分塊位置的目標(biāo)分塊圖像的區(qū)域代價(jià)聚合η；

步驟s15、比較匹配代價(jià)值與各區(qū)域代價(jià)聚合，若存在匹配代價(jià)值大于區(qū)域代價(jià)聚合，則重新分割區(qū)域代價(jià)聚合小于匹配代價(jià)值的區(qū)域代價(jià)聚合對(duì)應(yīng)的參考分塊圖像以及目標(biāo)分塊圖像并計(jì)算分割后的區(qū)域代價(jià)聚合，直到匹配代價(jià)值均小于各區(qū)域代價(jià)聚合；

具體的，若存在匹配代價(jià)值cc大于區(qū)域代價(jià)聚合η，則重新分割參考圖像和目標(biāo)圖像中對(duì)應(yīng)的區(qū)域，否則，則認(rèn)為該區(qū)域的聚合代價(jià)匹配完成(即結(jié)束該參考分塊圖像和對(duì)應(yīng)的目標(biāo)分塊圖像之間的匹配)。即每一個(gè)參考分塊圖像與對(duì)應(yīng)的相同分塊位置的目標(biāo)分塊圖像都要進(jìn)行對(duì)應(yīng)的比較，若比較結(jié)果為匹配代價(jià)值cc大于該參考分塊圖像和目標(biāo)分塊圖像對(duì)應(yīng)的區(qū)域代價(jià)聚合η時(shí)，將該參考分塊圖像和目標(biāo)分塊圖像重新分割，至到該參考分塊圖像和目標(biāo)分塊圖像對(duì)應(yīng)的區(qū)域代價(jià)聚合η大于匹配代價(jià)值cc。

本實(shí)施例并不對(duì)具體的重新分割規(guī)則進(jìn)行限定。具體的，重新分割規(guī)則可以如下：

當(dāng)需要重新分割的參考分塊圖像以及對(duì)應(yīng)的目標(biāo)分塊圖像的像素平均值小于中間像素值，則按照估計(jì)視差進(jìn)行區(qū)域擴(kuò)大，當(dāng)參考分塊圖像或目標(biāo)分塊圖像的像素平均值大于中間像素值，則按照估計(jì)視差進(jìn)行區(qū)域縮小。即需要重新分割的參考分塊圖像以及對(duì)應(yīng)的目標(biāo)分塊圖像的像素平均值小于中間像素值，則按照估計(jì)視差進(jìn)行區(qū)域擴(kuò)大；如果像素平均值大于中間像素值，則按照估計(jì)視差減小，完成需要重新分割的參考分塊圖像以及對(duì)應(yīng)的目標(biāo)分塊圖像的重新分塊。并在完成重新分割后執(zhí)行s12至步驟s15。本實(shí)施例并不限定估計(jì)視差的值。

步驟s16、計(jì)算匹配代價(jià)值均小于各區(qū)域代價(jià)聚合時(shí)各參考分塊圖像與對(duì)應(yīng)目標(biāo)分塊圖像中每個(gè)像素的代價(jià)聚合，并利用wta方法得到第一視差圖像。

具體的，本實(shí)施例并不限定具體的每個(gè)像素的代價(jià)聚合的具體方式。具體可以如下：

確定像素的視差區(qū)域[dmin，dmax]；

以估計(jì)視差d為基準(zhǔn)，對(duì)參考圖像的每一個(gè)像素點(diǎn)p(x，y)，在目標(biāo)圖像上確定對(duì)應(yīng)的像素點(diǎn)p(x-d，y)；其中，d∈[dmin，dmax]；

具體的，對(duì)于參考圖像中的分塊s(其中分塊的意思即第s個(gè)參考分塊圖像)在目標(biāo)圖像中的匹配分塊c之間進(jìn)行估計(jì)稠密匹配，即估計(jì)兩個(gè)分塊中的像素點(diǎn)的一一匹配的對(duì)應(yīng)關(guān)系。具體為：以估計(jì)視差取值d為基準(zhǔn)，d∈[dmin，dmax]，對(duì)參考圖像的每一個(gè)像素點(diǎn)p(x，y)，在目標(biāo)圖像上找到對(duì)應(yīng)的像素點(diǎn)p(x-d，y)。

計(jì)算像素點(diǎn)p(x，y)與像素點(diǎn)p(x-d，y)之間對(duì)應(yīng)的census特征的漢明距離，得到像素的代價(jià)聚合cd(p)；

計(jì)算各參考分塊圖像中相鄰節(jié)點(diǎn)的邊權(quán)重，并根據(jù)邊權(quán)重得到四連通的無(wú)向圖；

其中，本實(shí)施例在生成最小生成樹(shù)時(shí)，圖像像素的排列方式可以看作是8連通或者4連通的鄰接圖，本實(shí)施例中可以任意進(jìn)行選取，并不對(duì)此進(jìn)行限定。進(jìn)一步為了減小運(yùn)算量，優(yōu)選的可以采用4連通的連接方式。

具體的，將圖像看作四連通的無(wú)向圖，圖中的節(jié)點(diǎn)為各個(gè)像素點(diǎn)，相鄰節(jié)點(diǎn)r和s之間邊的權(quán)重為像素間各通道顏色值的最大差異，計(jì)算公式如下：

其中，ic(r)為r節(jié)點(diǎn)各通道顏色值，ic(s)為s節(jié)點(diǎn)各通道顏色值。

利用boruvka算法對(duì)無(wú)向圖進(jìn)行處理，得到最小生成樹(shù)；

具體的，將得到的無(wú)向圖利用boruvka算法(最小生成樹(shù)算法)生成最小生成樹(shù)；其中，樹(shù)中任意兩個(gè)節(jié)點(diǎn)間的距離dis(p，q)為連接兩個(gè)節(jié)點(diǎn)間路勁權(quán)重之和，兩個(gè)節(jié)點(diǎn)的相似度s(p，q)為其中，σ表示歸一化常數(shù)。其中，boruvka算法以貪心的方式生成最小生成樹(shù)，運(yùn)算量比其他算法小。本實(shí)施例并不對(duì)生成最小生成樹(shù)的算法進(jìn)行限定。這里可以選取boruvka算法是因?yàn)槠溥\(yùn)算量很小。

將最小生成樹(shù)轉(zhuǎn)換為具有根節(jié)點(diǎn)和葉節(jié)點(diǎn)的樹(shù)形結(jié)構(gòu)，并對(duì)樹(shù)形結(jié)構(gòu)從葉節(jié)點(diǎn)到根節(jié)點(diǎn)進(jìn)行濾波得到向上代價(jià)聚集；

根據(jù)向上代價(jià)聚集，對(duì)樹(shù)形結(jié)構(gòu)從根節(jié)點(diǎn)到葉節(jié)點(diǎn)進(jìn)行濾波得到各參考分塊圖像與對(duì)應(yīng)目標(biāo)分塊圖像中每個(gè)像素的代價(jià)聚合。

其中，為了保證濾波效果可以進(jìn)行兩次濾波，具體過(guò)程可以是：將最小生成樹(shù)轉(zhuǎn)換為具有根節(jié)點(diǎn)和葉節(jié)點(diǎn)的樹(shù)形結(jié)構(gòu)，并對(duì)樹(shù)形結(jié)構(gòu)從葉節(jié)點(diǎn)到根節(jié)點(diǎn)進(jìn)行濾波得到向上代價(jià)聚集；根據(jù)向上代價(jià)聚集，對(duì)樹(shù)形結(jié)構(gòu)從根節(jié)點(diǎn)到葉節(jié)點(diǎn)進(jìn)行濾波得到參考圖像的像素代價(jià)聚集。

具體的，最小生成樹(shù)轉(zhuǎn)換為具有父節(jié)點(diǎn)(即根節(jié)點(diǎn))和子節(jié)點(diǎn)(即葉節(jié)點(diǎn))的樹(shù)形結(jié)構(gòu)。對(duì)樹(shù)形結(jié)構(gòu)進(jìn)行兩次濾波，第一次從葉節(jié)點(diǎn)到根節(jié)點(diǎn)濾波，得到向上代價(jià)聚集

其中，p(vc)表示節(jié)點(diǎn)vc的父節(jié)點(diǎn)，cd(v)表示像素點(diǎn)v的代價(jià)聚集，s(v，vc)表示像素點(diǎn)v和vc之間的相似度權(quán)重，表示向上的代價(jià)聚集，對(duì)葉節(jié)點(diǎn)對(duì)葉節(jié)點(diǎn)第二次從根節(jié)點(diǎn)到葉節(jié)點(diǎn)濾波，得到像素代價(jià)聚集其中，對(duì)于根節(jié)點(diǎn)s(p(v)，v)表示父節(jié)點(diǎn)p(vc)與當(dāng)前節(jié)點(diǎn)v之間的相似度權(quán)重。

本實(shí)施例中兩次濾波保證了每一個(gè)像素都能以全圖的像素作為支撐區(qū)域，并且聚集代價(jià)只需要計(jì)算一次，顯著降低了算法的運(yùn)算量。

具體的，通過(guò)上述的計(jì)算每個(gè)像素的代價(jià)聚合的方法，在基于聚合圖像的匹配基礎(chǔ)之上對(duì)匹配塊的像素進(jìn)行精準(zhǔn)匹配，匹配精度高，計(jì)算量小，同時(shí)，解決了弱紋理區(qū)域誤匹配的問(wèn)題。

進(jìn)一步，利用wta方法得到第一視差圖像。具體的，根據(jù)wta(winnertakeall)原則，對(duì)每一個(gè)像素點(diǎn)選取最終代價(jià)最小的視差值作為最終的視差值，得到第一視差圖像。進(jìn)一步還可以對(duì)其進(jìn)行快速中值濾波得到濾波后的第一視差圖像，這里的第一視差圖像可以用d(p)表示。

基于上述技術(shù)方案，本發(fā)明實(shí)施例提的立體匹配方法，該方法利用聚合圖像進(jìn)行匹配，加快匹配速度；在基于聚合圖像的匹配基礎(chǔ)之上對(duì)匹配塊的像素進(jìn)行精準(zhǔn)匹配，匹配精度高，計(jì)算量小，同時(shí)，解決了弱紋理區(qū)域誤匹配的問(wèn)題。

基于上述技術(shù)方案，該方法還可以包括：

將參考圖像作為新的目標(biāo)圖像，將目標(biāo)圖像作為新的參考圖像，并根據(jù)新的目標(biāo)圖像以及新的參考圖像，執(zhí)行步驟s11至步驟s16得到第二視差圖像；

利用第一視差圖像和第二視差圖像進(jìn)行視差求精，得到最終視差圖像。

具體的，視差求精的過(guò)程。即本實(shí)施例還可以包括將參考圖像作為新的目標(biāo)圖像，將目標(biāo)圖像作為新的參考圖像，并根據(jù)新的目標(biāo)圖像以及新的參考圖像，執(zhí)行步驟s11至步驟s16得到第二視差圖像；利用第一視差圖像和第二視差圖像進(jìn)行視差求精，得到最終視差圖像。

其中，交換參考圖像和目標(biāo)圖像，即將上述實(shí)施例中參考圖像和目標(biāo)圖像進(jìn)行交換。將參考圖像作為新的目標(biāo)圖像，將目標(biāo)圖像作為新的參考圖像，并根據(jù)新的目標(biāo)圖像以及新的參考圖像。例如當(dāng)上述實(shí)施例中左圖像作為參考圖像對(duì)應(yīng)的右圖像作為目標(biāo)圖像時(shí)，交換后的結(jié)果即左圖像作為目標(biāo)圖像對(duì)應(yīng)的右圖像作為參考圖像。這里的第二視差圖像可以用dr(p)表示。

可選的，利用第一視差圖像和第二視差圖像進(jìn)行視差求精，得到最終視差圖像可以包括：

對(duì)第一視差圖像和第二視差圖像進(jìn)行左右一致性檢測(cè)確定視差穩(wěn)定點(diǎn)；

利用公式計(jì)算得到新的代價(jià)集合其中，d(p)為第一視差圖像，d為視差；

根據(jù)新的代價(jià)集合執(zhí)行步驟s12得到最終視差圖像。

基于上述技術(shù)方案，本發(fā)明實(shí)施例提的立體匹配方法，該方法利用聚合圖像進(jìn)行匹配，加快匹配速度；在基于聚合圖像的匹配基礎(chǔ)之上對(duì)匹配塊的像素進(jìn)行精準(zhǔn)匹配，匹配精度高，計(jì)算量小，同時(shí)，解決了弱紋理區(qū)域誤匹配的問(wèn)題，并在室外場(chǎng)景中也能取得較好的匹配效果。同時(shí)運(yùn)算量也沒(méi)有大幅增加，可以獲得較好的匹配效果。

下面對(duì)本發(fā)明實(shí)施例提供的立體匹配系統(tǒng)進(jìn)行介紹，下文描述的立體匹配系統(tǒng)與上文描述的立體匹配方法可相互對(duì)應(yīng)參照。

請(qǐng)參考圖2，圖2為本發(fā)明實(shí)施例所提供的立體匹配系統(tǒng)的結(jié)構(gòu)框圖；該系統(tǒng)可以包括：

獲取模塊100，用于獲取參考圖像以及目標(biāo)圖像，并確定聚合區(qū)域的視差區(qū)域；

劃分模塊200，用于將參考圖像以及目標(biāo)圖像均等分為n*n個(gè)區(qū)域，得到參考分塊圖像以及目標(biāo)分塊圖像；

聚合模塊300，用于根據(jù)參考分塊圖像以及目標(biāo)分塊圖像，利用分塊變換算法，將參考圖像變換為聚合參考圖像，目標(biāo)圖像變換為聚合目標(biāo)圖像；

匹配代價(jià)計(jì)算模塊400，用于分別計(jì)算聚合參考圖像以及聚合目標(biāo)圖像的census特征，并進(jìn)行立體匹配，計(jì)算得到聚合參考圖像的census特征與聚合目標(biāo)圖像的census特征的匹配代價(jià)值；

區(qū)域代價(jià)聚合模塊500，用于分別計(jì)算各參考分塊圖像與對(duì)應(yīng)的相同分塊位置的目標(biāo)分塊圖像的區(qū)域代價(jià)聚合；

匹配模塊600，用于比較匹配代價(jià)值與各區(qū)域代價(jià)聚合，若存在匹配代價(jià)值大于區(qū)域代價(jià)聚合，則重新分割區(qū)域代價(jià)聚合小于匹配代價(jià)值的區(qū)域代價(jià)聚合對(duì)應(yīng)的參考分塊圖像以及目標(biāo)分塊圖像并計(jì)算分割后的區(qū)域代價(jià)聚合，直到匹配代價(jià)值均小于各區(qū)域代價(jià)聚合；

視差圖像獲取模塊700，用于計(jì)算匹配代價(jià)值均小于各區(qū)域代價(jià)聚合時(shí)各參考分塊圖像與對(duì)應(yīng)目標(biāo)分塊圖像中每個(gè)像素的代價(jià)聚合，并利用wta方法得到第一視差圖像。

基于上述實(shí)施例，聚合模塊300可以包括：

空?qǐng)D像制作單元，用于制作第一空?qǐng)D像和第二空?qǐng)D像，其中，第一空?qǐng)D像中每個(gè)像素點(diǎn)與參考圖像的像素點(diǎn)一一對(duì)應(yīng)，第二空?qǐng)D像中每個(gè)像素點(diǎn)與目標(biāo)圖像的像素點(diǎn)一一對(duì)應(yīng)；

聚合參考圖像單元，用于計(jì)算每一個(gè)參考分塊圖像的像素值之和，并賦值給第一空?qǐng)D像中對(duì)應(yīng)的像素點(diǎn)中，得到聚合參考圖像；

聚合目標(biāo)圖像單元，用于計(jì)算每一個(gè)目標(biāo)分塊圖像的像素值之和，并賦值給第二空?qǐng)D像中對(duì)應(yīng)的像素點(diǎn)中，得到聚合目標(biāo)圖像。

基于上述實(shí)施例，匹配模塊600可以包括：

判斷單元，用于分別判斷代價(jià)聚合小于匹配代價(jià)值的區(qū)域代價(jià)聚合對(duì)應(yīng)的各參考分塊圖像以及各目標(biāo)分塊圖像的像素平均值和中間像素值的大??；

重新劃分單元，用于當(dāng)參考分塊圖像或目標(biāo)分塊圖像的像素平均值小于中間像素值，則按照估計(jì)視差進(jìn)行區(qū)域擴(kuò)大，當(dāng)參考分塊圖像或目標(biāo)分塊圖像的像素平均值大于中間像素值，則按照估計(jì)視差進(jìn)行區(qū)域縮小。

基于上述任意實(shí)施例，該系統(tǒng)還可以包括：

視差求精模塊，用于將參考圖像作為新的目標(biāo)圖像，將目標(biāo)圖像作為新的參考圖像，并根據(jù)新的目標(biāo)圖像以及新的參考圖像計(jì)算得到第二視差圖像；利用第一視差圖像和第二視差圖像進(jìn)行視差求精，得到最終視差圖像。

說(shuō)明書(shū)中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見(jiàn)即可。對(duì)于實(shí)施例公開(kāi)的裝置而言，由于其與實(shí)施例公開(kāi)的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法部分說(shuō)明即可。

專(zhuān)業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開(kāi)的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來(lái)實(shí)現(xiàn)，為了清楚地說(shuō)明硬件和軟件的可互換性，在上述說(shuō)明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來(lái)執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專(zhuān)業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來(lái)使用不同方法來(lái)實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開(kāi)的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來(lái)實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(ram)、內(nèi)存、只讀存儲(chǔ)器(rom)、電可編程rom、電可擦除可編程rom、寄存器、硬盤(pán)、可移動(dòng)磁盤(pán)、cd-rom、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。

以上對(duì)本發(fā)明所提供的一種立體匹配方法及系統(tǒng)進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。