logo资料库

论文研究-一种新颖的自适应权重Census变换立体匹配算法.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书 资料大小：0.62M 资料格式：pdf 举报 版权申诉
第1页 / 共6页
第2页 / 共6页
第3页 / 共6页
第4页 / 共6页
第5页 / 共6页
第6页 / 共6页
资料共6页，全文预览结束
    192 2016，52（16） Computer Engineering and Applications 计算机工程与应用 一种新颖的自适应权重 Census 变换立体匹配算法 周旺尉，金文光 ZHOU Wangwei, JIN Wenguang 浙江大学 信息与电子工程学院，杭州 310027 College of Information and Electronic Engineering, Zhejiang University, Hangzhou 310027, China ZHOU Wangwei, JIN Wenguang. Novel stereo matching algorithm for adaptive weight Census transform. Computer Engineering and Applications, 2016, 52（16）：192-197. Abstract：Aiming at the limitation of low accuracy in the region where the depth is not continuous of the current Census transform stereo matching algorithm, a novel stereo matching algorithm for adaptive weight Census transform is proposed. An absolute value derived from the central pixel and its cross-mean is to determine the central gray valuein the stage of Census transform; With the purpose of making a difference with each pixel in the transform window, a method using linear segmentation to calculate the adaptive weight is used. The adaptive weight is also used in the stage of cost aggregation, the window size of that is determined by comparing the gradient value of the centerand itsleft and right two points. The experimental results show that the matching accuracy of the proposed algorithm is much better than the traditional Census algorithm, especially in the discontinuous depth region, the complexity of calculation and the difficulty of hardware imple- mentation is not increased obviously. Key words：stereo matching; adaptive weights; Census transform; linear segmentation 摘 要：针对当前 Census 变换立体匹配算法深度不连续区域匹配精度低的缺陷，提出了一种新颖的自适应权重的 Census 变换立体匹配算法。在 Census 变换阶段计算变换窗口中心点上下左右四个像素的均值，得到中心点与该均 值的差的绝对值，通过判断该绝对值的大小来确定中心点灰度值；为了有区别地对待窗口内各像素点，引入自适应 权重，通过线性分段型函数计算自适应权值。在代价聚合阶段同样引入自适应权重并采用变化的聚合窗口，通过聚 合窗口中心点和其左右两点的梯度值来确定聚合窗口的大小。实验结果表明，算法的匹配效果优于目前的 Census 变换立体匹配算法，在深度不连续区域匹配效果显著改善，而且没有明显降低实时性和增加硬件实现的难度。 关键词：立体匹配；自适应权重；Census 变换；线性分段 文献标志码：A 中图分类号：TP391 doi：10.3778/j.issn.1002-8331.1509-0288 1 引言 获取目标物体的深度信息是研究立体视觉的重要目 的之一，获取深度信息的实时性、精确度与立体匹配算法 密切相关[1]。全局算法有动态规划法[2]、置信度传播法[3] 等，该类算法匹配效果好，但算法复杂度较大。局部算 法主要有灰度差绝对值和、基于非参数变化的算法 [4-5]、 自适应窗口、自适应权重[6-7]等，该类算法匹配效果较差， 但复杂度较低，易于硬件实现。 立体匹配算法的相似度测量往往依赖于图像像素的 灰度值。Zabin 等提出的 Census 变换立体匹配算法由于 包含了窗口内像素点的信息，增加了一定的鲁棒性[8]，但 降低了深度不连续区域像素点的匹配效果。Yoon 等提 出的自适应权重立体匹配算法 [9]，图像边缘像素点的匹 配效果显著改善，但该算法复杂度大，不利于硬件实现[10]。 为了改善上述局限性，本文在 Census 算法上引入自 适应权重；在代价聚合阶段同样引入自适应权重并采用 变化的聚合窗口，通过聚合窗口中心点和其左右两点的 梯度值来确定聚合窗口的大小，增强深度不连续区域匹 基金项目：国家高技术研究发展计划（863）（No.2015AA016303）。 作者简介：周旺尉（1990—），男，在读研究生，主要研究领域为图像处理，人机交互；金文光（1966—），男，博士，副教授，硕士生导师， 主要研究领域为信号处理，穿戴式设备，嵌入式系统等，E-mail：jinguang@zju.edu.cn。 收稿日期：2015-09-23 修回日期：2016-01-04 文章编号：1002-8331（2016）16-0192-06 CNKI 网络优先出版：2016-03-25, http://www.cnki.net/kcms/detail/11.2127.TP.20160325.2017.026.html
    周旺尉，金文光：一种新颖的自适应权重 Census 变换立体匹配算法 2016，52（16） 193 配效果。为了不显著增加算法复杂度和硬件实现的难 度，提出了线性分段计算自适应权重的方法。实验结果 表明，本文算法得到的视差图比传统 Census 算法得到的 视差图效果好，深度不连续区域匹配效果明显提高。 2 传统 Census 变换立体匹配算法概述 2.1 传统 Census 变换 Census 变换是将像素 p 与以其为中心的窗口映射 成一个比特流，用该比特流作为中心像素点的 Census 变 换码。传统的 Census 变换的映射关系如下： ξ(I( p)I(q)) = 0I( p)  I(q) ì í 1I( p) > I(q) î （1） 式中 I( p)、I(q) 为像素点 p、q 的灰度值。由该映射关系 得到对应的比特流，其定义如下： 精度越高；反之，该点容易发生误匹配。并且“无用点” 和“有用点”对 Census 变化码的贡献相同。如图 1（a）所 示，点 K 位于深度连续区域，其 3×3 窗口内的点都是“有 用点”；点 P 位于深度不连续区域，其 3×3 窗口内画“×” 的点为“无用点”。图 1（b）显示了（a）图经过传统 Census 算法得到的视差图对应的正确匹配点与误匹配点分布， 图中灰色区域为正确匹配区域，白色区域为误匹配区 域。该图表明传统 Census 算法在深度不连续区域误匹 配率较高。 Str(xy) = ⊗ i = -l r l ⊗ j = -r ξ(I(xy)I(x + iy + j)) （2） 式中 Str(xy) 为中心像素点的 Census 变换码；(xy) 表 示中心像素点的坐标；I(xy) 为中心像素点的灰度值； I(x + iy + j) 表示坐标为 (x + iy + j) 的像素点的灰度值； l 为窗口宽度的一半，r 为窗口高度的一半；⊗ 为位串 联符。由上式的定义就可以得到左、右两幅图的 Census 变换码。在 Census 变换码的基础上，利用汉明距离相似 性测度得到匹配代价，其定义如下： l l r (xy)Str C(xyd) = Hamming(Str (xy)为左图点 (xy)的Census变换码；Str (x - dy) （3） (x - dy) 式中 Str 为右图中对应于左图 (xy) 点的视差为 d 的 Census 变 换码；C(xyd) 为两个比特串对应位相异的个数和。 得到匹配代价后，通过窗口聚合匹配代价得到总匹配代 价，其定义如下： r C sum (xyd) = å m å n i = -m j = -n C(ijd) （4） min  d  d 式中 m ，n 分别为聚合窗口宽度和高度的一半。在视差 搜 索 范 围 d 内 ，计 算 出 所 有 的 总 匹 配 代 价 值，最小总匹配代价值对应的视差索引号就是左图中坐 标为 (xy) 的视差。 2.2 传统 Census 算法的局限性 max （1）由式（2）可知，传统的 Census 变换过度依赖变换 窗口中心点，一旦中心点受到外界因素的干扰，Census 变换码会发生显著的变化，导致误匹配，降低匹配精度。 （2）传统 Census 变换使得窗口中心点包含了窗口内 其他点的强度变化信息，当窗口中心点处在深度连续区 域，由连续性假设[11]可知，窗口内其他点与中心点处于相 似深度，色度差异小，即窗口内所有点为“有用点”；当窗 口中心点处在深度不连续区域时，窗口内的某些点与中 心点处在不同的深度，色度差异大，即这些点为“无用点”。 当某中心点变换窗口包含越多“有用点”时，该点的匹配 （a）深度不连续区域 （b）误匹配分布 图 1 深度连续区域与不连续区域误匹配分布示意图 （3）由式（4）可知，在代价聚合阶段，传统 Census 算法 在深度不连续区域与连续区域采用同样大小的聚合窗口。 在深度连续区域由于深度相同或者相似的点较多，聚合 窗口应选择较大，可以包含更多“有用点”的匹配代价， 提高匹配精度。但是在深度不连续区域如果采用同样大 小的窗口，该聚合窗口中会包含较多“无用点”的匹配代 价，且这些“无用点”与“有用点”的匹配代价在总聚合代 价中所占得权重是相同的，降低了该区域的匹配精度。 3 基于自适应权重的 Census 变换立体匹配算法 3.1 改进的 Census 变换 在不显著增加运算复杂度的基础上，本文结合中心 点最接近的上下左右四点的强度变化信息，利用十字均 值确定中心像素点的灰度值。定义如下： (xy) = (I(x + 1y) + I(x - 1y) + I(xy + 1) + I a I(xy - 1))/4 （5） 式中 I(x - 1y) ，I(x + 1y) 为中心点 (xy) 的最邻近左 右点的灰度值，I(x - 1y) ，I(x + 1y) 为中心点 (xy) 的 最邻近上下点的灰度值。得到均值后，将其与中心点的 灰度值进行比较并求得该比较值的绝对值。最后，通过 该绝对值与设定阈值的比较，确定中心像素点的灰度 值。中心像素点的灰度值定义如下： | (xy) = I r | I I(xy) | I (xy) I a a ì ï í ï î (xy) - I(xy)  T a (xy) - I(xy) > T | a a （6） a 为设定的阈值。当阈值 T 式中 T 心点像素实际没发生突变却误判为突变，由于阈值较 小，均值与中心像素点的差别不明显，对 Census 变化码 选择较小值时，若中 a
    194 2016，52（16） Computer Engineering and Applications 计算机工程与应用 的影响小；当阈值选择较大值时，若中心点像素实际发 生突变却误判为没有突变，该情形对 Census 变化码的影 响大，会影响匹配精度，所以应选择较小的阈值。通过 对多幅图像的相邻点的分析及在不同阈值下的 Census 变化的仿真得出阈值 T 的合适区间为[15，25]，本文算 法选择阈值为 18。 a 自适应权重算法[9]在代价聚合阶段有区别地对待聚 合窗口内的像素，利用格式塔理论的相似性和接近性原 则，通过计算聚类强度给聚合窗口内的每个像素点分配 合适的权重：根据相似性原则，聚合窗口内与待匹配像 素颜色信息越接近的像素点分配越大的权重；根据接近 性原则，聚合窗口内与待匹配像素空间距离越接近的像 素分配越大的权重。本文在 Census 变换过程中引入自 适应权重，并对传统自适应权重的计算做出改进。由于 进行 Census 变化时采用相对较小的窗口，窗口内的点与 中心点的距离都较为接近，所以接近性原则对各权值分 配的影响较小，为了降低算法的复杂度，仅仅通过颜色 相似性来确定聚类强度，初始权值定义如下： w( pq = C ´ exp ) - æ çç è pq Dc γ c ö ÷÷ ø （7） pq 式中 Dc 为中心像素点 p 与其窗口内像素点 q 的色度 差异值，表征颜色相似程度；C 为常数因子，C = 64 ，γ c = 16 [10]，它控制着颜色相似程度对权重 为色差因子，γ 大小的影响。色度差异值定义如下： c Dc pq = |I( p) - I(q)| （8） 初始权值定义中的聚类强度函数为指数型，增加了 算法的复杂度和硬件实现的难度。在尽量不影响权值 分配的前提下降低计算权重的复杂度，本文提出了线性 分段函数计算自适应权重。 图 2 为式（7）的函数图形。本文根据最小均方根误 差准则采用线性分段函数逼近原指数函数。先用原指 数函数首尾相连而成的一段直线来逼近原指数函数，计 算出 1 段线性分段函数与原函数的均方根误差，找出原 指数函数与该直线误差最大的点作为再次分段的间断 点。利用该间断点将原指数函数分成 2 段线性分段函 数，计算其均方根误差，且分别找到 2 段线性分段函数 各自段中与原函数误差最大的两个间断点，从而得到 4 段线性分段函数，以此类推，可以不断进行线性分段以 逼近原指数函数直到均方根误差趋于稳定，与此同时得 到线性分段函数的各个系数与区间。 均方根误差定义如下： i = n å i = 0 σ = (w'(i) - w(i))2 n （9） 式中 w′(i)、w(i) 分别为分段函数与指数函数色度差异值 为 i 时的权重值，n 为统计点的数量。图 3 给出了线性 分段函数逼近过程及间断点选取。 70 60 50 40 30 20 10 0 70 60 50 40 30 20 10 0 重 权 重 权 20 40 60 80 100 120 色度差 图 2 指数型函数 一段 两段 四段 八段 原指数 20 40 60 80 100 120 色度差 图 3 线性分段逼近及取点过程 由图 2 可知，当色度差异值大于 100 时，权重值趋近 于 0，因此本文在色度差异区间 [0，100]内进行函数逼 近，图 3 显示了 1，2，4，8 段线性分段函数逼近原函数。 由该图可以看出线性分段数越多，越逼近原函数。图 4 给出了本文线性逼近方法的不同分段数的线性分段函 数的均方根误差对比图，统计的色度差异取值为 0~100 的所有整数。由图 4 可知，当分段数接近于 8 时，均方根 误差趋向于稳定，此时再增加分段数，只会显著增加算 法的时间复杂度。 25 20 15 10 5 0 / % 差 误 方 均 1 2 4 8 16 分段数 图 4 均方误差对比图 32 为了进一步降低算法的复杂度和实现难度，本文在 8 段线性分段的基础上进行简化。由图 3 可知，8 段线性 分段函数后四段变化平缓且其值较小可用常数代替，最 后两段都接近于 0 可以合并成一段处理；将其前四段的 分段函数系数四舍五入变为整数。最终，按照本文分段 方法得到的 8 段线性分段简化为式（10）中的 7 段线性分 段函数。
    周旺尉，金文光：一种新颖的自适应权重 Census 变换立体匹配算法 2016，52（16） 195 近的点分配较大的权值，在 Census 变化码中占较大比 重；反之，与中心点颜色差异较大的点分配较小权值，在 Census 变化码中占较小比重。 （10） 结合以上两点，得到全新的自适应权重 Census 变换 的映射关系，定义如下： w′( pq) = û û û û 64 - 3x x Î[06] ì ë ï ï 58 - 2x x Î(616] ë ï ï ïï 42 - x x Î(1632] ë ï ï í 45 - x x Î(3243] ë ï ï 2x Î(4356] ï ï ïï 1x Î(5699] ï ï 0x Î(99¥) î 式中：ëû× 为向下取整。图 5 给出了该 7 段线性分段函数 与原指数函数的对比图。可以看出本文 7 段线性分段 函数有较高的拟合程度，通过计算得到该 7 段线性分段 的均方根误差为 0.98，与原 8 段线性分段函数的均方根 误差基本一样。 70 60 50 40 30 20 10 0 重 权 七段线性分段 原指数函数 20 40 80 60 色度差 100 120 140 图 5 7 段线性分段逼近图 图 6（a）给出了不同线性分段权重 Census 算法在深度 不连续区域的误匹配率；图 6（b）给出了不同线性分段权 重 Census 算法的一次运行时间。输入图像为 Middlebury 网站上的标准图像组：Teddy；Census 变换窗口大小与聚 合窗口大小都为 7×7。由图可以看出，分段数越多误匹 配率越低，算法的运行时间也越长。与 8 段线性分段相 比，该 7 段线性分段能够在不降低匹配精度的前提下， 降低算法的运行时间。 30 25 20 15 10 5 0 / % 率 配 匹 误 域 区 续 连 不 度 深 9 000 8 000 7 000 6 000 5 000 4 000 3 000 2 000 1 000 s / m 间 时 行 运 次 一 12 4 78 分段数 16 0 12 4 78 分段数 16 （a）深度不连续区域误配率 （b）一次运行时间 图 6 五种不同线性分段性能分析 本文通过 7 段线性函数逼近原指数函数，对 Census 变换窗口内的点进行权值分配，实现了与中心点颜色相 ( p)I(q)) = ξ ′I r -w′( pq)I ì í w′( pq)I î r ( p)  I(q) r ( p) > I(q) 由此可以得出点 p 的 Census 变换码为： （11） Str′(xy) = ⊗ i = -l r l ⊗ j = -r ξ ′(I(xy)I(x + iy + j)) （12） 图 7（b）由图 1（a）经 7 段线性分段自适应权重 Census 算法得到的误匹配区域分布图。对比图 1（b）可以直观 地看出加入分段线性自适应权重的匹配算法在深度不 连续区域能够有效地降低误匹配率。 重 权 80 60 40 20 0 K 点 P 点 4 6 2 窗口内其他点 （a）权重值分配 8 （b）误匹配分布 图 7 7 段线性分段函数匹配效果分析 3.2 匹配代价计算及代价的聚合 分别将左右图像进行 Census 变换后，需要计算匹配 代价并且将其聚合，得到初始视差图。本文采用差绝对 值和（SAD）作为相似性测度计算匹配代价，定义如下： C′(xyd) = å n | Str | （13） '(xy) r i - Str '(x - dy) r i i i '(xy) r '(x - dy) r i = 1 为左图中坐标为 (xy) 的点的 Census 变 式中 Str 换 码 串 的 第 i 个 值 ；Str 为 右 图 中 坐 标 为 (x - dy) 的点的 Census 变换码串的第 i 个值；得到匹配 代价后，进行代价聚合，使聚合代价最小的视差索引号 就为该点的初始视差。为了进一步提高深度不连续区 域的精度，在代价聚合阶段也引入线性分段型自适应权 重。对聚合窗口内与中心点颜色接近点的代价分配较 大的权值，使得该“有用点”的代价在聚合后的总匹配代 价中占较大的比例。深度不连续区域常常出现在物体 边缘位置，而物体边缘位置具有幅值和方向属性，平行 于边缘方向，颜色变化平缓，梯度值小；与边缘垂直方 向，颜色变化明显，梯度值较大[12]。因此，在深度不连续 区域往往有较大的梯度值。在代价聚合阶段，为了使聚 合窗口内包含较少的“无用点”，提出了基于临近点梯度 判断法来确定聚合窗口的大小。为了降低算法的复杂 度，本文临近点梯度定义如下：
    196 2016，52（16） Computer Engineering and Applications 计算机工程与应用 G( p) = )||I( p) - I( p max(|I( p) - I( p 1 )||I( p) - I( p min(|I( p) - I( p 1 )|) 2 )|) 2 （14） 式中 I( p )、I( p 1 的灰度值。通过比较 G( p) 与设定阈值 T ) 分别为最靠近中心点 p 的左右两像素点 ，确定聚合窗口 2 g 的大小。阈值 T g 的选择原理与 T 对不同阈值的比较，最终选取 T g 的选择原理一致，经过 a = 3 。如果梯度值小于阈 值，认为该像素不处在图像的边缘附近，选择较大窗口 （13×13）[11]；否则，选择较小窗口。表 1 给出了 Middlebury 测试网站上的四幅标准图在不同小窗口大小时的不连 续区域的误匹配率，可以看出当小窗口大小为 7×7 时， 深度不连续区域的误匹配率较低。相对于其他几种小 窗口，该小窗口的 Tsukuba 和 Teddy 的误匹配率最低。 表 1 不同小窗口大小的深度不连续区域匹配对比 小窗口大小 Tsukuba Disc Venus Disc Teddy Disc Cones Disc 3×3 5×5 7×7 9×9 11×11 11.50 11.81 11.21 12.20 13.80 7.95 6.86 7.58 8.23 10.30 18.91 18.80 18.11 20.20 21.80 8.36 8.42 7.42 7.31 10.60 结合以上的改进，本文代价聚合定义如下： - )´ C′(q, q d - q w′( pq)´ w′( w′( p,q)´ w′( -- p d -- p d å q Î N (P), ) = - q d -- p d Î N ( - q d ---- p d ) , ) d å q Î N (P)- q Î N ( d ---- p d ) C′ s ( p, ) （15） 式中 p 为标准图中待匹配中心像素点，q 为以 p 为中心 的聚合窗口内的某像素点；-- 为视差为 d 的目标图中 p d 对应于 p 的像素点，- 为以 -- 为中心的聚合窗口内的 p q 对应于 q 的某像素点；N (P) 表示聚合窗口内的像像素 点；w′( pq) 代表该两点之间的自适应权值；C′(q- ) 为 q 该两点之间的匹配代价。在视差搜索范围内，是聚合代 价值最小的视差索引号是该点的视差。 d d d 4 实验结果及分析 本文算法在 Middlebury 测试网站上进行匹配效果 的测试。评估算法性能的主要指标为误匹配像素比，定 义如下： B = 1 (xy)| > σ (xy) - d （16） s d N å|d c c (xy) 为 (xy) 处利用某算 式中 N 为图像的总像素数；d (xy) 为 (xy) 处的真实视差值；σ 法得到的视差值；d d 为阈值。网站上有 4 组标准图像：Tsukuba、Venus、Teddy 和 Cones。按照该网站提供的测试要求，分别将上述 4 组图依照本文算法进行立体匹配比较。 s 图 8 直观显示了算法的性能。前两列的各四幅彩色 图像分别对应上述的 4 组标准图的左右图像。第三列 分别为 4 组图的真实视差图。第四列为通过本文改进 立体匹配算法得到的视差图。最后两列直观的反应了 匹配算法的性能。第五列中的白色的区域表示正确匹 配的区域，其他颜色的区域为错误匹配的区域。第六列 中的灰色的区域为精确匹配的区域，其他颜色的区域为 错误匹配的区域。本文算法中的 Census 变换的窗口大 小为（9×9）像素，代价聚合阶段的大聚合窗口为（13×13） 像素，小聚合窗口为（7×7）像素。其他算法在代价聚合 阶段的窗口大小选择（13×13）。将本文算法得到的视差 图与真实视差图进行直观的对比，可以看出大部分区域 匹配正确，图像中的边缘位置，深度不连续区域的匹配 效果较好。 图 8 本文算法立体匹配结果及匹配性能 图 9 给出了本文算法得到的视差图与几种常见局 部立体匹配算法得到的视差图对比结果。其中第一行 至最后一行分别为上述 4 组图的视差图。第一列至最 后一列依次为本文算法、传统 Census 算法、RTCensus 算 法 [13]、RINCensus 算 法 [14]、LCDM+Adaptwgt 算 法 [15]得 到 的视差图。相比于上述四种算法，本文算法在图像深度 不连续区域的匹配效果增强，如物体边缘区域、前景与 背景的交界处，且本文算法总体匹配效果也得到改善。 由图可以看出好于传统 Census 算法、RTCensus 算法和 LCDM+Adaptwgt 算法。 图 9 本文算法与几种其他立体匹配算法的结果图 表 2 显示阈值为 1 时本文算法和上述几种局部算法 的误匹配像素比。表中 Nocc 为非遮挡区域的误匹配像 素比，All 为总误匹配像素比，Disc 为深度不连续区域
    周旺尉，金文光：一种新颖的自适应权重 Census 变换立体匹配算法 2016，52（16） 197 表 2 本文算法与几种常用局部算法的性能对比 立体匹配算法 本文算法 传统 Census RTCensus RINCensus LCDM+AdaptWgt Tsukuba All 6.45 12.20 6.25 6.00 7.84 Disc 11.81 21.82 19.22 14.45 22.21 Nocc 4.83 10.61 5.08 4.78 5.98 Venus All 1.92 4.83 2.42 1.76 Nocc 1.03 3.42 1.58 1.11 14.50 15.42 Disc 7.58 10.80 14.21 7.91 35.92 Nocc 7.89 14.82 7.96 9.76 20.82 Teddy All 6.65 22.10 13.81 17.31 27.30 Disc 18.11 28.60 20.31 26.12 38.30 Nocc 4.52 11.40 4.10 8.09 8.90 Cones All 5.40 18.81 9.54 16.20 17.20 Disc 7.42 17.10 12.20 14.90 20.00 err 6.49 16.20 9.73 10.90 19.50 误匹配像素比，err 为平均误匹配像素比。相比于传统 Census 算法、RTCensus 算法和 LCDM+Adaptwgt 算法，本 文算法在各个区域的误匹配像素比都较低，尤其在深度 不连续区域；相比于 RINCensus 算法，本文算法在深度不 连续区域的误匹配率降低，只是在 Tsukuba 的非遮挡区 域的误匹配率略有增加，在其他区域匹配效果得到改善。 这是由于引入了自适应权值，在进行 Census 变换和代价 聚合时对窗口内的点采取有区别的对待，给窗口内相似 的点分配较大权值，而差别较大的点分配较小权值。 在算法的复杂度方面，假设改进的 Census 变换窗口 内像素点总数为 C ，进行视差搜索的范围为 d ，为了便于 复杂度的分析，统一将改进的聚合窗口内像素点总数定 为 W ，图像的总像素点为 N 。本文算法与传统 Census 算 法相比，复杂度主要增加在线性分段函数型的自适应权 值计算上。本文算法的计算复杂度 µ O(NDC1.5W 0.5) 。 传 统 的 Census、RTCensus 和 RINCensus 的 计 算 复 杂 度 µ O(NDCW ) 。 LCDM + AdaptWgt 算 法 的 计 算 复 杂 度 µ O(NDW ) 。在立体匹配时，往往是 N  W > C ，所以本 文 算 法 的 计 算 复 杂 度 比 传 统 的 Census、RTCensus 和 RINCensus 的计算复杂度要大，小于 LCDM+AdaptWgt 的计算复杂度。表 3 为本文算法、传统 Census 算法、传 统 AdaptWeight 算法的一次执行时间。实验的硬件平 台：CPU 是 Intel Core i5-3317U，主频是 1.7 GHz，内存大 小为 8 GB。Census 变换窗口大小为（9×9），聚合大窗口 为（13×13），聚合小窗口为（7×7）。传统的 Census 立体 匹配算法和传统 AdaptWeight 立体匹配算法的聚合窗口 为（13×13）。本算法执行时间比传统 Census 算法的执 行时间长，为了提高匹配精度和深度不连续区域的匹配 效果，改进的 Census 变换和匹配代价计算与聚合，增加 了计算复杂度。相对于传统的 AdaptWeight 算法，算法 执行时间短。这是因为本文算法简化了自适应权值的 计算，在计算权值时采用了线性分段函数的方法来代替 了传统的指数函数，这降低了运算复杂度，加快了运算 的速度。线性分段函数型计算自适应权值的方法易于 表 3 实际实时性比较 立体匹配算法 Tsukuba 本文算法 传统 Census 算法 传统 AdaptWeight 2 623 1 928 2 858 Venus 3 125 2 458 3 656 Teddy 6 752 5 548 7 643 ms Cones 6 955 5 618 8 812 硬件实现，如果在硬件实现中考虑并行化设计，流水线 结构，可以进一步提高实时性。 5 结束语 为了解决当前 Census 算法深度不连续区域匹配精 度低的问题，提出了一种新颖的基于改进自适应权重的 Census 立体匹配算法。在 Census 变换阶段采用基于十 字均值判断法来确定变换窗口中心点像素值，并且引入 了自适应权值，为了降低自适应权值计算的复杂度，提 出了线性分段函数型计算自适应权重的方法；在代价聚 合阶段同样引入自适应权值，采用基于临近点梯度的判 断法来确定聚合窗口大小的方法。实验结果表明，本文 算法在深度不连续区域匹配效果得到明显改善，匹配精 度有所提高。本文算法的实时性并没有明显降低，硬件 实现的难度没有显著增加。如何用硬件实现该算法获 取视差图是今后我们研究的主要工作。 参考文献： [1] Wang Guijin，Yin Xuanwu，Pei Xiaokang，et al.High accuracy stereo matching based on adaptive ground control points[J]. IEEE Transcations on Image Processing，2015，24（4）： 1412-1423. [2] Hsiao Shen-fu，Wang Wen-ling，Wu Po-sheng.VLSI imple- mentations of stereo matching using dynamic program- ming[C]//2014 International Symposium on VLSI Design， Automation and Test.Hsinchu：IEEE，2014：1-4. [3] Yang Ying-yun，Wang Xiao-ru，Liang Qian.Belief propa- gation stereo matching algrithm based on ground cntrol points and spatiotemporal consistency[C]//7th International Congress on Image and Signal Processing（CISP）.Dalian： IEEE，2014：78-82. [4] 赖小波，朱世强.基于互相关信息的非参数变换立体匹配算 法[J].浙江大学学报：工学版，2011，45（9）：1636-1642. [5] 雷磊，郑江滨，宋雪梅.基于改进 Census 变换的立体匹配算 法[J].计算机应用研究，2013，30（10）：3185-3188. [6] Hosnia，Bleyer M，Gelautz M.Secrets of adative support- weight techniques for local stereo matching[J].Computer Vision and Image Understanding，2015，48（7）：2269-2278. [7] 王军政，朱华建，李静.一种基于 Census 变换的可变权值立 体匹配算法[J].北京理工大学学报，2013，33（7）：704-710. （下转 215 页）
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料