一種基于高級驅動輔助系統快速時空立體匹配方法

朱素杰，王 萌

(周口科技職業學院，河南 周口 466100)

0 引言

高級駕駛輔助系統(Advanced Driver Assistance Systems, ADAS)旨在提高汽車的安全性和駕駛舒適性，其功能包括目標檢測和跟蹤、交通標志檢測和識別、行人檢測等。ADAS面臨的最重要的難題是車輛對外部環境的感知，然而隨著立體視覺技術的不斷成熟，立體匹配可以非常精確和詳細地對周圍環境進行直觀的描述。立體匹配的關鍵問題在于從不同視點拍攝的立體圖像中找到像素之間的對應關系[1]。為此，文獻[2]提供了一種新的高密度立體聲通信算法分類法(STM)和一個用于定量評價立體算法(SM)的試驗臺?？梢钥闯?，這兩種算法產生了很好的結果，然而卻以時間為代價，僅適合于靜態場景[3]。

本文研究的方法主要致力于立體聲傳感器嵌入在動態的ADAS，對于應用在動態場景上的立體匹配，需要處理動態場景。該匹配算法通過立體聲傳感器根據每秒的幀提供每一對立體圖像對，獲得相應的立體圖像，將時間信息合并到立體方法中來提高最后的匹配結果。然而，僅有少量的研究致力于從立體序列中重建動態場景。本文通過考慮連續幀之間的一致性，將立體匹配的結果大大改進。

本文提出了一種基于時空信息的快速立體匹配方法?；谠缙谔岢龅耐ㄟ^圖像點得到全球視差范圍的方法，本文提出了一種新的計算視差范圍的方法。該方法不再通過所有圖像點來求取全局視差范圍，而是根據邊緣點的性質得到。最后，將該方法和STM[4]、SM[5]方法進行了比較，通過比較結果可以看出該方法大大提高了匹配率。

1 立體匹配算法

圖1 算法流程圖

首先根據以上方法進行特性的匹配，然后通過關聯方法在連續的圖像之間建立關系。根據視差約束原理，本文提出一種獨立于掃描線的視差約束方法。通過成本函數來度量候選邊緣點之間的相似性。最后利用DP算法計算當前幀的視差圖Dk進行特征點的匹配。

1.1 匹配特征

首先從立體圖像中提取匹配特征點。通常使用邊緣點作為特征點。為了便于適應智能交通系統，需要選擇快速而準確的邊緣檢測算法。本文使用Canny邊緣檢測算法進行了邊緣檢測，此邊緣檢測器提供了連續的邊緣曲線，并產生了更重要的邊緣點，有助于得到較少的稀疏視差圖。

1.2 邊緣點之間的聯系

圖2 連續幀左圖像對應點坐標

1.3 視差因素

在所有已知的立體匹配方法中，對于輸出視差圖的質量和計算時間來說，精確選擇視差搜索空間是至關重要的。在本節中，提出了一種新的查找局部和全局視差范圍(視差搜索空間)方法。將局部視差范圍適用于相關聯的圖像點，將全局視差范圍適用于沒有關聯的圖像點。通過討論研究，根據匹配算法在每一對圖像掃描線上獨立執行的原理，提出局部或全局視差范圍與圖像掃描線有關。

1.3.1局部視差范圍計算

圖3 相鄰幀邊緣點坐標圖

從式(2)和式(3)可以推斷出：

局部視差范圍根據前一幀的邊緣點對當前幀中的相應點進行搜索。

1.3.2全局視差范圍計算

全局視差范圍的計算方法是基于v視差圖的分析，該v視差圖通過初始視差圖或預估視差圖得到。在本文中，根據當前幀的v視差與前一幀相同的原理，提出了一種既不用計算初始視差圖，也不用計算預估視差圖的計算方法。如果每秒的幀數非常精確，那么圖像中物體的視差值不會發生較大的變化。也可以說，在當前幀的v視差圖中道路表示的斜線，將會在前一幀的v視差圖中非常接近它的位置。當前幀的v視差圖將分為兩部分：包含對象的頂部和包含道路的底部。在v視差圖中表示道路的斜線可以用下列方程描述：

di=(yi-b)/a

(5)

其中yi為圖像線指數，di為同一圖像線的視差值，a和b為斜線參數。

每個圖像線上只有一個視差值di?？紤]到上面所做的假設與前一幀的視差圖所固有的不確定性，在圖像線yi處的差異d的值應該滿足以下不等式：

di-a≤d≤di+a

(6)

其中a是選擇的一個不確定性值(公差值)。此約束用于圖像底部的整個圖像線。

圖4 通過v視差計算的全局視差范圍圖

1.4 成本函數

其中I(ei)是邊緣點ei的強度，M(ei)是邊緣點ei的梯度大小，θ(ei)是邊緣點ei的方向。

1.5 動態規劃算法

圖5 局部視差范圍圖

局部視差范圍不僅需要提高匹配點的精度，也需要提高整個圖像的精度，因為如果DP算法在某一步失敗，將可能影響到圖像中其他邊緣點匹配。但在本文的匹配過程中，如果DP算法在某一個階段失敗，那么局部視差范圍就會迫使算法遵循最優路徑，如圖5所示。當在圖像中發現大量的局部區域時，局部視差范圍都能夠較好地控制。

2 實驗結果

為了評估本文所提方法的性能，在立體圖像對的虛擬序列中進行了測試，并與現有的快速時空立體匹配方法相比較。為了說明時間信息在匹配過程中的重要性，在不整合時間信息的情況下，同樣的方法應用于立體圖像，既不使用本地約束，也不使用全局約束。

該方法在虛擬立體圖像上進行了測試。數據集包含512×512的立體圖像和它們的地面實況。圖6顯示了在第294幀的左立體圖像，圖7顯示了由Canny邊緣檢測算法獲得的邊緣圖像。圖8描述了用本文方法在第294幀計算的視差圖。圖9描述了由STM和SM方法計算該幀的視差圖。

圖6 第294幀的左立體圖像

圖7 由Canny邊緣檢測算法獲得的左圖像

圖8 本文方法在第294幀計算的視差圖

圖9 由STM和SM方法計算該幀的視差圖

表1對三種方法在第294幀中得到的結果進行比較，為每種方法提供了匹配邊緣點(NME)的數量、正確匹配點的數量(NCM)、錯誤匹配點的數量、正確匹配的百分比(PCM)和第294幀的執行時間(ETime)。

通過表1可以清楚地看到本文方法正確匹配了更多的邊緣點，提供了較少的稀疏視差圖，從而大大提高了正確匹配率。

表1 三種方法在第294幀中獲得的結果

3 結束語

本文利用相鄰幀之間的時間一致性，通過對前一幀的匹配結果進行計算，完成了當前幀的視差圖的計算。在當前幀的匹配過程中，通過前一幀的視差圖來確定局部和全局視差范圍，這樣既減少了每個邊緣點可能匹配的數量，也減少了錯誤匹配的數量，并加速了匹配過程。該方法已經在虛擬的序列上進行了測試，結果令人滿意。后續研究中將在真實序列中進行測試。