基于計算機的視覺立體匹配算法探究

周 瓊

（湖南永州職業技術學院，永州 425000）

上個世紀60年代初期，計算機視覺正式興起，其中以立體視覺為重要分支。在雙目立體視覺中，立體匹配是從不同視角對同一場景拍攝并獲得圖像對，再找出兩幅圖像中特征相同的點，然后再算出視差，最后得到圖像的三維信息。下面，筆者主要探討計算機雙目視覺的立體匹配算法。

1 雙目立體視覺原理

1.1 雙目立體視覺模型

據研究，雙目立體視覺是先從不同視角利用兩臺攝像機拍攝同一場景，并獲得兩幅圖像，然后按三角測量與視差原理，測得物體至成像系統的距離或深度信息。其中，可按攝像機安裝的位置將雙目立體視覺分為兩種模型。基于匯聚光軸的視覺模型按一定的角度安裝左、右攝像頭；基于平行光軸的視覺模型完全平行安裝左、右攝像頭。對于基于匯聚光軸、平行光軸的兩種視覺模型，前者具有攝像頭安裝難度較低、兩臺攝像機的間距與方向可自由調節、圖像的遮擋減少、攝像機視場范圍可自由調節等優點；后者的效果最好，但在實際安裝攝像頭時，卻很難實現兩個攝像頭完全平行。

1.2 視差原理

下面，筆者選擇基于平行光軸的視覺模型，以解析雙目立體視覺所用的視差原理。假設攝像機的焦距為f，兩個攝像頭的基線距離為B及其成像中心分別為OR、OT，現實中物體點到B的距離為Z，兩臺攝像機投影平面上P點的成像點分別為p、p’，那么可按三角測量原理進行如下描述：

據此，在基于光軸平行的視覺模型中，兩臺攝像機的基線與其成像平面相互平行，則得視差場景的深度與攝像機的焦距、基線的長度呈正相關，同時與視差呈負相關，而物體深度與其呈負相關，表明物體距離攝像機較近時的值具有更高的精確度。

2 雙目視覺立體匹配算法

2.1 BM算法

BM算法是一種局部立體匹配算法，其以支撐窗為理論基礎，并假設支撐窗中像素的視差相同，即：先設定小窗口，再在待匹配的圖像上按窗口中的特征向量遍歷搜索，然后再計算遍歷中不同窗口與該窗口的相似度，并取最相似的窗口為最后結果。關于BM算法，其既可以像素（塊）為匹配特征，又可按圖像特征對窗口進行自適應調節。關于最佳窗口的搜索，贏者通吃法是最常見的優化算法，其原理為：先算出不同匹配窗口中對應于每一像素點的匹配代價，再以匹配代價最小的窗口為最后的匹配窗口。BM算法的首要任務是算出匹配代價，即：視差分別從左、右視圖中選定矩形窗口及其中心分別為p1（x，y）、p2（x+d，y）；運用匹配代價函數算出兩個矩形窗口的相似性。其中，匹配代價函數以SAD（絕對差之和）、SSD（平方差之和）和ZSSD（歸一化互相關）等為主，本文運用SAD找尋左、右圖的最優匹配點。綜上，BM算法的實現步驟為：首先，通過預過濾，以對圖像對亮度進行歸一化處理及強化圖像紋理；其次，運用SAD窗口沿極線開展匹配搜索；最后，通過再過濾，以篩除誤匹配點。

2.2 GC算法

GC算法是一種全局匹配算法，其處理效果最好。關于GC算法，Boykov等人提出了基于Graph Cut（圖割）的立體匹配技術，即通過實現圖像最小割來解決能量最小化的問題。在Graph Cut模型中，構造數據與平滑約束項是最為核心的問題，目的是使圖像分割結果的精準度更高，其中運用的能量函數為：

其中，P為全部像素；p為某一像素的位置；N為鄰接關系；D為數據約束；f為標記；Dp（fp）為像素p在視差為fp時對應的匹配代價；V為光滑約束。圖像最小割問題的解決方法為最大流，所以Graph Cut在解決能量最小化問題時常用網絡流算法。綜上，GC算法先以能量函數中每個因子的取值建構賦權圖，再以賦權圖的最小割對目標能量函數進行極小化處理，通過解決賦權圖最小割問題來解決全局能量最小化問題，然后再運用最大流算法進行解答。

GC算法的實現步驟為：首先，運用某種分割法按一定程度分割圖像；其次，運用BM算法快速求解每一點的初始視差；第三、根據視差信息，對每一區域開展平面化建模，并獲得平面集合；第四、修正平面集合；第五、以區域為單位全面匹配，從而獲得每一區域的視差。

2.3 SGM算法

SGM算法是半全局匹配算法，其相似性測度為互信息。其中，匹配點僅可對附近路徑上的一些像素進行搜索，所以弱紋理區會出現誤匹配。SGM算法的實現步驟為：首先，逐一計算左、右掃描線上的像素；其次，選擇八條規劃路徑聚合匹配代價；第三、運用迭代法計算視差；第四、按照左、右圖像同名像素點具有一致性來篩除無效匹配點。

3 結語

綜上，本文簡要探究了計算機雙目視覺立體匹配算法，并著重介紹了BM算法、GC算法和SGM算法。經過數十年的深入發展，雙目視覺立體匹配得到了不斷改進，且在醫學診斷、機器視覺等領域發揮了重要作用。但目前，仍缺少一種通用性強、精確度高且快速的匹配算法，且立體匹配仍是計算機雙目立體視覺的瓶頸，有待深入研究。