自适应权值Census-Hamming距离立体匹配算法研究

"基于Census变换的自适应权值Hamming距离立体匹配算法" 立体匹配是计算机视觉中的核心问题，主要用于获取场景的深度信息，广泛应用于机器人导航、三维重建和智能驾驶等领域。传统的立体匹配算法，如SAD、SSD和NCC，容易受到光照变化和图像畸变的影响。为了解决这些问题，Census变换被提出，它通过比较窗口内像素的相对顺序关系来生成稳健的特征描述符，增强了对光照变化的鲁棒性。 Census变换的计算过程可以描述为：对于图像中的每个像素点P(u, v)，将其周围n×m大小的窗口st内的像素值与中心像素值P(u, v)进行比较，形成一个二进制编码。这个编码能够保留像素的相对顺序，即使在亮度变化下，相同结构的区域也能得到相同的编码，从而提高了匹配的稳定性。 然而，Census变换结合传统的Hamming距离计算匹配代价时，所有邻域像素被等同对待，这可能导致匹配信息不足，增加误匹配概率。为了解决这个问题，该文提出了一种自适应权值的Hamming距离算法。算法引入了邻域像素的空间距离，根据像素到中心像素的距离进行分等级计算，使得匹配信息更加丰富。此外，使用梯度图像中像素间的距离作为计算代价的权重，增强了对噪声的抗干扰能力，并能更好地反映图像的纹理信息。 为了进一步优化算法效率，文章引入了稀疏聚合窗口，降低了算法的复杂度。传统的聚合窗口可能包含大量无关像素，稀疏窗口则只考虑与中心像素相关性高的像素，这样既减少了计算量，又保持了匹配精度。最后，通过亚像素插值技术提高匹配精度，使得立体匹配结果更加精细。 实验结果显示，该算法在提高匹配准确性和抗干扰性的同时，降低了算法的复杂度，适合于实时的立体匹配应用。在弱纹理区域，该算法表现出更高的精确性，无需额外传感器辅助，对于机器人和自动驾驶等实时应用场景具有显著优势。 基于Census变换的自适应权值Hamming距离立体匹配算法通过一系列创新改进，有效提升了立体匹配的性能，降低了误匹配率，增强了算法的实时性和鲁棒性，为实际应用提供了强有力的支持。