双目立体匹配：AD Census

ADCensus立体匹配算法是Xing Mei, Xun Sun, Mingcai Zhou等几个人

在2011年，发表的一篇题目为：《On Building anAccurate Stereo Matching System on Graphics Hardware》中提出的。

ADCensus双目立体匹配算法曾一度排在MiddleBurry官网上第一的位置，引用量很高。

其主要优点是并行加速，精度又好，能有效兼顾这两点。

本经验主要分为以下几个方面：

ADCensus算法优点；算法步骤；匹配代价；代价聚合；视差优化；视差细化；

1、ADCensus算法优点；

基于GPU下的ADCensus立体匹配算法兼顾匹配速度和精度；

根据Scharstein 和Szeliski提出的理论算法分为以下四个步骤：

代价计算(cost initialization)：绝对差AD+Census变换算法

代价聚合(cost aggregation)：动态十字交叉域

视差优化(disparity computation)：扫描线视差优化

后处理(refinement)：多步后处理操作

以上算法都可以通过并行加速提高速度。

2、AD-Census Cost Initialization：

对每个像素点和视差等级进行处理，本质上是并行的；

所以此步骤就只考虑如何提高代价计算精度。

常见的代价计算方法：绝对差AD，

互熵信息BT(“Depth Discontinuities by Pixel-to-Pixel Stereo” by S. Birchfield and C. Tomasi),基于梯度的，Census等。

Hirschmuller和Scharstein证明：Census是具有最好效果的算法；

Census是通过对图像局部区域进行编码，具有很好的相对次序性，对光照和图像噪声鲁棒；

然而在重复区域和相似纹理区域具有匹配模糊性，导致误匹配；

又由于AD绝对差对差异性比较敏感，

所以进行结合形成ADCensus算法计算初始代价；

函数的作用：

①使匹配代价的范围在[0,1]；

②通过lambda调节两者的作用；

公式效果如图所示：

3、Cross-basedCost Aggregation

代价聚合的目的：减少初始代价中的匹配模糊和图像噪声的影响。

代价聚合的依据：相似的区域具有相似的视差；

常见代价聚合方法：图像分割，自适应权重，自适应窗口等。

这篇文章采用动态交叉域的代价聚合方法：

分为两步：交叉域构建，代价聚合；

代价聚合规则：计算颜色差值和空间距离，通过3规则构建交叉域；通过4次迭代进行代价聚合。

优点：对大的少纹理和视差不连续区域减少匹配误差。

4、ScanlineOptimization

目的：选择最佳的视差范围，生成视差图。

4方向的扫描线优化策略：适合并行计算，减少匹配模糊。

P1、P2惩罚系数：

5、Multi-stepDisparity Refinement

多步视差细化

①：通过左右一致性准则，检测出离群点：遮挡区域和视差不连续区域的点

②：Iterative Region Voting:

③：Proper Interpolation:

④：Depth DiscontinuityAdjustment:

⑤：Sub-pixel Enhancement:

6、实验效果：ADCensus匹配算法：兼顾精度和速度；

据说可以达到实时的效果。

还有篇博文也是ADcensus的，http://www.cnblogs.com/sinbad360/p/7842009.html，互相印证，更好的理解。