Local Plane Sweeps

Efficient High -Resolution Stereo Matching using Local Plane Sweeps

这篇文章是微软的又一篇介绍立体匹配的文章，这篇文章中匹配算法的pipleline如下：

Algorithm ： Local-Plane-Sweep-stereo ( $I_i$ ,$I_j$ )
$M$ <= match key points of ( $I_i$ ,$I_j$ )
$N$ <= estimate disparity planes ( $M$ ,$I_j$ )
$P_0$ <= generate - initial proposals ( $N$, $t$)
$S$ <= $empty$
for $r$ = 1 to n
for all proposals p in $P_{r-1}$ do
$s$ <= local plane sweep ( $p$)
$S$ <= $S$ U $s$
end for
if $r$ < $n$ then
$P_r$ <= generate online proposals ( $N$, $S$)
end if
end for
$D$ <= global optimization ( $S$)
return $D$

算法主要分为以下几个部分：
（1） 特征点的匹配
特征点的提取是Harris角点， 描述子为DAISY描述子，特点的匹配采用极线约束，由于可能存在极线上的偏差，采用线性模型

$d_y(x,y)=ay+b$
（2）视差平面的估计
这部分是整个算法比较重要的几个部分之一，这部分的只要目的是为上一部分提取的特征点赋予相应的平面，平面的选取原则是使 $e（u_i，N_i)$最小。
初始平面的选取方法为：
a 先在这些特征点中随机选取一些种子点，种子点的初始平面$N_i$由该点 $u_i$和它周围的邻居点 $v_i$的视差的平均值给出，初始平面均为前项平行的平面，则${（u_i，N_i）}$
被放在一个队列中，当传播到点 $v_i$处时就可以从队列中采用广度优先搜索法为该点取到合适的平面，当所有的点都被传播完时，重新计算平面的参数。
b 上一步计算出的初始平面可以将特征点分为不同的类别，然后从每个类别中挑选出最优拟合的特征点作为种子点，按照上述的方法传播，这种迭代进行三次就可以收敛。
（3）局部平面的扫描
因为上一个步骤已经按照相对应的平面将特征点进行了相应的分类，因此对于每一个类中的像素来说，可以通过该类中拟合的平面来计算每个像素匹配的视差。
由于可能考虑到低纹理区域，在计算的误差中加入了平滑项。在求解的时候采用sgm来求解。
（4）全局的优化
在局部平面扫描的部分，为每个像素计算出了相应的视差候选项集合，在这一步部分通过一个全局的函数来优化每个像素的视差