《A Resource-Efficient Pipelined Architecture for Real-Time Semi-Global Stereo Matching》

算法流程

这篇文章提出的是一种基于SGM的带有加权路径代价聚合的方法，为了节省硬件资源，还采取了图像下采样和视差跳跃的方法。算法在FPGA平台上实现。

算法流程如下：

1. 预处理：下采样，将行数缩减为原来的一半，采取的方法是将相邻的两行取平均，这样每一行都包含更多的信息量，且节省内存和时间；3 * 3 高斯滤波降噪，高斯滤波的窗口为[1, 2, 1, 2, 4, 2, 1, 2, 1]。
2. Census Transform：因为数据集是KITTI数据集，汽车驾驶主要集中于路面的情况，对于两边不是太关注，所以这里就直接在路面左右两侧的一些列进行跳过。做法就是在左右两侧，以步长为2进行列跳跃，也就是上边所说的视差跳跃。下面给出一幅超好看的census transform的示意图。
   
3. Semi-Global Aggregation and Disparity Computation：这里主要是提出了一种自适应路径权重的方法，并且和《High Throughput Hardware Architecture for Accurate Semi-Global Matching》这篇文章的路径权重的方法进行对比，证明本文的自适应权重方法更加高效和快速。
   
   这幅图中，lr，ltb，tb，rtb四路径以及lr，rl，ltb，tb，rtb五路径是《High Throughput Hardware Architecture for Accurate Semi-Global Matching》采取的路径。红线的是本文采取的路径，并且仅在水平路径增加了自适应权重。
   
   
   其中 α = { 1 / 4 , 1 / 2 , 5 / 8 , 3 / 4 , 1 } \alpha=\{1/4, 1/2, 5/8, 3/4, 1\} α={1/4,1/2,5/8,3/4,1}，最佳的值是$5/8$。再重申一遍，水平方向采取自适应权重，其他方向的权重仍然为1。

基于聚合代价，用WTA得到视差图：

4. Disparity Refinement：亚像素插值，散斑滤波（应该是剔除小连通区域），中值滤波，视差填充，上采样。
   亚像素插值：利用最佳视差相邻四个视差的代价进行亚像素插值。
   
   
   视差填充：用无效像素左右方向最近的有效视差值的较小值进行填充。
   上采样：由于在预处理阶段进行了下采样以及在census transfrom阶段进行了视差跳跃，所以这里要进行上采样，使得视差图与原图大小一致。

实验结果

借鉴

自适应路径权值，经过实验，将这篇文章的加权SGM加到census sgm中，可以使精度提高一丁点。