《Variant center‑symmetric census transform for real‑time stereo vision architecture on chip》

算法流程

这篇文章提出了一种基于改进的CT的SGM算法，并且在FPGA平台上进行实现，提高了匹配精度，同时满足实时性。

本文的贡献：

• 变化的CSCT
• 改进的SGM代价聚合
• FPGA平台实现

背景：

• Center‑symmetric census transform
• Weighted Hamming distance
  
  因为CSCT的代价范围比CT减小了，所以会导致误匹配率上升，所以要加入权重。这个权重是在计算汉明距离的时候加入的，所以也称为加权汉明距离。
• Semi‑global matching

本文算法：

• Improved center‑symmetric census transform

本文提到CSCT中没有用到中心像素的信息，导致匹配率比CT有所下降，所以对其进行改进：

图中的箭头就是要比较的像素。红色像素是代表中心像素，虚线分开四个区域，四个区域的灰色像素分别于最近的红色像素进行比较，相当于保留了CT中心像素的信息，提高了鲁棒性。然后白色像素使用CSCT来计算，代表的是该区域的一般特征。四个红色像素还有一个作用就是计算一个阈值：

这个阈值代表的是左右中心像素的差值。用四个红色像素的平均来近似中心像素是为了消除噪声的影响。

然后就分开如上所述，分开白色和灰色像素两部分进行代价计算：

然后就是对两部分进行加权求和：

这里公式有点错误，看图就能很明白。

• Improved semi‑global matching algorithm
  
  (a)图是常规的8路径代价聚合，占内存太大，计算也复杂，(b)图是4路径，但是精度较低。©(d)两图是本文的聚合策略，先将相互垂直的路径进行组合，组成一个新的路径，颜色相同的相当于一条路径，对组合的三组路径进行代价聚合，然后就是将5条路径作为一条路径，一次求取5条路径的聚合代价。这样的话就相当于每条路径都聚合了两次。经过实验，这种方法能够减小条纹现象，虽然也不知道为什么。
  文章给出的公式写的不清晰，这里就不给出了。

实验结果

经过实验，比AD-census的精度要高。



但是看视差图的效果并不好，可能是后处理没做好，有很多孔洞，而且看起来视差图的条纹也挺明显。

借鉴

画图画的很好，很漂亮，这篇文章的图比公式更明白。可以借鉴一下它的改进的CSCT，至于代价聚合那么感觉不是太可取，重复两次的代价聚合，感觉有点多余。