在图形硬件上构建精确的立体匹配系统
On Building an Accurate Stereo Matching System on Graphics Hardware
说明:本博客可以理解为对论文的翻译和总结整理,并且会在其中添加一些在其他博客搜到的理解,PPT可以在文末下载。PPT是本人创作,希望可以帮到大家。
全局算法不适合并行,因为建立了复杂的能量函数,需要用同样复杂的迭代优化算法进行求解,这种优化算法并行处理难度高,并且加速比也比较低,所以现有很多全局算法无法得到应用
AD-Census将AD和Census结合。将两个代价相加似乎是一个比较好的思路,但是问题在于两个算法的结果尺度并不一样,AD的结果是亮度差,范围是[0,255],而Census是比特串对应位值不相同的个数,范围为[0,N](N等于比特串的位数,一般是32位或者64位)。因此,需要通过归一化,将两者的结果归一化到相同的范围区间,AD-Census所采用的方法是一个值区间在[0,1]的自然指数函数。
CBCA基于一个假设:相邻的颜色相近的像素有相近的视差值。如果参与聚合的像素和被聚合的像素具有相同的视差值,那么聚合的可靠性会更高。基于此,CBCA的目标是找到像素p周围和其颜色相近的像素,并以某种规则将它们的代价值聚合到p的代价上。
颜色和长度是两个限制臂长的因素。
修改后的规则,一方面避免臂的延伸穿过边缘像素;另一方面使弱纹理有更长的臂同时又不会让所有像素的臂过长。
要对左图和右图分别进行区域构建,然后代价聚合的时候,如果采用“先水平后垂直”的方案,那么就先取左右两个对应区域的交集,然后在将交集中的代价值都加起来,进一步计算垂直方向的代价值的和。另一种方案就是先垂直方向的区域相交,再水平求和,这样就能得到不同的代价聚合结果。两种方案各自执行两次,每一次都用之前新得到的代价聚合值,注意这里作者只是简单的将区域内各像素对应的代价值相加,没有考虑到权值,可能是为了速度吧,当然加上权值效果肯定会更加好一些。
资料下载
- On Building an Accurate Stereo Matching System on Graphics Hardware
- PPT下载:lijyhh/Study-notes/Machine vision/01_AD-Census/