【立体匹配论文阅读】【一】AD-Census

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

1. On Building an Accurate Stereo Matching System on Graphics Hardware
2. PPT下载：lijyhh/Study-notes/Machine vision/01_AD-Census/

参考资料

1. 【算法理论】经典AD-Census: （1）代价计算 - 知乎 (zhihu.com)
2. 【算法理论】经典AD-Census: （2）十字交叉域代价聚合 - 知乎 (zhihu.com)
3. 【算法理论】经典AD-Census: （3）扫描线优化 - 知乎 (zhihu.com)
4. 【算法理论】经典AD-Census: （4）多步骤视差优化 - 知乎 (zhihu.com)
5. Stereo Matching文献笔记之（八）：《On Building an Accurate Stereo Matching System on Graphics Hardware》读后感~_王嗣钧的博客-CSDN博客