基于ADCensus的改進(jìn)雙目立體匹配算法

毛昕蓉，王? 楠 （西安科技大學(xué)?通信學(xué)院，陜西?西安?710054）
摘? 要：由于ADCensus算法只依賴于圖像的灰度信息，對(duì)于弱紋理區(qū)域和重復(fù)紋理區(qū)域的匹配效果不好，本 文提出一種依賴于圖像像素梯度和灰度匹配代價(jià)計(jì)算方法，以圖像像素梯度信息作為圖像灰度信息的補(bǔ)充，提 高了匹配準(zhǔn)確率，加入了自適應(yīng)匹配模板后，誤匹配率降低到19.85%以下。 

關(guān)鍵詞：ADCensus算法；匹配代價(jià)；自適應(yīng)模板

0  引言 

隨著機(jī)器視覺(jué)的發(fā)展，雙目視覺(jué)在無(wú)人駕駛、工業(yè) 測(cè)量、3D建模以等方面都需要三維空間信息來(lái)幫助計(jì) 算機(jī)或機(jī)器人完成工作^[1]。立體匹配是雙目視覺(jué)中的重 要做成部分，通過(guò)立體匹配找出同一視點(diǎn)在左右兩幅圖 像的坐標(biāo)位置，從而計(jì)算得到視差圖，得到圖像的深 度信息^[2]。匹配的正確性直接關(guān)系到深度圖計(jì)算的準(zhǔn)確 性，所以，如何優(yōu)化及聚合匹配代價(jià)使匹配算法有更高 的匹配率，是匹配算法優(yōu)化的首要目標(biāo)^[3]。本文保留了 ADCensus中匹配代價(jià)的聚合方法，在AD算法匹配代價(jià) 的部分中加入了圖像像素梯度信息作為灰度信息的補(bǔ) 充，提出了結(jié)合圖像像素梯度、灰度的ADCensus匹配 算法。

1  基本原理 

1.1 Census變換 

Census變換是一種非參數(shù)化變換，主要用來(lái)表征圖 像的局部結(jié)構(gòu)特征^[4]。其基本原理是以1個(gè)矩形窗口遍歷
圖像，把窗口中心像素與其他像素灰度值的大小逐一比 較，中心像素大的記為0，否則記為1，得到一串中心像 素的特征值，并用漢明距離來(lái)表示匹配代價(jià)。Census變 換為

式(1)中，p為鄰域內(nèi)像素，q為中心像素，Ω為匹配 模板。

1.2 AD變換 

利用下面的公式將彩色圖像變?yōu)榛叶葓D像：

式(2)中，I為像素灰度值，R、G、B分別為像素的 顏色分量。 

AD變換利用匹配點(diǎn)及其鄰域像素的灰度值與待匹 配區(qū)域?qū)?yīng)點(diǎn)的灰度差^[5-6]，相對(duì)于census變換依賴于中 心點(diǎn)，它可以有效地保留圖像鄰域像素的信息，AD變 換具體如公式(3)所示。

在式（3）中，C _AD(x,y,d)是像素（x，y）處的匹 配代價(jià)，?為鄰域像素，I_l(r,c)左圖中(r,c) 點(diǎn)的灰度 值，I _r(r,c+d)是右圖中待匹配點(diǎn)的灰度值，d為視差搜 索范圍。

2  本文改進(jìn)的adcensus算法 

2.1 圖像像素梯度的引入 

本文提出了一種引入圖像像素梯度的AD匹配代價(jià) 計(jì)算方法，使得匹配代價(jià)不僅依賴于灰度信息，而且有 圖像像素的梯度信息作為補(bǔ)充，圖像像素梯度信息匹配 代價(jià)函數(shù)如式所示

式(4)中，C _AD1(x,y,d)是像素(x,y)處匹配代價(jià)，I_l1(r,c)和I_r(r,c+d')分別為左圖中點(diǎn)(r,c)和(r,c+d')的灰度值，I_l(r,c)和(r,c+d')分別為右圖中點(diǎn)(r,c)和(r,c+d')本文中d' 的取值為2。最終，AD部分 的匹配代價(jià)如式(5)所示

式(5)中，C'_AD 為改進(jìn)后AD部分的匹配代價(jià)，θ 為權(quán)重因子，本文中θ 取值為0.5。 

2.2 改進(jìn)后ADCensus的匹配代價(jià) 

由于ad算法的匹配代價(jià)和census變換的匹配代價(jià)的 評(píng)價(jià)標(biāo)準(zhǔn)不同，生成的初始匹配代價(jià)需經(jīng)過(guò)如式(6）的 歸一化處理后再求和作為整體的匹配代價(jià)^[7-8]，匹配代 價(jià)公式如式（7）。

2.3 自適應(yīng)匹配模板的選擇 

Sobel算子是像素圖像邊緣檢測(cè)中最重要的算子之 一，它是一階導(dǎo)數(shù)邊緣檢測(cè)算子，是一種很有效的梯度 計(jì)算方法，通過(guò) 3×3 的模板與圖像中的每個(gè)像素做卷積和運(yùn)算^[9]。各向同性sobel算子的位置加權(quán)系數(shù)更為準(zhǔn) 確，在檢測(cè)不同方向的邊緣時(shí)梯度的幅一致。

Sobel 算子分別計(jì)算水平和豎直梯度，式(8-1)為 水平梯度算子，式(8-2)為豎直梯度算子。以像素點(diǎn)為 中心構(gòu)建3×3大小的窗口，與Sobel算子做卷積得到水 平、豎直方向的梯度，計(jì)算公式如(9-1)、(9-2)所示：

式(9-1)、(9-2)中，G_x ，G_y 分別為水平方向和豎直方向梯度，則有梯度計(jì)算公式如下：

式(10)中，G(x，y)為點(diǎn)(x，y)處的梯度值。當(dāng)某個(gè) 點(diǎn)的G<40時(shí)，選擇9×9的匹配模板，當(dāng)40<G<80時(shí)， 選擇7×7模板，當(dāng)G>80時(shí)，選擇5×5模板。

3  實(shí)驗(yàn)結(jié)果 

本次實(shí)驗(yàn)中，實(shí)驗(yàn)環(huán)境為Visual studio 2017下C/ C++編程環(huán)境，OpenCV4.01，Windows 10，X64位 系統(tǒng)，Intel Corei3處理器，內(nèi)存為4 GB，測(cè)試圖片為 Teddy，Tsukuba，Cones和Venus這4幅圖片，SAD和 census算法匹配模板均選擇5×5。實(shí)驗(yàn)結(jié)果如圖1~5 所示。

4  結(jié)論 

為了客觀評(píng)價(jià)本文算法，將SAD、census和本文算 法的匹配結(jié)果與標(biāo)準(zhǔn)視差圖作比較，得到4幅圖片在這3 種方法下的誤匹配率，如表1所示。

由表1可看出，本文算法在四幅測(cè)試圖片下，與 SAD算法和census算法比較，都有較高的匹配率，其中 Tsukuba和Vensus兩幅圖像的誤匹配率分別降到10.82% 和11.33%，與誤匹配率較高的SAD算法比較，分別提 升了2.33%和1.05%，Teddy和Cones兩幅圖像各種算法 的誤匹配率較于其他兩幅圖像均較高，但可以看出，本 文提出的算法在這兩幅圖像下匹配率均有較高提升，誤 匹配率最大不超過(guò)19.85%。

參考文獻(xiàn)： 

[1] 張一飛,李新福,田學(xué)東.融合邊緣特征的SAD立體匹配算法[J/ OL].計(jì)算機(jī)工程:1-10[2019-1007].http://kns.cnki.net/kcms/ detail/31.1289.TP.20190817.1225.002.html. 

[2] 楊嘉維.基于Census變換的立體匹配算法研究與FPGA實(shí)現(xiàn) [D].西安:西安理工大學(xué),2019. 

[3] 王軍政,朱華健,李靜.一種基于Census變換的可變權(quán)值立體匹 配算法[J].北京理工大學(xué)學(xué)報(bào),2013,33(7):704-710． 

[4] 郭治成,黨建武,王陽(yáng)萍,等.基于改進(jìn)Census變換的多特征背景 建模算法[J].光學(xué)學(xué)報(bào),2019,39(08):216-224. 

[5] 鄔春明,鄭宏闊.改進(jìn)Census變換的鐵路扣件定位方法[J].北京 交通大學(xué)學(xué)報(bào),2019,43(02):58-63. 

[6] 于修成,宋燕,李航.基于改進(jìn)Census變換與最小生成樹(shù)的立體 匹配算法[J].計(jì)算機(jī)與數(shù)字工程,2019,47(03):643-648. 

[7] 吳荻,戰(zhàn)凱,肖小鳳.基于改進(jìn)光流法和紋理權(quán)重的視覺(jué)里程計(jì) [J].計(jì)算機(jī)工程與設(shè)計(jì),2019,40(01):230-235. 

[8] 張麗君.基于改進(jìn)Census變換的局部立體匹 配算法研究[D].哈爾濱:東北林業(yè)大學(xué),2018. 

[9] 向憧.基于Census的雙目視覺(jué)研究與FPGA 實(shí)現(xiàn)[D].成都:電子科技大學(xué),2018.