熵率超像素分割一致性检验视差细化算法

张忠民，刘金鑫，席志红

哈尔滨工程大学 信息与通信工程学院，哈尔滨150001

近年来，随着计算机视觉与机器视觉领域的迅速发展，立体匹配算法作为其重要组成部分也在被众多学者不断优化更新。立体匹配算法的目的是寻找同一场景下两幅或者多幅图片中的对应点，从而进行深度信息估计，此算法广泛应用于三维重建、目标跟踪以及VR等领域。2002年，Scharstein和Szeliski[1]提出了一种适用于立体视觉领域的分类方法，将立体匹配过程总结为以下四个步骤：（1）匹配代价计算；（2）代价聚合；（3）视差计算；（4）视差精化。全局立体匹配算法需要进行（1）、（3）、（4）三个步骤，跳过了代价聚合阶段，通过最小化能量函数来选择最佳视差值，这种方法常常可以得到局部精确的视差图，但是计算的复杂度也更高，消耗时间更长。常见的全局立体匹配算法有图割法（GC）[2]、置信传播（BP）[3]、最小生成树法（MST）[4]、分割树法（ST）[5]。局部立体匹配算法需要进行全部四个步骤，结构简单，但结果准确率较低。局部立体匹配算法是现如今学者们的研究热点与重点。

现如今，很多学者通过优化匹配代价来提高视差精度，包括灰度差绝对值和（SAD）与灰度差平方和（SSD）[6]，这两种方法对光照与噪声比较敏感，以及基于梯度的度量（GBM）[7]，鲁棒性较高的是Census变换[8]匹配算法。周旺尉等[9]在传统Census变换匹配算法的基础上引入了自适应权重，此算法有效改善了匹配效果但实时性不尽如人意。王云峰等[10]提出了一种自适应权重AD-Census算法，此算法虽准确率较高，但运行时间过长，在实际应用中受到一定限制。……