ADCensus立體匹配算法是Xing Mei, Xun Sun, Mingcai Zhou等幾個人
在2011年,發表的一篇題目爲:《On Building anAccurate Stereo Matching System on Graphics Hardware》中提出的。
ADCensus雙目立體匹配算法曾一度排在MiddleBurry官網上第一的位置,引用量很高。
其主要優點是並行加速,精度又好,能有效兼顧這兩點。
本經驗主要分爲以下幾個方面:
ADCensus算法優點;算法步驟;匹配代價;代價聚合;視差優化;視差細化;
1、ADCensus算法優點;
基於GPU下的ADCensus立體匹配算法兼顧匹配速度和精度;
根據Scharstein 和Szeliski提出的理論算法分爲以下四個步驟:
代價計算(cost initialization):絕對差AD+Census變換算法
代價聚合(cost aggregation):動態十字交叉域
視差優化(disparity computation):掃描線視差優化
後處理(refinement):多步後處理操作
以上算法都可以通過並行加速提高速度。
2、AD-Census Cost Initialization:
對每個像素點和視差等級進行處理,本質上是並行的;
所以此步驟就只考慮如何提高代價計算精度。
常見的代價計算方法:絕對差AD,
互熵信息BT(“Depth Discontinuities by Pixel-to-Pixel Stereo” by S. Birchfield and C. Tomasi),基於梯度的,Census等。
Hirschmuller和Scharstein證明:Census是具有最好效果的算法;
Census是通過對圖像局部區域進行編碼,具有很好的相對次序性,對光照和圖像噪聲魯棒;
然而在重複區域和相似紋理區域具有匹配模糊性,導致誤匹配;
又由於AD絕對差對差異性比較敏感,
所以進行結合形成ADCensus算法計算初始代價;
函數的作用:
①使匹配代價的範圍在[0,1];
②通過lambda調節兩者的作用;
公式效果如圖所示:
3、Cross-basedCost Aggregation
代價聚合的目的:減少初始代價中的匹配模糊和圖像噪聲的影響。
代價聚合的依據:相似的區域具有相似的視差;
常見代價聚合方法:圖像分割,自適應權重,自適應窗口等。
這篇文章採用動態交叉域的代價聚合方法:
分爲兩步:交叉域構建,代價聚合;
代價聚合規則:計算顏色差值和空間距離,通過3規則構建交叉域;通過4次迭代進行代價聚合。
優點:對大的少紋理和視差不連續區域減少匹配誤差。
4、ScanlineOptimization
目的:選擇最佳的視差範圍,生成視差圖。
4方向的掃描線優化策略:適合並行計算,減少匹配模糊。
P1、P2懲罰係數:
5、Multi-stepDisparity Refinement
多步視差細化
①:通過左右一致性準則,檢測出離羣點:遮擋區域和視差不連續區域的點
②:Iterative Region Voting:
③:Proper Interpolation:
④:Depth DiscontinuityAdjustment:
⑤:Sub-pixel Enhancement:
6、實驗效果:ADCensus匹配算法:兼顧精度和速度;
據說可以達到實時的效果。
還有篇博文也是ADcensus的,http://www.cnblogs.com/sinbad360/p/7842009.html,互相印證,更好的理解。