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。