立体视觉：算法和应用（五）

本文翻译的外国学者的一份talk，主要内容是关于立体视觉算法和应用的基础知识。限于个人水平，如有疏漏之处请谅解。

大纲

1、介绍

2、立体视觉系统概述

3、视觉匹配算法

4、计算优化

5、硬件实现

6、应用

代价聚合

几种support的变化

1、可移动窗口(Shiftable Windows)

这个方法旨在减少固定窗口的边界定位，并没有将中心店固定在窗口的中心位置。

2、组合窗口(Multiple Windows)

窗口中元素的个数是固定的，窗口的形状不在仅仅局限于矩形，一般可以分为5,9,25个子窗口。

3、可变窗口(Variable Windows)

基于分割几种方法

根据相互连接的像素分割参考图像，假定每个分割的部分平滑。在范围内，窗口的形状和尺寸不固定。参考图像中每个部分，同一个部分赋予相同的权重值为1，非同一个部分的赋予一个远小于1的权重。对于在支持窗口中的待匹配点：支持窗口中属同一分割区域的点权重为1，非同一分割区域的点权重远小于1。

        

双边滤波法(Bilateral Filtering(BF))：双边滤波一种可以保护边缘的平滑方法。以待匹配点为中心，根据空间和颜色的接近程度赋予权重 。其中的权重赋值可以选择使用自适应权重(Adaptive Weights)的方法。若权重只依赖颜色和分割，则可以变换为Segment Support法。其中SS,AW方法耗时很长，不适合实时性。

快速聚合法(Fast Aggregation)：假定分割部分平滑，而且只分割参考图像，采用非对称的支持窗口。

   

Fast Bilateral Stereo framework(FBS)：对称的支持窗口，结合了自适应权值的精确性和传统方法的有效性，提升了噪音的鲁棒性，通过积分图像/盒子滤波方案的均值来有效的pixel-wise代价计算。

Fast Segmentation-driven (FSD)：在块的基础上应用SS策略。

Locally Consistent (LC) stereo：通过建模连续约束来利用相邻像素的相互关系，运算速度快，通常结合其他算法来用。

O(1) adaptive cost aggregation：聚合独立于窗口的尺寸，可以应用于彩色图像。

Fast/simplified adaptive cost aggregation：非对称的代价聚合，在一些被选择的点上进行代价计算，在像素点子集上进行匹配。