泛化置信度傳播的雙目立體視覺匹配方法

2023-06-11 06:24:26

專利名稱：泛化置信度傳播的雙目立體視覺匹配方法
技術領域：
本發明涉及圖像處理、計算機視覺、計算方法、數學、數值方法領域，尤其是計算機 視覺的雙目立體視覺匹配方法。
背景技術：
目前，立體視覺匹配問題的研究已經取得了很大的進展。特別是基於全局優化的 匹配算法，已經成為了解決匹配問題的主要方法，得到了廣泛的運用。其能得到如此關注的 原因是因為匹配問題可以很好地被建模為一個馬爾可夫隨機場(MRF)或條件隨機場(CRF) 的優化問題。這類問題在許多學科中都有設計，由此產生的很多算法都可以運用到匹配問 題的解決當中來。其中，基於置信度傳播(BeliefPropagation)的算法是一種目前受到廣泛關注 的方法。它的主要思想是通過節點之間置信度的傳播實現整個模型的逐步收斂。其最初 是在文獻(Pearl J. . Probabilistic reasoningin intelligent systems networks of plausible inference[M](智能系統中的概率推演可信度推演網絡)，San Francisco Morgan KaufmannPublishers Inc.，1988.)中提出的，然後在文獻(Sun Jian, Zheng Nan-Ning, et al. . Stereo matching using belief propagation [J](使用置信度傳播的 匹配算法).IEEE transactions on Pattern Analysis and Machine Intelligence. 2003, 25(7) :787-800.)中第一次引入到求解匹配問題中。置信度傳播算法的一個最大的問題是只有在無環的圖結構中才被證明可以收 斂，而像匹配問題中使用到的網格狀的馬爾可夫隨機場模型具有大量的環狀結構，這樣 就會造成結果的不穩定。對於這個問題主要有三種解決方法，第一種是將迭代的次數設 定在一個比較小的次數上，不用等到算法收斂就直接停止迭代。這也是最簡單，最常用的 一種解決方法；第二種是將鄰近兩次迭代過程中置信度變化不大或沒有變化的節點移除 出迭代過程，使得當迭代過程的不斷進行，節點數量逐漸減少，當沒有節點參與迭代時，迭 代自動終止；第三種方法是在每次迭代中都先構造一棵生成樹，迭代在該生成樹中進行， 如文獻(Wainwright M. J.，Jaakkola T. S.，et al. . MAP estimation via agreementon trees :message_passing and linear programming [J](使用樹的統一性的最大後驗 概率估計信息傳遞和線性規劃)· IEEE Transactions onlnformation Theory. 2005， 51(11) 3697-3717.)禾口(Kolmogorov V. Convergent tree-reweighted message passing for energy minimization [J](使用收斂的樹型信息傳遞的能量最小化方法).IEEE Transactions onPattern Analysis and Machine Intelligence.2006. 10，28 (10) 1568-1583.)中所示。由於生成樹中沒有環狀結構，所以不會產生不收斂的結果。而且文獻 (Szeliski R. ,Zabih R. , et al. . A comparative study of energyminimization methods for markov random fields with smoothness—basedpriors [J](對基於光滑先驗才既率白勺 馬爾可夫隨機場進行能量最小化的算法的比較研究).IEEE Transactions on Pattern Analysis and Machinelntelligence. 2008,30(6) 1068-1080.)中的實驗表明，該方法在匹配問題中可以得到比傳統的置信度傳播算法更穩定的匹配結果。另外一種置信度傳播算法的擴展是泛化置信度傳播算法。該算法是傳統置信度 傳播算法的一種擴展。它最早是由Yedidia及其他研究者提出的(Yedidia J. S. ,Freeman W. Τ. , et al. . Generalized belief propagation [J](泛化置信度傳播算法)· Neural Information ProcessingSystems. 2000,13 :689_695.)。泛化置信度傳播算法的總體思 想是將圖結構中的各節點進行聚類，在各聚類間進行信息傳播。它並沒有制定具體的聚類 或者說分塊策略，只是一個框架性的算法。文獻(YedidiaJ. S.，Freeman W. Τ.，et al.. Constructing free-energy approximations andgeneralized belief propagation algorithms [J](構造自由能估計算法和泛化置信度傳播算法).IEEE transactions on information theory, 2005, 51 (7) :2282_2312.)對泛化置信度傳播算法的聚類方式進行了 討論，提出了用一種區域圖的圖結構來表示各種不同的聚類結果，同時還在區域圖上討論 了泛化置信度傳播算法的收斂性質。由於該算法計算量較大，所以在匹配問題中還沒有出 現應用實例。

發明內容
為了克服現有的針對泛化置信度傳播算法的雙目圖像匹配方法的較高複雜度，較 大計算量的不足，本發明提出了基於最小和的緩存加速策略，使得泛化置信度傳播算法的 性能得到了很大加強，從而成功將其應用於雙目視覺中匹配問題的求解過程中，提供了一 種有效降低複雜度、減少計算量的泛化置信度傳播的雙目立體視覺匹配方法。本發明解決其技術問題所採用的技術方案是一種泛化置信度傳播的雙目立體視覺匹配方法，所述雙目立體視覺匹配方法包括 以下步驟1)採集雙目的左右兩幅圖像，將左圖中的每一個像素點都作為一個變量，然後保 持這些變量在圖像坐標中的相對位置不變，進行4鄰域連接，得到馬爾可夫隨機場的拓撲 結構，然後按公式(1)和公式(2)分別計算馬爾可夫隨機場中的各變量的各狀態代價值， 以及各連接邊的代價值
(1)V(fp, fq) =min(|fp-fq|,K)(2)其中，λ表示代價權重，它影響到點代價在整個能量函數中所佔有的比重；fp和 分別表示變量P和q的狀態序號；τ表示截斷值；顏色向量距離採用歐氏距離來表徵，K表 示截斷值；I (P)和Ι。Κ(Ρ)分別表示左圖和右圖中P點處的c通道的顏色值；2)產生多尺度馬爾可夫隨機場，第k層的大小是第k+Ι層大小的四分之一；3)設在多尺度馬爾可夫隨機場中共有η層，按從1到η的順序分別對η個馬爾可 夫隨機場進行求解；首先，使用泛化置信度傳播算法對每一層的馬爾可夫隨機場分別求解， 原始的泛化置信度傳播算法使用公式(3)和公式(4)來進行信息傳遞 其中，Cjjs(Xs)=D(xs)，= (V ) = r(V )，ms —u = ms —u(xu)表示當 變量U選定狀態XuW，變量S向變量U傳遞的點信息，mst^uv = mst ^ uv(xu, Xv)表示當變量 U和變量V選定狀態Xu和Xu時，變量S和變量t之間的邊向變量U和變量V之間的邊傳遞 的邊信息；對公式(3)和公式(4)進行負對數操作，並對其中的獨立計算進行緩存，得到兩條 新的公式，即公式(5)和公式(6)K^u (xU) = min (Ps (Xs)+Qsu (xS^ xU ))(5)
xS(xu,xv) = min (qJ (xs,xu) + Qj (xt,xv) + Qs' (x,, )) "(6) 其中，上標表示當前的迭代序號。飯)= Ζ%)+ Σ ；
i={a,b,c}Qsu(xs^xu) = ^(xS^u)+ Σ mIlu(xS^u)；
i={bd,ce}Qj =D(xs) + V(xs,xu) + ml-二 (xs) + m二 (xj + Tnt二u (x xj;Qt^ =D(xt) + V(xt,Xv) + mlb\t (x,) + m'd\t (xt) + Jnt^tv (xt,xv) ·,=F(Vi)+ C 均是緩存變量；將公式(6)的計算過程描述成一個在二維網格中搜索最小值的問題，首先選取sini = min{Qsu' (xs，xu)}(7)tini = min{Qtv' (xt，xv)}(8)(7)、(8)作為搜索的起始點，然後使點P在水平方向上移動，搜索在該方向上的最 小值，找到最小值後，將點P移動到該位置；接著將點P沿垂直方向進行搜索，同樣找到該方 向上的最小值，然後移到該位置，反覆循環迭代以上步驟，直到P點不再移動位置時，其所 處位置的值即被認定為該二維網格中的最小值；然後分點傳遞和邊傳遞兩部分分別進行信息傳遞，在點傳遞過程中，首先選擇所 有非相鄰的變量同步進行上下左右四個方向的傳遞，再選擇在前一步中沒有進行傳遞的變 量進行同樣方式的傳遞；在邊傳遞過程中，分為水平邊傳遞和垂直邊傳遞兩部分，其中，水 平邊傳遞分過程中，首先選擇非相鄰的水平邊進行同步上下兩個方向的傳遞，再選擇在前 一步中沒有進行傳遞的水平邊按同樣方式進行傳遞；然後進行垂直邊傳遞，其傳遞方式和 水平邊傳遞相同；每一層次設定迭代次數，進行迭代；迭代完成後，採用常值遞減方法設置各層次的最少狀態數量，其定義如下所示 iT(L) = d
Γ(,) = Γ(卜 1)-"(9)其中，Γ (i)表示第i層中最少的狀態數量，d表示在最稀疏的層次上保有的狀態 數量，L表示多尺度空間中的尺度數量，η表示常值遞減速率；
當第i層中各變量在信息傳遞了一定次數收斂後，先將最終計算得到的每個變量 的置信度向量中的各元素排序，挑出最好的Γ (i)個狀態，作為下一層次的候選狀態；然 後，將由點代價函數計算得到的每個變量的各狀態的代價值進行排序，選出最好的Γ (i) 個狀態，作為下一層次的候選狀態；最後，將兩次計算得到的候選狀態向量進行「或」操作， 得到最終傳入下一層次的候選狀態向量；將第i層的計算結果傳遞繼承到第i+Ι層；4)在最底層馬爾可夫隨機場求解完成後，按下式計算每個變量的代價值
(10)然後取代價值最小的那個狀態作為該變量的最終狀態，即為該變量所對應圖像中 點的視差值。進一步，所述步驟1)中，點代價計算是在CIELAB顏色空間中進行。再進一步，所述步驟3)中，第i層的計算結果傳遞繼承到第i+ 1層的繼承過程分 為點信息繼承和邊信息繼承兩部分，在點信息繼承中，第i層中的任意一個變量都有4條點 信息需要繼承，每一條點信息由第i+Ι層中相對應的4個變量繼承；在邊信息繼承中，分為 水平邊信息繼承和垂直邊信息繼承兩部分，水平邊信息繼承中，第i層中的任意一條水平 邊都有2條邊信息需要繼承，每一條邊信息由第i+Ι層中相應的2條邊繼承，垂直邊的繼承 過程和水平邊繼承過程相同。本發明的技術構思為使用二路篩選策略在尺度空間中對狀態空間進行縮減，從 而加快整個算法的計算速度。本發明的有益效果主要表現在大大加速了泛化置信度傳播 算法的計算速度。


圖1是多尺度馬爾可夫隨機場的建立過程的示意圖。圖2和圖3分別是在泛化置信度傳播算法的一次迭代過程中兩種信息的傳遞順序 的示意圖。圖4、圖5、以及圖6是多尺度馬爾可夫隨機場層次之間的信息繼承過程的示意圖。圖7是使用方向集算法進行複雜度降低的流程圖。圖8是二路狀態空間篩選策略的篩選過程的示意圖。
具體實施例方式下面結合附圖對本發明做進一步描述。參照圖1 圖8，一種泛化置信度傳播的雙目圖像匹配方法，所述計算機雙目立體 視覺匹配方法包括以下步驟1)使用左右兩幅圖像，計算得到相對應的馬爾可夫隨機場。2)產生多尺度馬爾可夫隨機場，第k層的大小是第k+Ι層大小的四分之一。3)設在多尺度馬爾可夫隨機場中共有η層，按從1到η的順序分別對η個馬爾可 夫隨機場進行求解。在計算過程中，將第i層的計算結果傳遞到第i+Ι層。4)在最底層馬爾可夫隨機場求解完成後，計算每個點最終狀態值，即每個像素點
的視差值。在步驟1)中，將左圖中的每一個像素點都作為一個變量，然後保持這些變量在圖 像坐標中的相對位置不變，進行4鄰域連接，得到的就是馬爾可夫隨機場的拓撲結構。然後 按公式(1)和公式(2)分別計算馬爾可夫隨機場中的各變量的各狀態代價值，以及各連接 邊的代價值。
其中，λ表示代價權重，它影響到點代價在整個能量函數中所佔有的比重；『和 fq分別表示變量P和q的狀態序號；τ表示截斷值；顏色向量距離採用歐氏距離來表徵， K表示截斷值；I^(P)和Ι。κ(ρ)分別表示左圖和右圖中P點處的c通道的顏色值；需要提 及的是，為了使代價計算更精確，這裡的點代價計算是在CIELAB (the L*a*b*standardof Commission Internationale de L' Eclairage)顏色空間中進行的。顏色向量距離採用 歐氏距離來表徵。K表示截斷值。在步驟2)中，將馬爾可夫隨機場按圖1產生多尺度結構。將每個4點變量集合中 的左上變量作為上一層次馬爾可夫隨機場中的變量。在步驟3)中，首先，使用泛化置信度傳播算法對每一層的馬爾可夫隨機場分別求 解。原始的泛化置信度傳播算法使用公式(3)和公式(4)來進行信息傳遞。
其中，φ3=Cjjs(Xs) =D(xs)，= (V ) =廠(H)，ms —u = ms —u(xu)表示當 變量U選定狀態XuW，變量S向變量U傳遞的點信息，mst^uv = mst ^ uv(xu, Xv)表示當變量 U和變量V選定狀態Xu和Xu時，變量S和變量t之間的邊向變量U和變量V之間的邊傳遞 的邊信息；為了避免使用計算量較大的乘法和除法操作，本發明對以上兩條公式進行負對數 操作，並對其中的獨立計算進行緩存，得到兩條新的公式，即公式(5)和公式(6)。
其中， Qt^ =D(xt)+ V(xt,Xv) + Mtb^ (Xi) + Mtd^ (Xi) + Tnt^tv (xt,xv)Qs' ^{x^ + m^^x^)都是緩存變量。通過分析公式(6)，發現其計算複雜度為0 (η4)，是泛化置信度傳播算法的主要復 雜度。本發明通過將一個在二維空間中搜索最小值的問題分解到多個一維空間中搜索最小 值的問題，將其複雜度從0(η4)降低到0(η3)。使用的方法為方向集方法，也被稱為Powell 方法，在文獻(Press W. H.，Teukolsky S. A.，et al. . Numerical Recipes in C [Μ] (C 語言 數值計算摘要)，second edition. Cambridge Cambridge UniversityPress, 1992.)中有 詳細描述。該方法的思想是將一個N維的搜索問題轉化到多個一維搜索問題，實現問題規 模的線性化。將公式(6)的計算過程描述成一個在二維網格中搜索最小值的問題，首先選 取sini = min{Qsu' (xs，xu)}(7)tini = min{Qtv' (xt，xv)}(8)(7)、(8)作為搜索的起始點，然後使點P在水平方向上移動，搜索在該方向上的最 小值，找到最小值後，將點P移動到該位置；接著將點P沿垂直方向進行搜索，同樣找到該方 向上的最小值，然後移到該位置，反覆循環迭代以上步驟，直到P點不再移動位置時，其所 處位置的值即被認定為該二維網格中的最小值；圖7顯示了以上所述過程。然後分點傳遞和邊傳遞兩部分分別進行信息傳遞，在點傳遞過程中，首先選擇所 有非相鄰的變量同步進行上下左右四個方向的傳遞，再選擇在前一步中沒有進行傳遞的變 量進行同樣方式的傳遞；在邊傳遞過程中，分為水平邊傳遞和垂直邊傳遞兩部分，其中，水 平邊傳遞分過程中，首先選擇非相鄰的水平邊進行同步上下兩個方向的傳遞，再選擇在前 一步中沒有進行傳遞的水平邊按同樣方式進行傳遞；然後進行垂直邊傳遞，其傳遞方式和 水平邊傳遞相同，即按圖2和圖3方式進行順序計算，其中，箭頭方向表明消息的傳遞起始 點。每一層次設定一定的迭代次數，進行迭代。迭代完成後，本發明使用尺度空間的狀態空間縮減策略來對狀態空間進行縮減。 在使用馬爾可夫隨機場建模的匹配問題中，每個變量的狀態數量是一個無法避免的參數， 而且隨著兩個攝像機之間距離的增加，以及圖像解析度的增加，該參數將會急劇增加，從而 導致算法複雜度的指數級增長。在分析算法的過程中可以發現，在沒有優化的情況下，很多 的計算集中在一些對最終結果影響很小的狀態值上。從而算法的複雜度越大，像泛化置信 度傳播算法，這樣的冗餘計算量就越大。本發明提出的基於尺度空間的狀態空間縮減策略 在尺度空間中逐步去除無關的狀態，使得算法的複雜度增長始終在較低的水平，從而起到 加速作用。首先，給定每一個層次應該保持的最少狀態數量。這樣的設定是為了在每一個 層次上都保證一定數量的狀態，從而使得信息能夠得到充分傳播，另外一方面也是為了保 證狀態空間不會過快縮減，避免算法過快收斂，保證能得到一個較好的收斂值。具體的設定 值需要考慮兩方面的因素，一個是在每一層次中要保證一個足夠大的狀態空間，使得信息 得到充分傳播，另一個是要保證計算量保持在一個較低的水平上。由於這種設置不受每個變量的實際狀態數影響，而且在計算量和保證信息傳遞的 狀態空間大小的平衡方面很難做出一個最佳決策，更進一步說，該設定可能和具體的應用 相關。本節介紹的方法將使用一個簡單的統一設定，即常值遞減方法。其定義如下所示個簡單的統一設定彳值遞減方法。其定義如下所示r / w. Λ其中，Γ⑴表示第i層中最少的狀態數量，d表示在最稀疏的層次上保有的狀態 數量，L表示多尺度空間中的尺度數量，η表示常值遞減速率。當給定最稀疏層次上保有的 狀態數量後，其他層次的狀態保有數量都可以通過上式計算出來。為了適應不同的最大視 差範圍，即當最大視差範圍大於d時，根據點代價函數得到的最佳d個狀態將作為最稀疏層 次上的d個候選狀態。這裡還要提及的是，不光是點代價函數，任意可以產生匹配準確性排 序的方法都能夠採用，本節直接採用點代價函數是出於簡便考慮，也可採用更複雜但更穩 定的方法。在設置好了各層次的最少狀態數量後，本文採用一種二路篩選策略來選擇一定數 量的狀態進入下一層次的傳播。首先，當第i層中各變量在信息傳遞了一定次數收斂後，先 將最終計算得到的每個變量的置信度向量中的各元素排序，挑出最好的Γ (i)個狀態，作 為下一層次的候選狀態。然後，將由點代價函數計算得到的每個變量的各狀態的代價值進 行排序，選出最好的Γ (i)個狀態，作為下一層次的候選狀態。最後，將兩次計算得到的候 選狀態向量進行「或」操作，得到最終傳入下一層次的候選狀態向量。以上描述的過程如圖 8所示。其中，淺色方格表示被選定的狀態，深色方格表示被刪除的狀態，越大的點表示該狀 態的懲罰值越大，在圖示的例子中，該變量在該層次的候選狀態數量為5，下一層中的最少 候選變量數，即Γ (i+1)為3。在經過狀態空間縮減後，那些和保留的狀態相關的信息將由下一層次繼承；第i層的計算結果傳遞繼承到第i + Ι層的繼承過程分為點信息繼承和邊信息繼承 兩部分，在點信息繼承中，第i層中的任意一個變量都有4條點信息需要繼承，每一條點信 息由第i+Ι層中相對應的4個變量繼承；在邊信息繼承中，分為水平邊信息繼承和垂直邊信 息繼承兩部分，水平邊信息繼承中，第i層中的任意一條水平邊都有2條邊信息需要繼承， 每一條邊信息由第i+Ι層中相應的2條邊繼承，垂直邊的繼承過程和水平邊繼承過程相同， 繼承過程如圖4，圖5，圖6所示。再在步驟4)中，按下式計算每個變量的代價值 然後取代價值最小的那個狀態作為該變量的最終狀態，即為該變量所對應圖像中 點的視差值。表1給出了使用本發明進行加速和不使用本發明時的泛化置信度傳播算法的運 行效率的比較 表 1本實驗的實驗環境為具有1. 6GHz主頻CPU和IG內存的個人電腦。圖像對為由 Middlebury提供(D. Scharstein and R. Szeliski."Ataxonomy and evaluation of dense two-frame stereo correspondencealgorithms ( —種對雙目密集點匹配算法的分類和評 Ht) InternationalJournal of Computer Vision, 2002,47 (1), pp. 7-42.) ^"Tsukuba" 實驗圖像對，大小為384X288像素。參數設置為T = 30. 0，λ = 0. 87,K= 10. 0,d= 16, η = 3,以及多尺度空間的層數為5，每個層次的迭代次數為4次。
權利要求
一種泛化置信度傳播的雙目立體視覺匹配方法，其特徵在於所述雙目立體視覺匹配方法包括以下步驟1)採集雙目的左右兩幅圖像，將左圖中的每一個像素點都作為一個變量，然後保持這些變量在圖像坐標中的相對位置不變，進行4鄰域連接，得到馬爾可夫隨機場的拓撲結構，然後按公式(1)和公式(2)分別計算馬爾可夫隨機場中的各變量的各狀態代價值，以及各連接邊的代價值V(fp，fq)＝min(|fp fq|，K) (2)其中，λ表示代價權重，它影響到點代價在整個能量函數中所佔有的比重；fp和fq分別表示變量p和q的狀態序號；T表示截斷值；顏色向量距離採用歐氏距離來表徵，K表示截斷值；IcL(p)和IcR(p)分別表示左圖和右圖中p點處的c通道的顏色值；2)產生多尺度馬爾可夫隨機場，第k層的大小是第k+1層大小的四分之一；3)設在多尺度馬爾可夫隨機場中共有n層，按從1到n的順序分別對n個馬爾可夫隨機場進行求解；首先，使用泛化置信度傳播算法對每一層的馬爾可夫隨機場分別求解，原始的泛化置信度傳播算法使用公式(3)和公式(4)來進行信息傳遞其中，φs＝φs(xs)＝D(xs)， ms→u＝ms→u(xu)表示當變量u選定狀態xu時，變量s向變量u傳遞的點信息，mst→uv＝mst→uv(xu，xv)表示當變量u和變量v選定狀態xu和xu時，變量s和變量t之間的邊向變量u和變量v之間的邊傳遞的邊信息；對公式(3)和公式(4)進行負對數操作，並對其中的獨立計算進行緩存，得到兩條新的公式，即公式(5)和公式(6)其中，上標表示當前的迭代序號；均是緩存變量；將公式(6)的計算過程描述成一個在二維網格中搜索最小值的問題，首先選取sini＝min{Qsu′(xs，xu)} (7)tini＝min{Qtv′(xt，xv)} (8)(7)、(8)作為搜索的起始點，然後使點P在水平方向上移動，搜索在該方向上的最小值，找到最小值後，將點P移動到該位置；接著將點P沿垂直方向進行搜索，同樣找到該方向上的最小值，然後移到該位置，反覆循環迭代以上步驟，直到P點不再移動位置時，其所處位置的值即被認定為該二維網格中的最小值；然後分點傳遞和邊傳遞兩部分分別進行信息傳遞，在點傳遞過程 中，首先選擇所有非相鄰的變量同步進行上下左右四個方向的傳遞，再選擇在前一步中沒有進行傳遞的變量進行同樣方式的傳遞；在邊傳遞過程中，分為水平邊傳遞和垂直邊傳遞兩部分，其中，水平邊傳遞分過程中，首先選擇非相鄰的水平邊進行同步上下兩個方向的傳遞，再選擇在前一步中沒有進行傳遞的水平邊按同樣方式進行傳遞；然後進行垂直邊傳遞，其傳遞方式和水平邊傳遞相同；每一層次設定迭代次數，進行迭代；迭代完成後，採用常值遞減方法設置各層次的最少狀態數量，其定義如下所示其中，Γ(i)表示第i層中最少的狀態數量，d表示在最稀疏的層次上保有的狀態數量，L表示多尺度空間中的尺度數量，η表示常值遞減速率；當第i層中各變量在信息傳遞了一定次數收斂後，先將最終計算得到的每個變量的置信度向量中的各元素排序，挑出最好的Γ(i)個狀態，作為下一層次的候選狀態；然後，將由點代價函數計算得到的每個變量的各狀態的代價值進行排序，選出最好的Γ(i)個狀態，作為下一層次的候選狀態；最後，將兩次計算得到的候選狀態向量進行「或」操作，得到最終傳入下一層次的候選狀態向量；將第i層的計算結果傳遞繼承到第i+1層；4)在最底層馬爾可夫隨機場求解完成後，按下式計算每個變量的代價值然後取代價值最小的那個狀態作為該變量的最終狀態，即為該變量所對應圖像中點的視差值。dest_path_FDA0000026567710000011.tif,dest_path_FDA0000026567710000012.tif,dest_path_FDA0000026567710000013.tif,dest_path_FDA0000026567710000021.tif,dest_path_FDA0000026567710000022.tif,dest_path_FDA0000026567710000023.tif,dest_path_FDA0000026567710000024.tif,dest_path_FDA0000026567710000025.tif,dest_path_FDA0000026567710000026.tif,dest_path_FDA0000026567710000027.tif,dest_path_FDA0000026567710000028.tif,dest_path_FDA0000026567710000031.tif,dest_path_FDA0000026567710000032.tif
2.如權利要求1所述的泛化置信度傳播的雙目立體視覺匹配方法，其特徵在於所述 步驟1)中，點代價計算是在CIELAB顏色空間中進行。
3.如權利要求1或2所述的泛化置信度傳播的雙目立體視覺匹配方法，其特徵在於 所述步驟3)中，第i層的計算結果傳遞繼承到第i+Ι層的繼承過程分為點信息繼承和邊信 息繼承兩部分，在點信息繼承中，第i層中的任意一個變量都有4條點信息需要繼承，每一 條點信息由第i+Ι層中相對應的4個變量繼承；在邊信息繼承中，分為水平邊信息繼承和垂 直邊信息繼承兩部分，水平邊信息繼承中，第i層中的任意一條水平邊都有2條邊信息需要 繼承，每一條邊信息由第i+Ι層中相應的2條邊繼承，垂直邊的繼承過程和水平邊繼承過程 相同。
全文摘要
一種泛化置信度傳播的雙目立體視覺匹配方法，包括以下步驟1)採集雙目的左右兩幅圖像，建立馬爾可夫隨機場；2)產生多尺度馬爾可夫隨機場，第k層的大小是第k+1層大小的四分之一；3)按從1到n的順序分別對n個馬爾可夫隨機場進行求解，通過將一個在二維空間中搜索最小值的問題分解到多個一維空間中搜索最小值，迭代完成後，使用尺度空間的狀態空間縮減策略來對狀態空間進行縮減，將第i層的計算結果傳遞到第i+1層；4)在最底層馬爾可夫隨機場求解完成後，取代價值最小的那個狀態作為該變量的最終狀態，即為該變量所對應圖像中點的視差值。本發明有效降低複雜度、減少計算量。
文檔編號G06T7/00GK101901483SQ20101019383
公開日2010年12月1日 申請日期2010年6月8日 優先權日2010年6月8日
發明者旺曉研, 王萬良, 王中傑, 王鑫, 童漢陽, 管秋, 陳勝勇 申請人:浙江工業大學