基于半全局和全局算法的立體匹配研究

基于半全局和全局算法的立體匹配研究摘要：傳統(tǒng)的基于像素點的匹配算法常常是算出初始匹配代價后直接采用貪心策略求取視差，雖然速度較快，但往往是局部最優(yōu)的，以至精確度很低。針對這一問題，目前策略主要有：（1）半全局優(yōu)化算法：掃描線算法和動態(tài)規(guī)劃算法；（2）全局優(yōu)化算法：置信度算法和圖割算法。本文旨在通過詳細討論這四種算法原理本質(zhì)，算法步驟與算法運行，從而深刻分析各自的優(yōu)點與缺點，為進一步改進其不足，進而研究新的算法打下基礎。關鍵詞：半全局優(yōu)化，全局優(yōu)化，掃描線，動態(tài)規(guī)劃，置信度，圖割立體匹配介紹圖像的立體匹配即給定同一場景的兩幅圖像,尋找同一場景點投影到圖像中的像素之間的對應關系。根據(jù)考慮的是基于像素點的還是基于區(qū)域塊，可以分為基于像素點的匹配與基于區(qū)域的匹配。立體匹配算法通常是通過構建能量函數(shù)試圖獲得圖像的某些全局性質(zhì),即全局能量最小化，但通常很難獲得能量函數(shù)的全局最小化，鑒于此,很多學者更傾向于尋找局部小的求解.然而在一般情形下,局部小不能帶來任何的全局性，所以匹配效果較差，準確率較低，基于像素點的匹配就是一種局部小的解，所以若想提高精度，研究的多是一種半全局或全局優(yōu)化策略的區(qū)域匹配算法。立體匹配的通常包括以下四步：1)圖像預處理(Preprocessing)—由于拍攝照片的時候難免會有傳感器的噪聲（sensornoise）和光度的扭曲（photometricdistortions）而這都會對視差的計算帶來嚴重影響，常用的解決方法有，高斯拉普拉斯濾波(LaplacianofGaussian(LoG)filtering)[1]直方圖均衡化(HistogramEqualization/Matching)，中值濾波(Subtractionofmeanvaluescomputedintheneighboursofeachpixel)[2]雙邊濾波(Bilateralfiltering)[3]。2)匹配代價計算（Matchingcostcomputation）—對匹配代價的計算通常有四種方法AD（1-1）、SAD（1-2）、SD（1-3）與SSD（1-4），計算公式，從而能得到元素的不同視差匹配代價所組成的初始視差空間。(1-1)(1-2)(1-3)(1-4)3)視差的計算(Disparitycomputation)—真實的像素視差是指這兩個像素點具有高的相似性，傳統(tǒng)的WTA（WinnerTakesAll）算法就是每個像素點選取最小的代價來求取視差，是僅僅考慮一個像素的基于像素點匹配算法。如圖(1)所示圖1基于像素點的視差計算Figure1disparitycomputation圖1基于像素點的視差計算Figure1disparitycomputationbasedonthepixeltopixelstereo圖2視差優(yōu)化Figure2disparityrefinement4）視差的優(yōu)化(disparityrefinement.）—大多數(shù)立體匹配算法計算出來的視差是離散的，常常視差值都是整數(shù)，然而世界實際上是連續(xù)的，若想將立體匹配算法用在較高精度的場合，如機器人視覺，精密三維重建，這種離散的視差值不進行后續(xù)處理就無法達到令人滿意的效果。針對這一問題，在獲取初始視差后可以采用一些措施對視差進行細化，非整數(shù)視差，如匹配代價的曲線擬合如圖2所示，或者直接采用亞像素精度法(sub-pixeldisparityEstimate)，即將原圖像進行水平拉伸，再對行像素點進行模糊。本文將詳細研究的就是立體匹配的視差計算階段，就是在初步計算出來的視差空間中進行半全局或全局優(yōu)化，從而求出更好的視差值。與基于像素點的匹配方法不同，基于半全局或全局的算法通常是將匹配問題轉(zhuǎn)換為一個能量方程，然后通過求解該能量方程的最小值來求取視差值。能量方程通常具有以下的形式(1-5)其中Cdata(dx)是數(shù)據(jù)項用來約束像素點在偏移前后的變化盡量小,V(dx,dx-1)是光滑項，約束像素點在偏移前后與周圍像素點的關系變化盡量小。不同的優(yōu)化算法的數(shù)據(jù)項和光滑項的定義不同，本文采取的數(shù)據(jù)項計算方法為AD。而光滑項則根據(jù)不同的算法用不同的模型方法。二．匹配算法與實現(xiàn) 2.1掃面線優(yōu)化方法SO(ScanlineOptimization)方法屬于一種半全局能量最小化優(yōu)化算法，比基于像素點匹配的算法有更好的適應性，通過最小化自身的能量方程來求得像素對應的視差，但是由于其只考慮一行的最優(yōu)，并未考慮所有的像素點，所以本文稱之為半全局能量最小化算法。2.1.1算法原理：SO的能量方程的光滑項通常為：(2-1)(2-2)其中opt_smooth表示圖片中像素點x的光滑值，opt_grad_penalt用來對同紋理區(qū)域(灰度梯度值小于給定的閾值opt_grad_penalty)的區(qū)域進行懲罰的系數(shù)，從而不會在同紋理區(qū)域由于匹配代價相同而導致視差計算錯誤。SO是逐行考慮的算法，本質(zhì)就是計算從每一行第一個像素點到當前像素點x在視差為dx時候的匹配代價，用sumcost(x,dx)表示，(2-3)其中(2-4)而Cost(dx)表示從前一個像素點視差為dx-1到當前像素點在視差為dx時候的匹配代價。(2-5)當保存到本行最后一列元素x=W時候，此時sumcost保存了x=W處的所有視差對應的最小匹配代價，選取最小的sumcost，進行回溯，此時即得到本行最優(yōu)視差路徑。然后同理計算下一行元素。從而能得出所有像素點的視差值，而SO的最小化能量方程轉(zhuǎn)化為：(2-6)2.1.2算法步驟：初始化第一列元素(x=1):令sumcost(x;1,2,3,…,dmax)=Cdata(dx=1,2,3,…,dmax)；從下一列(x=x+1)開始,取不同的視差d=1，2,3…dmax,計算像素x-1從不同的視差dx-1=1,2,…,dmax到當前具有視差d的像素x所對應的最小代價bestcost，從而得出該元素的sumcost(x,dx),并且保存x各個視差所對應的前一個像素的視差值best_d。判斷若x<=W則轉(zhuǎn)步驟（2）否則繼續(xù)；此時的sumcost(w;1,2,…dmax)保存了從第一列到當前列的最小能量，則此時從min(sumcost(x;1,2,3,…,dmax))所對應的d開始回溯,根據(jù)之前保存的各個像素對應的best_d來得到本行的視差集；考慮下一行元素，同樣采取這樣的方法。2.1.3算法運行詳解：為簡單起見設一行僅含有5個像素點，視差的范圍為d=1,2,3,4。邊的權值表示從像素點x-1的各個視差到像素點x所對應的視差d的最小能量代價bestcost(x,d)。如圖3每個點記錄了從x=1到當前像素點在視差d時候的最佳匹配代價sumcost(x,dx)，例如在x=2,d=2處一共有四條路徑(路徑1，路徑2，路徑3，路徑4)從中選取bestcost(2)所對應的路徑(路徑4)。最后在x=5處求出最小的匹配代價即min(sumcost(5,d=1,2,3,4))，此時進行回溯則找到圖中的紅色路徑即為該行的最佳視差即d=(4,2,2,4,1)。圖3SO算法運行圖Figure3SOAlgorithmdiagram圖3SO算法運行圖Figure3SOAlgorithmdiagram比起基于像素點的立體匹配，它能保證在一行是最優(yōu)的，速度快，而且與下面的動態(tài)規(guī)劃相比，允許相鄰匹配點擁有更大的視差變化范圍。不足是，首先它僅僅對水平掃描線進行優(yōu)化尋徑，造成掃描線間的視差不連續(xù)；其次，它使用固定的視差搜索范圍，導致一定的冗余計算。目前的改進方法是添加更多的約束條件，來減少冗余的視差掃描，同時點使掃描線間的視差也有一定的約束作用。2.2動態(tài)規(guī)劃優(yōu)化方法在實際應用中通常立體視覺匹配算法要具有較高的準確性和實時性。為了提高立體匹配的精度，一般采用全局算法。它使用全局約束來解決匹配問題，通常利是用全局優(yōu)化算法來最小化能量函數(shù)，但全局算法的時間消耗異常的大，而動態(tài)規(guī)劃(DynamicProgramming)是屬于半全局算法中的一種優(yōu)化方法，它避免了NP問題，而且具有計算效率高、匹配效果較好的特點，因而這種算法在實際場合中是最常被使用。動態(tài)規(guī)劃立體匹配算法分為兩個階段：1）計算左右兩幅圖像的原始匹配代價，建立視差空間圖像；2）在視差空間圖像上運用動態(tài)規(guī)劃算法進行優(yōu)化，基于動態(tài)規(guī)劃的立體匹配算法的實質(zhì)就是要在視差空間圖像上，考慮各種視差變化情況下，求出一條最優(yōu)路徑，使能量函數(shù)E取值最小，從而求取視差。為進一步限制路徑搜索的范圍，降低算法的復雜度，文獻[4]引入了唯一性約束和順序性約束，從而限定了從前一階段到當前階段的轉(zhuǎn)換只有7種可能的形式，如圖4所示。分別用m、l、r表示前一階段(pre_state)的匹配點、左遮擋點（即只能在參考圖中被看到）、右遮擋點（即只能在匹配圖中看到），用M、L、R表示當前階段(current_state)的匹配點、左遮擋點、右遮擋點。我們稱此動態(tài)規(guī)劃為三狀態(tài)動態(tài)規(guī)劃。圖47種形式轉(zhuǎn)換圖Figure47formsconversionchart2.2.1算法原理對于DP算法的核心部分就是從每一行第一個像素點到當前像素點x在視差為d，狀態(tài)為current_state時候的最小匹配代價，用sumcost(d,x,current_state)表示。(2-7）其中sumcost(pre_d,pre_x,pre_state)表示像素點x的前一個位置(此時的視差為pre_d,狀態(tài)為pre_state,位置為pre_x)最小匹配代價。Cost表示從前一個位置到當前位置的轉(zhuǎn)移代價，轉(zhuǎn)移代價參考圖5，則可得計算方法為(2-8)CoccL與CoccR為左遮擋和右遮擋的懲罰代價，光滑約束項V(dx,dx-1)的定義與SO算法相同。圖5代價轉(zhuǎn)換Figure5Costoftransition直到本行最后一列元素x=W時候，此時sumcost(d,W,current_state)共保存了dmax個最小匹配代價即sumcost(d=1,2,…,dmax,W,current_state)，與SO算法相同，選取最小的匹配代價集min(sumcost(d=1,2,3,…,dmax,W,current_state))，進行回溯，此時即得到本行最優(yōu)視差路徑,然后同理計算下一行元素。與上面的SO算法不同的是，DP在計算匹配代價的時候考慮了遮擋問題,從而添加了遮擋懲罰代價，能較好的處理遮擋問題。對常規(guī)能量方程式使用動態(tài)規(guī)劃求的最佳路徑可轉(zhuǎn)化為：(2-9)2.2.2算法步驟：(1)初始化的第一個點x=1的sumcost，設置其為匹配狀態(tài)；(2)轉(zhuǎn)到x的下一個位置,討論從前一個像素點位置pre_x到當前像位置x的變換方式t與從第一個點到當前點的匹配代價sumcost。方法為：根據(jù)前一個像素點位置pre_x，狀態(tài)pre_state與視差pre_d討論像素點pre_x到像素點x的變換t，計算出轉(zhuǎn)換代價Cost(t)，從而得到第一個像素點到當前像素點的最小匹配代價sumcost(d,x,current_state);并且保存x各個視差所對應的pre_x處的最佳轉(zhuǎn)換方式best_t。若x<W則繼續(xù)轉(zhuǎn)(2)否則繼續(xù)執(zhí)行；(3)回溯尋找最優(yōu)的路徑,先求出最后一列元素即x=W時的最小匹配代價（注意默認其為無遮擋匹配像素）sumcost(d,W,current_state=1)根據(jù)當前的d,計算出從前一個像素點到當前像素點的轉(zhuǎn)換方式best_t;從而根據(jù)轉(zhuǎn)換度，得出前一個位置的視差pre_d注意，若當前的狀態(tài)為匹配則視差值設置為d，否則標志其為空洞，即：(4)填充空洞，根據(jù)回溯時候的視差dispMap，若當前像素點為遮擋點occLable，則使其視差值為最近一處非遮擋點的視差值。2.2.3算法運行詳解：如圖所示，假設有六個像素點，視差d=1,2,3,在最末處x=6處尋找最小的sumcost(d=1,2,3,6,current=1)，然后進行回溯，根據(jù)保存的best_t尋找x=5處的視差，以此類推，最后得到一條從x=1到x=6的路徑，即得到的視差為d={1,1,1,2,3,2,1,1},而x=3,x=4處為左遮擋區(qū)域，x=5處為右遮擋區(qū)域其余為匹配點。圖6DP算法運行圖Figure6DPAlgorithmdiagramDP不僅能保證在一行是最優(yōu)的，速度快，而且能考慮到遮擋區(qū)域。但是由于每一條掃描線被單獨地處理，缺少了掃描線之間的約束限制，所以該算法和SO算法一樣存在條紋瑕疵改進方法常常是利用掃描線間的相關信息來約束動態(tài)規(guī)劃過程，使得處理每一條掃描線時都能充分利用以前掃描線的匹配信息。例如Stephen[5]等引入了控制點修正技術，改善了視差圖質(zhì)量，大大減少了條紋瑕疵.；GongandYang[6]提出了一個基于可靠性的二通道的DP算法，它沿著水平和垂直路徑利用動態(tài)規(guī)劃，充分利用了像素間信息；Coxetal[7]提出了利用掃描線間的一致性約束，實現(xiàn)了二維的內(nèi)聚性。雖然這些改進對DP都起到了一定的優(yōu)化作用，但在優(yōu)化的同時常常會引進新的缺點，所以都不是很理想。2.3置信度優(yōu)化方法2.3.1算法原理：很多計算機視覺問題都具有不適定性，處理這類問題要引入合適的先驗約束，把它轉(zhuǎn)化為適定的問題。其中馬爾科夫隨機場是描述計算機視覺問題的常用方法。2003年Sun[8]等人將置信傳播算法(BeliefPropagation)用在立體匹配中，取得了異常好的效果，此后基于置信度傳播的立體匹配算法成為人們研究的熱點。BP算法任然是將視差表示成標號形式,為匹配問題構建能量函數(shù),在適當?shù)募s束下,通過鄰接及轉(zhuǎn)移關系建立馬爾可夫網(wǎng)絡,巧妙的使能量與網(wǎng)絡中的信任度關聯(lián)。最后通過求取全局能量函數(shù)的最小值來求取視差。由于基于置信傳播算法的立體匹配不是單單一行，所以其能量模型應變?yōu)?2-10)：（2-10）N表示相鄰像素對的集合，P表示所有的像素點集合對式子兩邊進行指數(shù)變換可得（2-11）令則能量方程可變?yōu)椋?-12）從而可以將立體匹配全局能量最小化問題轉(zhuǎn)化為最大積馬爾科夫隨機場問題，從而利用置信傳播算法求解立體匹配問題的全局近似最優(yōu)解。BP算法的主要思想是消息的迭代傳輸，假設xs在xt的左邊，用msti+1(xs,xt)表示第i次迭代中節(jié)點xs傳遞給xt的左消息，記作msti+1(xleftmessage）,傳遞信息計算參考圖7,bs(xs)記為結點xs的置信度，要不斷的更新，更新方式如圖8。其計算方法分別為：（2-13）即得到xt點處的左信息矩陣xleftmessage（2-14）其中mprawmessage，mrightmessage，mleftmessage，mupmessage，mdownmessage分別表示xs處，節(jié)點的信息，右信息，左信息，上信息和下信息最后xs點的置信度為（2-15）圖7x信息傳遞給y

圖7x信息傳遞給y

圖8圖8信任度傳播2.3.2算法步驟初始化四個存儲信息傳遞矩陣，初始值均設置為1即Leftmessage,當信息從左向右傳播時候，保存左信息；rightmessage,當信息從右向左傳播時候，保存右信息；upmessage,當信息從上向下傳播時候，保存上信息；downmessage當信息從下向上傳播時候，保存下信息；prawmessage,源信息矩陣，即為初始匹配代價；根據(jù)公式（2-13）更新每個點的信息矩陣，即右信息矩陣mrightmessage，左信息矩陣mleftmessage，上信息矩陣mupmessage和下信息矩陣mdownmessage。根據(jù)公式（2-14）計算節(jié)點的最佳置信度xsopt同時記錄下各元素的最大的置信度（2-15）所對應的視差d，此時便求得該處的視差值。最后判斷若達到迭代次數(shù)則停止否則轉(zhuǎn)(3)2.3.3算法運行詳解：如圖顯示了在MarkovNetwork網(wǎng)絡中消息傳遞的方式，在最大積算法中，消息傳遞從x6到x7便為x7的leftmessage，即同理求出x7處的rightmessage,upmessage,downmessage,則可以得到x7處的信任度b7為此時根據(jù)最小的b7所對應的視差來得出x7處的視差值best_d。圖9BP算法運行圖BP算法的優(yōu)點是目標函數(shù)的凹凸性不受限制,計算復雜度高,獲得的全局最優(yōu)路徑與真實路徑有一定差距。目前針對BP的不足改進方法有：Felzenszwalb[9]等人采用的分層等技術對SBP加速，使得全局能量能夠較快收斂；Yang[10]等人利用快速收斂策略也使算法能夠較快的執(zhí)行；BeliefProg[11]算法利用極值位置關系進行加速處理，能使運行效率大約提高了30％~60%。2.4圖割優(yōu)化方法GC(GraphicCut)[12]圖割算法是另外一種全局優(yōu)化算法，即用標號表示視差,建立能量函數(shù),把匹配問題轉(zhuǎn)化為能量函數(shù)最小化問題，再通過構造網(wǎng)絡,使能量與網(wǎng)絡的割的容量相聯(lián)系，最后利用圖的網(wǎng)絡流理論給出能量函數(shù)的最小化,從而獲得圖像匹配的視差數(shù)據(jù)，根據(jù)圖的構造方式不同，圖割算法共有兩個即Swap算法與算法2.4.1Swap算法原理Swap的思想是通過不斷的選取兩個不同的視差，通過其構造網(wǎng)格來與能量方程想關聯(lián)，P為所有元素的集合，而Pαβ是視差為的元素集合，網(wǎng)格構成如圖11所示，圖的構成元素有：頂點集邊集為頂點，Pαβ中的元素分別與相連接構成t-link邊，而Pαβ中內(nèi)部元素相連接構成n-link邊,權值賦值的方式分別為(t-link)(n-link)則割集即其中則將最小割集與能量函數(shù)連接了起來，求出最小割集則為最小的能量，同時也能得出視差集。2.4.2swap算法步驟用簡單的方法比如WTA方式獲得初始視差集labels也可以默認都為1，設置標志success=0從labels中任意選出兩種視差，將原來的視差為的像素點和視差值為的像素點形成一個標號集f，并用此標號集按照swap構造方法構造一個網(wǎng)格，計算出此標號集下f的能量方程值E，將能量方程對應到這個網(wǎng)格中，求出此網(wǎng)格的最小割，此時與源source相連接的像素點視差為，與源sink相連接的像素點的視差為，此時得到一個新的標號集f’，計算在此情況下的能量方程新的值E’若E’<E則表示在此情況下的標號集比原來的標號集能量值更低則得到一個新的標號集f=f’設置能量變小標志success=1判斷若success=1則轉(zhuǎn)步驟（2），否則表示能量已經(jīng)不能再減小優(yōu)化完畢，則停止循環(huán)2.4.3swap算法運行詳解：假設已經(jīng)由簡單的匹配算法如WTA獲得初始視差，每個像素點獲得相應的標號與視差值標號集L={f1,f2,f3,…,f12}視差集P={1,2,3,4}圖10帶初始視差的像素點隨機選取交換的視差=3與=2，從而構成新的標號集L’={f4,f5,f7,f`10,f12}而視差集即為P’={3,2}圖11Swap算法運行圖對應于此例如圖所示,求出此時的最小割集C，即為求的最小的能量E’若此時的E’<E則開始修改視差，即f4,f5,f12與相連則這三個像素點的視差值均為=3，f7,f10與相連則該兩個像素點的視差均為=2，其中f12的視差得到了修正2.4.4算法原理：的思想是通過對視差集中的每一個視差，通過其構造網(wǎng)格來與能量方程想關聯(lián)，如圖所示，圖的構成有頂點集邊集L中的元素分別與相連接構成t-link邊，而L中元素相連接構成n-link邊權值賦值的方式分別為t-linkn-link則割集即則將最小割集與能量函數(shù)連接了起來，求出最小割集則為最小的能量，同時得出視差集。2.4.5算法步驟（1）用簡單的方法比如WTA方式獲得初始視差集labels也可以默認都為1，設置標志success=0（3）對于P中每一個視差，將原來的視差為的像素點和其他視差值的像素點形成一個標號集f，并用此標號集構造一個網(wǎng)格，計算出此時的能量方程值E將能量方程對應到這個網(wǎng)格中，與swap不同的是以前只是考慮兩種視差之間的變換，現(xiàn)在是視差為的像素點與其他所有像素點之間的變換，而且添加了輔助結點，求出此網(wǎng)格的最小割，此時與源source相連接的像素點視差為，與源sink相連接的像素點的視差為，此時得到一個新的標號集f’，計算在此情況下的能量方程新的值E’若E’<E則表示在此情況下的標號集比原來的標號集能量值更低則得到一個新的標號集f=f’設置能量變小標志success=1（4）判斷若success=1則轉(zhuǎn)步驟（2），否則表示能量已經(jīng)不能再減小優(yōu)化完畢，則停止循環(huán)2.4.6算法運行詳解：仍然假設已經(jīng)由簡單的匹配算法如WTA獲得初始視差，每個像素點獲得相應的標號與視差值標號集L={f1,f2,f3,…,f12}視差集P={1,2,3,4}如上圖所示對于視差集中每一個視差，圖12算法運行圖對應于此例如圖所示,求出此時的最小割集C，即為求的最小的能量E’若此時的E’<E則開始修改視差，f1,f2,f3,f12與相連則這三個像素點的視差值均為f4,f11與相連則該兩個像素點的視差保持不變f12的視差得到了修正由于GC是全局優(yōu)化，計算量相當?shù)拇?，所以在時間和空間的消耗上都比半全局優(yōu)化大的多。針對效率的改進方法很多，例如國內(nèi)的一種受限α-擴展(α-expansion)操作[13],該操作根據(jù)灰度連通性和特征點匹配的結果對每次網(wǎng)絡構造的頂點進行控制,減少網(wǎng)絡中頂點和邊的數(shù)目,可有效提高計算效率。三實驗分析3.1參數(shù)定義與設置：本文用文獻[14]的方法來評估算法的性能，即分別對各自算法總的錯誤像素點百分比bad_pixels_all，無紋理區(qū)域T錯誤像素點百分比bad_pixels_textureless，不連續(xù)區(qū)域D錯誤像素點百分比bad_pixels_discont做了統(tǒng)計。(3-1)(3-2)(3-3)dC(x,y)為算法計算所得的視差，dT(x,y)為真實的視差；（eval_bad_thresh）為容許的視差錯誤，在本實驗取值為1.0；無紋理區(qū)域T即為在指定大小的方形區(qū)域(寬度為eval_textureless_width)內(nèi)視差平均值小于給定的閾值(eval_textureless_thresh)；本實驗指定eval_textureless_width=3,eval_textureless_thresh=4不連續(xù)區(qū)域D即為在像素點的視差與其相鄰(evaldiscontwidth）.的視差值大于給定的閾值(evaldispgap)；本實驗指定eval_discont_width=9，eval_disp_gap=2;此外由于很多算法沒有考慮邊界問題，所以本文在比較算法的時候除去了邊界像素點，邊界定義的寬度為eval_ignore_border=18;本文圖片來自/網(wǎng)站的數(shù)據(jù)集，選用了tsukuba圖片與均為經(jīng)過校正的圖片，去除了干擾噪聲，從而能將注意力放在算法的本身性能。右圖左圖右圖左圖3.2首先對tsukuba圖片進行評估對于SO算法關鍵的參數(shù)就是對于數(shù)據(jù)項Cdata計算時候的截斷值Truncation，與計算光滑項時候用到的opt_smooth，對這兩個參數(shù)分別做實驗DP算法根據(jù)DP算法的原理可以知道opt_smooth的值越高，視差圖就越平滑，同時也會丟失一些細節(jié)信息；opt_smooth的值越低，視差圖就更精細，但是會引入更多的異常值。CoccR/L的作用是控制視差圖中允許的遮擋數(shù)量，過高會導致一些正確的遮擋丟失，相反，如果過低，那么視差圖中會出現(xiàn)一些多余的遮擋。BP算法BP算法是通過迭代來進行優(yōu)化的，由于BP算法每次迭代都非常耗時，所以希望迭代次數(shù)越少越好，實驗證明tsukuba僅僅迭代3~4次已經(jīng)能達到收斂BP算法的截斷函數(shù)與前面的不同，采用了GC算法參考文獻[1]T.Kanadeetal.,“DevelopmentofaVideo-RateMachine”,Pro.ofInt.RoboticandSystemsConf.(IROS’95),PittsburghPA.,Aug.,1995.[2]Faugerasetal.Real-Timecorrelation-basedstereo:Algorithm,ImplementationandApplications,INRIATR2013,1993.[3]Ansaretal.Enhancedreal-timestereousingbilateralfiltering.CVPR2004.[4]AaronF.Bobick,StephenS.Intille.Largeocclusionstereo[J].InternationalJournalofComputerVision,1999,33(3):181-200.[5]StephenS.Intille,AaronF.Bobick.Disparity-spaceimagesandlargeocclusionstereo[C]//Stockholm,Sweden:ThirdEuropeanConfComputerVision,1994[6]MinglunGong,Yee-HongYang.Nearreal-timereliablestereomatchingusingprogrammablegraphicshardware[J].ComputerVisionandPatternRecognition,2005,1(1):924-931[7]Ingemar