-
引言
立体匹配—匹配两个不同摄像机视图中的三维点—只能在两摄像机的重叠视图内的可视区域上才能被计算。如果知道了摄像机的物理坐标或者场景中物体的大小，就可以通过两个不同摄像机视图中的匹配点之间的三角测量视差值d = xl - xr来求取深度。 -
opencv实现了两种立体匹配算法：块匹配算法和半全局块匹配算法。
-
块匹配算法(block matching，BM)
该算法使用了叫“绝对误差之和”的小窗口来查找左右两幅立体校正图像之间的匹配点。这个算法只搜寻两个图像之间的强匹配(强纹理)。因此，在一个强纹理场景中，例如出现在室外的森林中，每一个像素都有可计算的深度。在一个弱纹理场景中，例如一个室内走廊，只能计算出很少点的深度。对于处理非畸变的校正立体图像，块匹配立体匹配算法有以下三个步骤：- 预过滤，使图像亮度归一化并加强图像纹理
- 沿着水平极线用SAD窗口进行匹配
- 再过滤，去除坏的匹配点
在预过滤中，输入图像被归一化处理，从而减少了亮度差异，也增强了图像纹理。这个过程通过在整幅图像上移动窗口来实现，窗口的大小可以是55、77（默认值）……、21*21（最大）。窗口的中心像素Ic由min[max(Ic-Iavg,Icap),Icap]，Iavg是窗口的平均值，Icap是一个整数范围，默认值为30。
匹配过程通过滑动SAD窗口完成。对于左图像中的每个特征，要在右图像中对应行进行寻找，以实现最优匹配。校正之后，每一行就是一条极线，因此右图像上的匹配位置就一定会在左图像的相同行上（即具有相同的y坐标）。如果特征有足够多可检测的纹理，并且位于右摄像机视图内，就可以找出该匹配的位置。如下图所示：
如果左特征像素位于(x0,y0)，那么对于水平前向平行的摄像机排列，匹配点(如果有)一定会在相同行或x0左侧找到。如下图所示：
对于前向平行的摄像机来说，x0是零视差，并且左边的视差更大，对两个摄像机之间有夹角的情况，匹配点则可能出现负的视差(位于x0右侧)。
然后通过预先选择的视差数进行视差搜索，以像素计数(默认为64像素)。视差具有一个离散的亚像素精度，等于低于单个像素级别的4位分辨率。当输出图像是一个32位浮点图像时，将返回非整型视差。当输出一个图像是一个16位整型时，视差将以4位定点形式返回（即乘以16并舍入为整数）。
设置最小视差和待查找的视差个数建立一个双目视界，这个三维体被被立体算法的搜索范围所覆盖。
下图展示了由三种不同视差（20、17、16）限制开始的5像素的视差搜索范围。如图中所示，每组不同的视差限制和视差个数都产生了不同深度可知的双眼视界。在这个范围之外就不能获得深度，在深度图上会出现一个深度未知的“黑洞”。缩小摄像机间的极线距离T、减小焦距长度、增加立体视差的搜索范围或者增大像素宽度，都可以使双目视差变得更大。
双目视界内部的对应有一个内置约束，称为“顺序约束”，他简单地规定了特征从左视图到右视图转换时顺序保持一致。可能会有缺失。这是因为有遮挡和噪声地缘故，使得左图像上的特征在右图像上不能发现，但是发现它们的顺序保持不变。同样地，右图像上也可能有一些特征在左摄像机上不能识别（这些称为“插入”），但是插入不会改变特征地顺序，尽管这些特征可能会扩散。
下图过程反应了水平扫描线上匹配特征地顺序约束
给定允许地最小视差增量，通过下面公式，能确定可以获得最小深度范围精度。
在匹配之后，就要开始进行过滤处理。匹配值经常具有一个特点，就是强烈地中央被副瓣所包围。一旦确定了两个视图的待选特征匹配，就可用后过滤来错误匹配。 -
半全局块匹配算法(semi-global block matching，SGBM)
SGBM主要在两个方面与BM算法不同。第一个是使用Birchfield-Tomasi度量在子像素水平上进行匹配。第二个不同是SGBM视图基于所计算的深度信息来强制实现全局平滑约束，它通过感兴趣区域的许多一维平滑度约束进行考虑。
-
参考文献：Adrian Kaehler，Gary Bradski，Learning Opencv3[M]，清华大学出版社，2018.7
下面的是笔者的微信公众号，欢迎关注，会持续更新c++、python、tensorflow、机器学习、深度学习、计算机视觉等系列文章，公众号中内含300+本pdf电子书籍，肯定有你需要的一本，关注公众号即可领取哦。
如果你对JAVA方面感兴趣，可以关注下面JAVAERS公众号，陪你一起学习，一起成长，一起分享JAVA路上的诗和远方。在公众号里面都是JAVA这个世界的朋友，公众号每天会有技术类文章，面经干货，也有进阶架构的电子书籍，如Spring实战、SpringBoot实战、高性能MySQL、深入理解JVM、RabbitMQ实战、Redis设计与实现等等一些高质量书籍，关注公众号即可领取哦。
