作者提出了基于graph cuts的local expansion moves,来进行精确的立体匹配。
目标:在结合了slanted patch matching和curvatureregularization的分段MRF(解决fronto—parallel bias)上推断每一个像素点的3D平面标签。
Localexpansion moves拓展了传统的expansionmoves,包括两个方式:localization和spatialpropagation。
通过localization,根据local α-expansions使用不同的α-labels;
通过spatial propagation,设计localα-expansions来把当前分配的labels分配给邻域区域。
一.介绍
•
Slantedpatch matching
估计每一个像素处的一个平面方程,由方程计算出视差。
d=ax+by+c
d是视差,a,b,c是平面方程参数。根据方程1,匹配窗是斜的,优点是会使窗内的视差值是线性变化的,并且可以精确的测量patch的不相似度。
•
Curvatureregularization
使用正切平面标签。可由传统线性和截断线性模型这样的分段项表示,可以解决平面外的smooth表面。
•
Localexpansion moves
允许在GC优化的时候使用spatialpropagation;
local expansion moves由许多α-expansions呈现,α-expansions是为不同位置的一小部分区域定义的。
每一个local α-expansion尝试改善当前局部区域的labels,使用基于GC的能量最小的方式;
同时,这个过程还包括将一个局部区域的当前像素值传播给周围的像素。
•
该
方法的优点
1.
Local expansion
moves
方法带来了
submodular
moves
,保证每一次
最小
割的时候得到最佳的
labeling
;
2.
这个最佳性和空间传播允许随机搜索来生成初始
proposals
3.
这个方法由于
GC
和
local expansion move
的应用,带了比
BP
更高的检测精度
4.
这个方法应用了快速代价滤波技术,降低了数据项的计算复杂度,达到近似
O(1)
5.
该
方法可以在
CPU
和
GPU
下,实现各个α
-
expansion
的并行处理。