周 琼

（湖南永州职业技术学院，永州 425000）

上个世纪60年代初期，计算机视觉正式兴起，其中以立体视觉为重要分支。在双目立体视觉中，立体匹配是从不同视角对同一场景拍摄并获得图像对，再找出两幅图像中特征相同的点，然后再算出视差，最后得到图像的三维信息。下面，笔者主要探讨计算机双目视觉的立体匹配算法。

1 双目立体视觉原理

1.1 双目立体视觉模型

据研究，双目立体视觉是先从不同视角利用两台摄像机拍摄同一场景，并获得两幅图像，然后按三角测量与视差原理，测得物体至成像系统的距离或深度信息。其中，可按摄像机安装的位置将双目立体视觉分为两种模型。基于汇聚光轴的视觉模型按一定的角度安装左、右摄像头；基于平行光轴的视觉模型完全平行安装左、右摄像头。对于基于汇聚光轴、平行光轴的两种视觉模型，前者具有摄像头安装难度较低、两台摄像机的间距与方向可自由调节、图像的遮挡减少、摄像机视场范围可自由调节等优点；后者的效果最好，但在实际安装摄像头时，却很难实现两个摄像头完全平行。

1.2 视差原理

下面，笔者选择基于平行光轴的视觉模型，以解析双目立体视觉所用的视差原理。假设摄像机的焦距为f，两个摄像头的基线距离为B及其成像中心分别为OR、OT，现实中物体点到B的距离为Z，两台摄像机投影平面上P点的成像点分别为p、p’，那么可按三角测量原理进行如下描述：

据此，在基于光轴平行的视觉模型中，两台摄像机的基线与其成像平面相互平行，则得视差场景的深度与摄像机的焦距、基线的长度呈正相关，同时与视差呈负相关，而物体深度与其呈负相关，表明物体距离摄像机较近时的值具有更高的精确度。

2 双目视觉立体匹配算法

2.1 BM算法

BM算法是一种局部立体匹配算法，其以支撑窗为理论基础，并假设支撑窗中像素的视差相同，即：先设定小窗口，再在待匹配的图像上按窗口中的特征向量遍历搜索，然后再计算遍历中不同窗口与该窗口的相似度，并取最相似的窗口为最后结果。关于BM算法，其既可以像素（块）为匹配特征，又可按图像特征对窗口进行自适应调节。关于最佳窗口的搜索，赢者通吃法是最常见的优化算法，其原理为：先算出不同匹配窗口中对应于每一像素点的匹配代价，再以匹配代价最小的窗口为最后的匹配窗口。BM算法的首要任务是算出匹配代价，即：视差分别从左、右视图中选定矩形窗口及其中心分别为p1（x，y）、p2（x+d，y）；运用匹配代价函数算出两个矩形窗口的相似性。其中，匹配代价函数以SAD（绝对差之和）、SSD（平方差之和）和ZSSD（归一化互相关）等为主，本文运用SAD找寻左、右图的最优匹配点。综上，BM算法的实现步骤为：首先，通过预过滤，以对图像对亮度进行归一化处理及强化图像纹理；其次，运用SAD窗口沿极线开展匹配搜索；最后，通过再过滤，以筛除误匹配点。

2.2 GC算法

GC算法是一种全局匹配算法，其处理效果最好。关于GC算法，Boykov等人提出了基于Graph Cut（图割）的立体匹配技术，即通过实现图像最小割来解决能量最小化的问题。在Graph Cut模型中，构造数据与平滑约束项是最为核心的问题，目的是使图像分割结果的精准度更高，其中运用的能量函数为：

其中，P为全部像素；p为某一像素的位置；N为邻接关系；D为数据约束；f为标记；Dp（fp）为像素p在视差为fp时对应的匹配代价；V为光滑约束。图像最小割问题的解决方法为最大流，所以Graph Cut在解决能量最小化问题时常用网络流算法。综上，GC算法先以能量函数中每个因子的取值建构赋权图，再以赋权图的最小割对目标能量函数进行极小化处理，通过解决赋权图最小割问题来解决全局能量最小化问题，然后再运用最大流算法进行解答。

GC算法的实现步骤为：首先，运用某种分割法按一定程度分割图像；其次，运用BM算法快速求解每一点的初始视差；第三、根据视差信息，对每一区域开展平面化建模，并获得平面集合；第四、修正平面集合；第五、以区域为单位全面匹配，从而获得每一区域的视差。

2.3 SGM算法

SGM算法是半全局匹配算法，其相似性测度为互信息。其中，匹配点仅可对附近路径上的一些像素进行搜索，所以弱纹理区会出现误匹配。SGM算法的实现步骤为：首先，逐一计算左、右扫描线上的像素；其次，选择八条规划路径聚合匹配代价；第三、运用迭代法计算视差；第四、按照左、右图像同名像素点具有一致性来筛除无效匹配点。

3 结语

综上，本文简要探究了计算机双目视觉立体匹配算法，并着重介绍了BM算法、GC算法和SGM算法。经过数十年的深入发展，双目视觉立体匹配得到了不断改进，且在医学诊断、机器视觉等领域发挥了重要作用。但目前，仍缺少一种通用性强、精确度高且快速的匹配算法，且立体匹配仍是计算机双目立体视觉的瓶颈，有待深入研究。