杨 科，刘 凯

(四川大学 电气工程学院，四川 成都 610065)

0 引 言

立体匹配的过程可以概括为匹配代价计算、代价聚合、初始视差计算和视差求精4个步骤，并根据代价聚合方式将匹配算法划分为全局算法和局部算法两大类[1]。全局算法[2,3]主要采用全局优化理论方法估计视差，建立并最小化全局能量函数得到最优视差值，计算精度较高，但是运算效率低，实时性差。局部算法[4,5]给定图像中一点并在其邻域内的一个窗口中，根据某种相似性度量，寻找与子窗口图像最相似的子图，其运行效率高且易于实现，但容易陷入局部最优解。近年来，随着深度学习的不断发展，一些深度学习方法[6,7]被应用在立体匹配领域来同时达到高精度和实时性，但这类算法对硬件性能和数据集依赖较强，成本较高。Yang[8]提出基于树形结构的非局部匹配算法，解决了全局算法计算效率低，局部算法容易陷入局部最优的问题，但是代价计算阶段只考虑单一的图像信息，图像边缘的匹配精度不高。针对以上方法的不足，本文提出了一种融合颜色、边缘和Census信息的立体匹配代价计算方法，通过自适应窗口获得更优的匹配代价策略，同时提出一种基于图像分割的最小生成树权重策略，计算代价聚合，进一步提高视差精度。该算法能够在对硬件性能和数据集没有明显依赖的条件下，实现高精度立体匹配。

1 匹配代价计算

立体匹配算法的输入为两张存在视差关系(一般为水平视差)的图像，其中一张被称为参考图像(reference image)，另一张为目标图像(target image)。……