WX_Chen的博客

2019-ICMLC-Efficient Binocular Stereo Matching based on SAD and Improved Census TransformationInternational Conference on Machine Learning and Cybernetics （EI收录的会）https://www.researchgate.net/publication/334453482_Efficient_Binocular_Stereo_Matching_

Python/openCV 中cv2.StereoSGBM_create()代码例子import cv2from matplotlib import pyplot as pltimgL = cv2.imread('23.jpg',0)imgR = cv2.imread('24.jpg',0)stereo = cv2.StereoBM_create(numDisparities=16, blockSize=11)disparity = stereo.compute(imgL,imgR)pl

立体匹配也称作视差估计（disparity estimation），或者双目深度估计。其输入是一对在同一时刻捕捉到的，经过极线校正的左右图像。而它的输出是由参考图像（一般以左图作为参考图像）中每个像素对应的视差值所构成的视差图 d。立体匹配算法的几个步骤：计算匹配的代价(Matching cost)代价聚合(Cost aggregation)——cost volume视差计算视差优化左右一致性检测(Left-Right Consistency(LRC) check):[Occlu

张正友的大作《A Flexible New Technique for Camera Calibration》张正友标定法要想对相机进行标定，就需要求解出相机的内外参矩阵以及畸变系数假设我们提供K个棋盘图像，每个棋盘有N个角点，于是我们拥有2*K*N个约束方程。忽略畸变的情况下，我们就需要求解4个内参和6*K个外参（内参只于相机内部参数有关，外参却随目标点位置变化而变化）只有当2KN>=4+6K的时候，也即K(N-3)>=2时，才能求出内外参矩阵无论在一张棋盘上检测到多少

立体视觉（也称双目视觉）主要研究的两个相机的成像几何问题，研究内容主要包括：立体标定（Stereo Calibration）、立体校正（Stereo Rectification）和立体匹配（Stereo Matching）。目前，立体标定主要研究的已经比较完善，而立体匹配是立体视觉最核心的研究问题。匹配图像对是OpenCV自带校正好的图像对标准测试平台提供的标准图像对：MiddleBuryKITTI摄像机标定（包括内参和外参）双目图像的校正（包括畸变校正和立体校正）立体匹配算法获取视差.

在双目立体视觉领域，基本上是左视图算起，算每一个像素的匹配代价，之后又一个赢家通吃，得到每一个像素匹配代价的最小值，这样就是最优的视差匹配。具体还要分成局部匹配算法，和全局优化算法推荐一本书《三维计算机视觉技术和算法导论》

一般基于点之间的匹配很容易受噪声的影响，往往真实匹配的像素的代价并不是最低。所以有必要在点的周围建立一个window，让像素块和像素块之间进行比较，这样肯定靠谱些。一般用如下方法计算census + TAD + 梯度 就是把TAD和梯度加权叠加，后面是census的匹配代价，得到最终的匹配代价。cost[ x ] = 2 - exp( - tmpCo

Census 变换在实际场景中,造成亮度差异的原因有很多,如由于左右摄像机不同的视角接受到的光强不一致,摄像机增益、电平可能存在差异,以及图像采集不同通道的噪声不同等，cencus方法保留了窗口中像素的位置特征,并且对亮度偏差较为鲁棒,简单讲就是能够减少光照差异引起的误匹配。实现原理：在视图中选取任一点，以该点为中心划出一个例如3 × 3 的矩形，矩形中除中心点之外的每一点都与中心点进

该问题的任务是从双目相机所获取的左眼图像和右眼图像中恢复出逐像素点的深度。由于双目相机中的平行极线约束，该问题又转化为左右眼图之间的逐像素匹配问题。受限于训练数据的数量，同时也因为可能未找到该问题下的最佳网络结构，深度学习中的端到端的训练方法在立体视觉匹配上的表现依然未超过传统方法。这里的端到端的训练方法指的是：直接对输入图片进行一系列卷积以及一系列反卷积来回归出输出图像。由于获得双目

1.灰点公司的大黄蜂，bumblebee2.Stereolabs推出的ZED立体相机3.一些小公司，比如人加智能的movesense

根据摄像机捕捉的信息完成运动物体检测、识别、跟踪及分析传统的运动检测算法：1.背景差分法：适用于背景已知的情况2.帧差分法：适用于动态变化场景3.光流场法：支持摄像机运动情况