8、立体匹配：基础、前沿技术与现存挑战

立体匹配：基础、前沿技术与现存挑战

1. 引言

立体匹配是计算机视觉中至关重要的任务之一，因其广泛的应用领域吸引了众多研究者的关注。它的应用场景包括自动驾驶、无人机、道路状况评估、移动机器人导航以及遥感等。随着立体匹配算法的快速发展，研究人员也在努力创建公共基准和数据集，以便评估自己算法的有效性。借助机器学习技术的进步，立体匹配算法在公共基准上已能达到极高的精度。然而，仍有诸多挑战尚未解决，例如遮挡区域的视差估计和无监督训练等问题，这些挑战阻碍了更精确的视差估计和更广泛的应用。

2. 单相机模型

2.1 透视相机模型

透视相机模型通过相机中心将世界中的观测点投影到成像平面。如图所示，$o^{C}$ 表示相机中心，$\Pi$ 和 $\hat{\Pi}$ 分别代表成像平面和归一化成像平面，$f$ 为相机焦距。光轴是从 $o^{C}$ 出发并垂直穿过 $\Pi$ 的射线。在相机坐标系（CCS）中，一个观测的三维点 $p^{C} = [x^{C}, y^{C}, z^{C}]^{T}$ 被投影到 $\Pi$ 上的 $\bar{p} = [x, y, f]^{T}$。它们之间的几何关系为：
[
\frac{x^{C}}{x} = \frac{y^{C}}{y} = \frac{z^{C}}{f}
]
$p^{C}$ 在 $\hat{\Pi}$ 上的归一化坐标为 $\hat{p}^{C} = [\frac{x^{C}}{z^{C}}, \frac{y^{C}}{z^{C}}, 1]^{T}$，上述关系可改写为：
[
\bar{p} = f\hat{p}^{C} = \frac{f}{z^{C}}p^{C}