Marcus1231的博客

本文介绍了ADCensus立体匹配算法的完整流程。算法首先通过融合Census结构特征和AD亮度差异特征进行代价计算，然后采用可变形状支持窗进行多方向代价聚合。接着使用扫描线优化方法减少噪声，并通过视差后处理步骤进一步优化结果，包括错误检测分类、区域投票、分情况插值、边缘修正和亚像素增强等处理。实验结果表明，该方法能有效处理图像中的平坦区域、重复结构和遮挡等问题，最终生成高精度的视差图。整个算法在保持计算效率的同时，显著提升了立体匹配的精度和鲁棒性。

KITTI数据集是自动驾驶领域的重要视觉基准数据集，由德国卡尔斯鲁厄理工学院和丰田技术研究所团队于2012年首次发布。该数据集包含立体匹配、光流、视觉里程计和3D目标检测等多任务数据，采集设备包括高精度激光雷达、多组摄像头及GPS/IMU系统。2015年升级版增加了动态场景数据，采用CAD模型辅助标注运动物体。2020年推出的KITTI-360进一步扩展了数据规模，新增鱼眼镜头和360度激光扫描仪。该数据集推动了自动驾驶视觉算法的发展，为解决真实场景中的立体匹配、目标检测等任务提供了重要基准。

摘要：本文系统梳理了立体匹配测试数据集的发展历程与评价方法。评价指标主要包括均方根误差、错误匹配像素比例等，并在无纹理、遮挡和深度不连续区域进行细分评估。2001年早期数据集采用平面场景和人工标注；2003年引入结构光技术，实现高精度视差图生成；2014年通过改进标定方法和处理流程，制作了更复杂的33组数据集；2021年新增移动设备拍摄的数据集。这些数据集推动了立体匹配算法的量化评估与改进，从简单平面场景发展到复杂真实场景，图像分辨率从几百像素提升至3000×2000，评价体系也日趋完善。（150字）

本文介绍了立体匹配算法中的视差后处理技术，主要包括五个方面：1）亚像素插值方法，通过抛物线拟合实现浮点视差计算；2）图像滤波技术如中值滤波、形态学处理等基础优化手段；3）双向匹配的左右一致性检查方法及其改进的单次匹配方案SMP；4）基于分割的视差优化方法，通过超像素分割和鲁棒平面参数估计提升精度；5）鲁棒平面拟合技术如RANSAC和直方图投票法。这些方法能有效纠正视差图中的错误并提高精度，其中基于分割的方案和鲁棒拟合技术效果尤为显著。视差后处理作为立体匹配的关键环节，大大提升了算法的准确性和实用性。

本文系统介绍了立体匹配中的视差计算与优化方法。主要内容包括：1. 全局优化算法（图割法、置信度传播、合作优化），通过最小化能量函数实现视差优化，效果好但计算量大；2. 一维优化算法（动态规划、半全局匹配），在扫描线方向优化，效率高但存在水平撕裂问题；3. 局部一致性优化，作为后处理步骤提升精度，结合超像素分割可进一步改善效果。不同方法在精度、速度等方面各有优劣，需要根据应用场景权衡选择。

本文分析了立体匹配中代价聚合算法的局限性及改进方案。传统固定支持窗方法存在假设过于理想、边缘模糊等问题。文章系统梳理了多种优化方案：基于空间假设的改进（如Shiftable Windows、Variable Windows等）通过调整窗口形状和位置提升精度；基于颜色一致性的方法（如Segmentation-Based、Adaptive Weights等）利用图像分割和滤波技术改善匹配效果。研究指出，结合空间距离和颜色距离的混合策略能取得更好效果，但计算复杂度较高。最后介绍了Fast Bilateral St

摘要：立体校正算法将双摄图像对校正为标准形态，使对极线水平对齐，方便在水平方向搜索对应点进行三角测距。物距计算依赖视差，即两图像对应点的横坐标差。立体匹配过程通过定义匹配代价（如像素值绝对差）在目标图像中寻找参考图像点的最佳匹配点，生成视差图。理想的视差图应符合近大远小、物距突变边缘清晰、渐变平滑等特征。