主权项 |
一种基于自适应特征窗口的立体视觉匹配方法,其特征在于,包括以下步骤:步骤一:构建特征选择训练库采集标准立体视觉图像库中的图像对,将图像对中的左图分割为若干子图像块,组成标准图像训练库;采集实际应用场景相关图像库中的图像对,将图像对中的左图分割为若干子图像块,组成实际应用图像训练库;对采样得到的标准图像训练库和实际应用训练库,基于Sobel算子计算梯度图像,并对横向梯度x方向和纵向梯度y方向分别施加不同的权重,所得梯度图像构成特征选择训练库,并表示为:{X<sup>(i)</sup>},i=1,2,…,n,其中,X<sup>(i)</sup>表示第i个子图像块,n表示子图像块的数量,即训练样本的数目;步骤二:构建特征选择训练库的最终训练集分别采用尺度为3、6、9、12、15的Census特征,对步骤一中采样所得的子图像块进行立体匹配代价计算,再应用分割树方法对所得的立体匹配代价进行聚合,对匹配代价聚合结果采用留取胜者的方法进行最终的匹配视差选择;根据实际视差结果,对不同尺度下计算得到的视差结果统计其准确度,然后选择准确度最高的尺度作为对应子图像块梯度图对应的标识,表示为:{y<sub>j</sub>},j=1,2,…,5其中,y<sub>1</sub>=3,y<sub>2</sub>=6,y<sub>3</sub>=9,y<sub>4</sub>=12,y<sub>5</sub>=15,分别对应Census特征的5个尺度;再结合步骤一中获得的特征选择训练库,得到特征选择训练库的最终训练集,表示为:{X<sup>(i)</sup>,y<sup>(i)</sup>},i=1,2,…,n;步骤三:构建特征选择分类器采用逻辑回归算法,使用一对其他策略,并基于步骤二获得的特征选择训练库的最终训练集构造多类分类器优化目标函数为:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mi>J</mi><mrow><mo>(</mo><mi>θ</mi><mo>)</mo></mrow><mo>=</mo><mfenced open='' close=''><mtable><mtr><mtd><mo>-</mo><mo>[</mo><mfrac><mn>1</mn><mi>n</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msup><mi>y</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mi>log</mi><msub><mi>h</mi><mi>θ</mi></msub><mrow><mo>(</mo><msup><mi>X</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>)</mo></mrow><mo>+</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><msup><mi>y</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>)</mo></mrow><mi>log</mi><mrow><mo>(</mo><mn>1</mn><mo>-</mo><msub><mi>h</mi><mi>θ</mi></msub><mrow><mo>(</mo><msup><mi>X</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow></msup><mo>)</mo></mrow></mrow><mo>]</mo></mtd></mtr><mtr><mtd><mo>+</mo><mfrac><mi>λ</mi><mrow><mn>2</mn><mi>n</mi></mrow></mfrac><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><mo>|</mo><msub><mi>θ</mi><mi>j</mi></msub><mo>|</mo></mtd></mtr></mtable></mfenced></mrow>]]></math><img file="FDA0000646561940000021.GIF" wi="1419" he="353" /></maths>其中,n表示训练样本的数目,<img file="FDA0000646561940000022.GIF" wi="445" he="151" />是由X<sup>(i)</sup>映射到y<sup>(i)</sup>的Sigmoid函数,log(·)为对数函数,{θ<sub>j</sub>},j=0,1,…,1483是由训练得到的分类器参数,λ是稀疏性约束的重要性系数,设为1或者根据实验效果设定,应用梯度下降法求解上述优化目标函数,得到特征选择分类器;步骤四,针对实际应用场景相关图像库中的图像对,采集左右两帧图像,将左图分解成子图像块,求解各子图像块对应的梯度图,应用训练步骤三所得的特征选择分类器,对子图像块进行分类,选择对应的特征尺度:首先,应用所选择的特征尺度计算Census特征匹配代价;其次,应用颜色绝对差特征计算颜色匹配代价;再次,将两种匹配代价求和,得到最终的立体匹配代价;最后,基于分割树方法进行立体匹配代价聚合,采取留取胜者的方式计算得到视差结果,完成立体匹配。 |