1.1. 雙目視覺簡介

雙目視覺廣泛應(yīng)用在機(jī)器人導(dǎo)航，精密工業(yè)測量、物體識別、虛擬現(xiàn)實(shí)、場景重建，勘測領(lǐng)域。

什么是雙目視覺？

雙目視覺是模擬人類視覺原理，使用計(jì)算機(jī)被動感知距離的方法。從兩個或者多個點(diǎn)觀察一個物體，獲取在不同視角下的圖像，根據(jù)圖像之間像素的匹配關(guān)系，通過三角測量原理計(jì)算出像素之間的偏移來獲取物體的三維信息。

得到了物體的景深信息，就可以計(jì)算出物體與相機(jī)之間的實(shí)際距離，物體3維大小，兩點(diǎn)之間實(shí)際距離。目前也有很多研究機(jī)構(gòu)進(jìn)行3維物體識別，來解決2D算法無法處理遮擋，姿態(tài)變化的問題，提高物體的識別率。

1.2. 算法一般流程

圖1 雙目視覺算法流程

1.2.1. 離線標(biāo)定

標(biāo)定的目的是獲取相機(jī)的內(nèi)參（焦距，圖像中心，畸變系數(shù)等）和外參（R（旋轉(zhuǎn)）矩陣T（平移）矩陣，用于對其兩個相機(jī)）。目前比較常用的方法為張正友的棋盤格標(biāo)定方法，Opencv和Matlab上均有實(shí)現(xiàn)。但是一般為了獲取更高的標(biāo)定精度，采用工業(yè)級的（60*60格子）玻璃面板效果會更好。并且有人也建議使用Matlab，因?yàn)榫劝梢暬Ч麜靡恍?，并且Matlab的結(jié)果保存為xml，Opencv也可以直接讀入，但是步驟相對于Opencv的麻煩了一些。這是Matlab標(biāo)定工具箱的連接：http://www.vision.caltech.edu/bouguetj/calib_doc/

步驟為：

（1）左攝像頭標(biāo)定，獲取內(nèi)外參數(shù)。

（2）右參數(shù)攝像頭標(biāo)定獲取外參。

（3）雙目標(biāo)定，獲取相機(jī)之間的平移旋轉(zhuǎn)關(guān)系。

圖2 Matlab雙目視覺標(biāo)定

1.2.2. 雙目矯正

矯正的目的是得到的參考圖與目標(biāo)圖之間，只存在X方向上的差異。提高視差計(jì)算的準(zhǔn)確性。

矯正分為兩個步驟

l畸變矯正

圖3 畸變矯正

l將相機(jī)轉(zhuǎn)化為標(biāo)準(zhǔn)形式

圖4 轉(zhuǎn)換為標(biāo)準(zhǔn)形式

因?yàn)槌C正部分，會對圖像所有點(diǎn)的位置進(jìn)行重新計(jì)算，因而算法處理的分辨率越大耗時越大，而且一般需要實(shí)時處理兩張圖像。而且這種算法并行化強(qiáng)標(biāo)準(zhǔn)化程度較高，建議使用IVE進(jìn)行硬化，類似Opencv中的加速模式，先得到映射Map，再并行化使用映射Map重新得到像素位置。Opencv中的矯正函數(shù)為cvStereoRectify。

1.2.3. 雙目匹配

雙目匹配是雙目深度估計(jì)的核心部分，發(fā)展了很多年，也有非常多的算法，主要目的是計(jì)算參考圖與目標(biāo)圖之間像素的相對匹配關(guān)系，主要分為局部和非局部的算法。一般有下面幾個步驟。

l匹配誤差計(jì)算

l誤差集成

l視差圖計(jì)算/優(yōu)化

l視差圖矯正

一般局部算法，使用固定大小或者非固定大小窗口，計(jì)算與之所在一行的最優(yōu)匹配位置。如下圖為最簡單的局部方式，求一行最佳對應(yīng)點(diǎn)位置，左右視圖X坐標(biāo)位置差異為視差圖。為了增加噪聲，光照的魯棒性可以使用固定窗口進(jìn)行匹配，也可以對圖像使用LBP變換之后再進(jìn)行匹配。一般的匹配損失計(jì)算函數(shù)有：SAD,SSD,NCC等。一般采用最大視差也可以限制最大搜索范圍,也可以使用積分圖和Box Filter進(jìn)行加速計(jì)算。目前效果較好的局部匹配算法為基于Guided Filter的使用Box Filter和積分圖的雙目匹配算法,局部算法易于并行化，計(jì)算速度快，但是對于紋理較少的區(qū)域效果不佳，一般對圖像分割，將圖像分為紋理豐富和紋理稀疏的區(qū)域，調(diào)整匹配窗大小，紋理稀疏使用小窗口，來提高匹配效果。

圖5 基于線性搜索的視差計(jì)算

非局部的匹配算法，將搜索視差的任務(wù)看做最小化一個確定的基于全部雙目匹配對的損失函數(shù)，求該損失函數(shù)的最小值即可得到最佳的視差關(guān)系，著重解決圖像中不確定區(qū)域的匹配問題，主要有動態(tài)規(guī)劃（Dynamic Programming），信任傳播（Blief Propagation），圖割算法（Graph Cut）。目前效果最好的也是圖割算法，Opencv中提供的圖割算法匹配耗時很大。

圖割算法主要是為了解決動態(tài)規(guī)劃算法不能融合水平和豎直方向連續(xù)性約束的問題，將匹配問題看成是利用這些約束在圖像中尋求最小割問題。

圖6 基于圖割（左），動態(tài)規(guī)劃（中），相關(guān)性計(jì)算（右）的效果。

因?yàn)榭紤]到全局能量最小化，非局部算法一般耗時較大，不太好使用硬件加速。但是對于遮擋，紋理稀疏的情況解決的較好。

得到了匹配點(diǎn)之后，一般通過左右視線一致性的方式，檢測和確定具有高置信度的匹配點(diǎn)。很類似前后向光流匹配的思想，只有通過左右視線一致性檢驗(yàn)的點(diǎn)才認(rèn)為是穩(wěn)定匹配點(diǎn)。這樣也可以找出因?yàn)檎趽酰肼?，誤匹配得到的點(diǎn)。

那么我們?nèi)绾蔚玫揭暡詈蜕疃刃畔⒛兀?/p>

圖7 視差深度獲取示意

關(guān)于視差圖的后處理，一般采用中值濾波的方法，對當(dāng)前點(diǎn)的灰度值使用鄰域像素的中值來代替，這種方法可以很好去除椒鹽噪聲?？梢匀コ?yàn)樵肼暬蛘呷跫y理匹配失敗的孤立點(diǎn)。

原文標(biāo)題：雙目視覺及算法流程

文章出處：【微信公眾號：新機(jī)器視覺】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq