立体匹配是双目视觉系统分析中的重要环节之一,直接决定三维信息重建的质量和效率。为提升立体匹配实时性与准确性,提出一种基于图像先验信息的立体匹配算法。算法首先采用BP神经网络MIV方法提取并筛选图像有效特征值,并以视觉系统应用...立体匹配是双目视觉系统分析中的重要环节之一,直接决定三维信息重建的质量和效率。为提升立体匹配实时性与准确性,提出一种基于图像先验信息的立体匹配算法。算法首先采用BP神经网络MIV方法提取并筛选图像有效特征值,并以视觉系统应用环境不同将图像数据分为的简单背景图像和复杂背景图像,然后在测距1-2m的实验室条件,利用双目摄像头和CORE I7处理器采集图像数据,并在Visual Studio 2015中按照3:2对图像进行大小裁剪,最后基于BM优化算法与SGBM改进算法对图像进行立体匹配。简单背景仿真结果表明,未裁剪BM优化算法的测量误差未0.9%,仿真时间为2s,较其它算法而言,仿真时间最短,实时性最高;复杂背景仿真显示,裁剪后的SGBM改进算法,测量误差为0.4%,仿真时间2.5s,测量误差大幅降低。在图像先验信息的基础上,通过优化BM算法提高了立体匹配实时性,基于改进SGBM算法提高了立体匹配准确性,为双目视觉系统的实际应用提供了理论依据。展开更多
文摘立体匹配是双目视觉系统分析中的重要环节之一,直接决定三维信息重建的质量和效率。为提升立体匹配实时性与准确性,提出一种基于图像先验信息的立体匹配算法。算法首先采用BP神经网络MIV方法提取并筛选图像有效特征值,并以视觉系统应用环境不同将图像数据分为的简单背景图像和复杂背景图像,然后在测距1-2m的实验室条件,利用双目摄像头和CORE I7处理器采集图像数据,并在Visual Studio 2015中按照3:2对图像进行大小裁剪,最后基于BM优化算法与SGBM改进算法对图像进行立体匹配。简单背景仿真结果表明,未裁剪BM优化算法的测量误差未0.9%,仿真时间为2s,较其它算法而言,仿真时间最短,实时性最高;复杂背景仿真显示,裁剪后的SGBM改进算法,测量误差为0.4%,仿真时间2.5s,测量误差大幅降低。在图像先验信息的基础上,通过优化BM算法提高了立体匹配实时性,基于改进SGBM算法提高了立体匹配准确性,为双目视觉系统的实际应用提供了理论依据。
