基于python实现的SGM半全局立体匹配算法,直接替换图片位置即可，均有注释。

SGM-Nets: Semi-global matching with neural networks 原文

Semi-Global Matching in Object Space 原文

Stereo Processing by Semiglobal Matching and Mutual Information 原文

这是博洛尼亚大学计算机科学系（DISI）的双目视觉讲义，主要内容是双目视觉的基本框架和目前这个领域最前沿的应用

matlab工具箱，可完成单目相机的标定、双目相机的标定，调用方便。

大部分基于卷积神经网络的双目立体匹配算法往往将双目图像对的像素级别特征作为匹配代价进行计算,缺乏将全局特征信息结合到立体匹配算法的能力,导致不适定区域(如弱纹理区域、反光表面、细长结构、视差不连续区域等)的匹配精度差,进而影响整体立体匹配精度。针对这个问题,提出一种基于多维特征融合(MDFF)的立体匹配算法,该算法主要由三个模块组成:残差开端(Inception-ResNet)模块、空间金字塔池化(SPP)模块和堆叠沙漏网络(SHN)模块。Inception-ResNet模块主要提取图像对局部特征信息;SPP模块主要提取图像对全局特征信息,构建匹配代价卷;SHN模块用来规则化匹配代价卷。在KITTI2012和KITTI2015数据集上进行验证,可得本文算法的三像素平均误匹配率为1.62%和1.78%,超过了国内外大部分先进算法;此外,本文提出的立体匹配算法在Apollo数据集和Middlebury数据集上也表现较好。

书名：Close-Range Photogrammetry and 3D Imaging - 3rd Edition 作者: Thomas Luhmann,Stuart Robson,Stephen Kyle,Jan Boehm 简介：《近景摄影测量与三维成像》，书中对双目立体视觉系统做了精度分析。在一个三维测量项目中，如果采用立体视觉方案，首先，要根据测量需求（精度、测量范围、速度等），确定立体视觉的硬件方案。Thomas Luhmann在他的《Close-Range Photogrammetry and 3D Imaging》（2014）中，给出立体视觉系统的简化分析方法。

基于双目视觉和yolov5的目标检测系统，python代码

针对室内复杂的非结构化环境和机器人动态变化的服务任务,提出基于快速识读码(QR code)技术的室内环境空间认知手段.在双目视觉获得深度信息的前提下,基于DSmT证据理论构建信息不确定数学模型,形成描述体素占有/空闲概率的三维栅格地图.在构建三维地图的同时,利用粘贴在大物品上的基于QR code技术的人工物标,为环境中的大物品添加语义标签,并基于大物品的尺寸更新对应的体素占空值,形成含大物品功能属性和归属关系描述的三维栅格语义地图.通过实验与其它信息融合算法进行对比,并对人工物标的识读准确性进行分析,证明该方法的有效性和可行性.