对于基于深度学习的立体匹配而言,模型的网络结构对算法精度的影响很大,而算法运行效率也是实际应用中需要考虑的重要因素。提出一种在视差维度上使用稀疏损失体进行立体匹配的方法。采用宽步长平移右视角特征图构建稀疏的三维损失体,使三维卷积模块所需的显存和计算资源均降低数倍。采用多类别输出的方式对匹配损失在视差维度上进行非线性上采样,并结合两种损失函数训练模型,在保证运行效率的同时提高算法精度。在KITTI测试集上,与基准算法相比,所提算法不仅提高了精度,而且运行时间缩短了约40%。

该文档对bumblebee双目立体摄像头的结构，原理，使用，注意事项等进行了简单介绍。

本文提出一种基于极线约束的最小二乘图像匹配方法。该方法利用两幅图像间的极线约束得到多个预匹配点，确定预匹配区域，然后用用最小二乘法获得最佳匹配

该程序可一次编译通过，方便研究基于OPENCV的双目视觉标定和三维重建。

为了提高复杂环境下的目标跟踪精度，提出了一种基于序贯检测机制的双目视觉运动目标跟踪方法．该方法在序贯检测机制下，将粒子滤波、稀疏场主动轮廓和 CamShift 等方法结合．首先用基于颜色特征的粒子滤波，估计最优跟踪窗口；通过跟踪窗口和目标的相似度决定是否采用稀疏场主动轮廓方法，然后由目标轮廓和目标的相似度决定是否需要 CamShift 对轮廓进行修正；最后结合双目视觉的视差信息和标定模型对目标进行定位，引入视差置信区间判据可有效减少噪声影响，提高运动目标定位精度．实验表明本文所提的基于序贯检测机制的目标跟踪方法在摄像机运动－目标运动模式下，在目标有尺度、旋转、视角变化和环境有光照变化等情况下，能对运动目标进行有效地跟踪与定位，并且具有比较好的跟踪和定位精度

双目立体匹配算法的学习代码，可以直接执行，可用于初学者学习其思想。

基于双目视觉信息的运动物体实时跟踪与测距 基于双目视觉信息的运动物体实时跟踪与测距

文章名称：3-D Point Cloud Generation from Rigid and Flexible Stereo Vision Systems 文章（英文）详细讲解了双目视觉的一些基本原理，已经如何使用两个普通的网络摄像头来实现双目视觉，以及如何根据两个摄像头来计算物体深度信息。 代码为文章中附带的代码 仅供参考学习

一个关于双目立体视觉算法及应用的PPT，里面的内容十分丰富。其中原理部分，本人也借鉴了一下。由于PPT是意大利的一个大学教授做的，因此是全英文的，大家将就看看，随便提高下外文阅读能力

就一张动图，啥也没有，另有用处，谢谢