KITTI 2012/2015双目立体匹配(stereo matching)数据集百度云下载-附件资源

对于基于块进行立体匹配的深度学习方法而言，网络结构的设计对匹配代价的计算至关重要，同时，卷积神经网络（CNN）在图像处理时的耗时问题也亟待解决。提出一种基于“缩小型”网络的CNN立体匹配方法。利用CNN训练左右图像块的相似性，计算出立体匹配的匹配代价。其中，CNN特征提取阶段，通过对每个层增加相应的批归一化层，可以使训练使用更大的学习率，加快网络训练收敛速度。另外，网络设计中全连接层采用“逐层缩小”的形式，结合上述网络优化和损失函数改善，在保证精度的同时提高了运行速度。使用KITTI数据集对算法进行验证，实验结果证明，相比目前国内外先进方法，本文算法在精度方面有一定优势，相比部分方法，速度有较大提升。

SAD立体匹配算法 源码

只是一个很简单的立体匹配，可以运行。如果是做计算机视觉方面的东西，还是有一定的参考价值。下载下来直接可以运行

matlab新年快乐代码

传统的基于像素点的匹配算法常常是算出初始匹配代价后直接采用贪心策略求取视差，虽然速度较快，但往往是局部最优的，以至精确度很低。针对这一问题，目前策略主要有：（1）半全局优化算法：扫描线算法和动态规划算法；（2）全局优化算法：置信度算法和图割算法。本文旨在通过详细讨论这四种算法原理本质，算法步骤与算法运行，从而深刻分析各自的优点与缺点

基于视差空间采样的区域增长稠密立体匹配算法

针对目前双目视觉立体匹配算法计算量过大、实时性不强的问题, 提出了一种平行配置系统的快速立体匹配算法。利用两幅视图的差异将视图分为特征点和非特征点, 然后对特征点采用WTA (winner-take-all)方法进行匹配, 而对非特征点只进行简单的验证, 最后得出致密的视差图。该算法利用视差的分段连续性, 大大减少了运算量。实验结果表明, 该算法提取的特征点集中于视差不连续区, 与目前其它基于区域的匹配算法相比, 该算法得到的误匹配像素百分比与其它算法相当, 而计算速度却提高了一个数量级, 并且边缘特征较好, 是一种有效可行的高实时性立体匹配算法。

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%。

为提高双目立体视觉测量图像精确匹配的稳定性，提出一种基于特征点能量的稳健匹配新算法。该算法基于极线约束获取左右图像中特征点的初始匹配，根据特征点之间极线约束关系定义了一种不受仿射变换影响的能量来描述特征点，通过比对特征点能量值来剔除误匹配。该算法有效降低了误匹配率和误剔除率，从而满足多视角测量数据拼合过程中严格限制误匹配率的要求。实验结果表明，该算法正确匹配率大于95%，误剔除率小于2%，具有较强的稳健性。