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

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。

SGM算法在KITTI2015数据集上测评结果 开发环境：python=3.6、numpy=1.19.5、opencv-python=4.5.5.64 操作系统：Ubuntu20.04LTS 处理器：Intel(R) Core(TM) i7-9700 CPU @ 3.00GHz 实验记录： 1、WTA、SSD策略，disparity=190，radius=3，视差<=3精度：0.5611，运行时间：7.4344s 2、WTA、SSD策略，disparity=64，radius=3，视差<=3精度：0.5611，运行时间：2.7495s 3、SGM、SSD策略，disparity=64，radius=3，视差<=3精度：0.8161，运行时间：22.7137s 4、SGM、NCC策略，disparity=64，radius=3，视差<=3精度：0.8119，运行时间：28.0640s 5、SGM、SAD策略，disparity=64，radius=3，视差<=3精度：0.6681，运行时间：22.3349

针对AD-Census变换采用固定权重将AD变换代价与Census变换代价合成的双目立体匹配代价无法体现像素点区域特征的问题，提出一种基于自适应权重AD-Census变换的双目立体匹配算法。算法首先通过增加相邻像素点的灰度差阈值条件改善十字支撑自适应窗口；然后以每个像素点的十字支撑自适应窗口的最短臂长为自变量，利用指数形式的函数，进行AD变换代价与Census变换代价合成权重的自适应设置。由于像素点十字支撑自适应窗口的最短臂长能够反映像素点的区域特性，因此自适应设置的权重大小与像素点的区域特性直接相关，计算图像边缘区域像素点的匹配代价时，AD变换的权重大；计算平滑区域像素点的匹配代价时，Census变换的权重大。Middlebury第3代双目立体匹配评估平台的结果显示，基于自适应权重AD-Census变换的双目立体匹配性能与基于AD-Census变换的双目立体匹配性能相比，所有图像集的全部像素点的视差平均误差减小了25%，非遮挡像素点的视差平均误差减小了20%，性能得到了提升；平台上包括Adir在内的多个图像集的匹配结果表明基于自 适应权重AD-Census变换的双目立体匹配更适合含纹理丰富、存在重复区域的图像。

通过配置OpenCV，在VC6.0下实现双目立体匹配，包括基于稀疏点、密集点的匹配及其重建。

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

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。

双目立体匹配算法的研究与进展 双目立体匹配算法的研究与进展双目立体匹配算法的研究与进展双目立体匹配算法的研究与进展

基于SIFT的OpenCV双目立体匹配系统，VS2013MFC 实现

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