立体视觉,是计算机视觉研究最广泛的领域之一,被广泛应用于自动驾驶、三维重建、障碍检测等领域。立体视觉通过左右相机获得同一场景不同视角的图片,然后通过计算获得场景的深度信息。其中立体匹配就是从左右图片计算对应点水平偏差的过程,但由于光照、遮蔽、纹理等因素的影响,立体匹配本身有很大挑战,也成了立体视觉系统中最核心和困难的部分。在实际应用中,在保证精度的情况下,立体匹配算法的耗时是实时系统的关键。而对于立体匹配算法而言,半全局算法因为算法自身在精度和耗时方面的平衡,得到了广泛的应用。基于半全局算法,我们对其进行了改进和优化,具体的成果如下:1)提出了一种基于梯度变化的半全局算法。Census变化是一种匹配代价计算方法,它对光照变化的鲁棒性和不错的匹配效果使它得到了广泛的应用。为了提高算法的效率,减轻算法的计算量,计算代价时只计算若干个方向的像素点,并通过梯度变化构建出新的代价模型,通过求解代价模型的汉明距离获得代价值。算法在保证精度基本不变的情况下,大大减少了计算量,且易于进行并行处理,提高了效率。2)提出了一种基于视频序列的半全局算法。以往的算法大部分都是针对静态图片进行处理,但是对于立体视频而言,可以利用帧间相关性优化算法。通过帧间信息提出了动态视差范围和时间方向路径,前者利用前一帧的视差值减少了当前帧的搜索范围,并对异常点进行处理。后者利用帧间信息在代价累积过程中构建了时间方向的路径。动态视差范围在损失较小精度的情况下,明显地减少了算法计算量。而时间方向路径则在消耗计算量不大的情况下,增加了算法的精度。特别是当算法的计算资源有限,对累积代价的路径数量有要求的时候,时间方向路径的优势更加明显。