基础矩阵计算及其在立体视差估计中的应用

论文摘要

基础矩阵的计算是计算机视觉领域中一个非常重要的问题。针对如何去除异常数据、提高基础矩阵的估计精度,本文提出了基于分块的基础矩阵的鲁棒估计算法,首先利用经典的角点检测算法和改进的互相关匹配算法获得初始匹配点集;然后运用分块随机抽样策略和改进的8点法去除误差比较大的异常数据,获得内点集;最后对内点集的处理采用了两种不同的策略。一种是经典的非线性迭代算法,它能够处理一定范围内特征点定位误差,按照特征点偏差大小调整其加权系数,即偏差大的点加权系数小,反之加权系数大,对内点集进行加权迭代求解。第二种是逐点扩充算法,即在8点初始子集基础上逐点扩充,它以内点集中所有点到其极线的距离总和作为目标函数来考核新点,如距离和不增加则加入新点,直到考核完所有内点,其本质为在内点集中寻找误差相对比较小的子集作为最优子集,并用改进8点法求解基础矩阵。实验结果表明,基于这两种策略的分块鲁棒算法能有效的去除部分错误匹配,并能处理特征点的定位误差,减小异常数据对基础矩阵的影响,从而提高基础矩阵的估计精度,其中第二种策略的鲁棒性较好。视差估计是立体视频编码的关键技术,本文将基础矩阵应用到立体视差估计中,介绍了一种带极线约束的Delaunay三角形(Delaunay Triangulation ,DT)网格基立体图像视差估计算法。该算法首先把立体图像对中的右图像作为参考图像,并进行DT描述;然后利用极线约束在左图像中估计出网格节点的对应点,从而得到网格节点的视差;最后利用仿射变换得到其它点的视差。实验结果表明,加了极线约束以后,预测左图像的信噪比有所提高,主观质量也有一定的改善。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景与意义
• 1.2 基础矩阵概述
• 1.3 论文研究内容及结构
• 第二章 基础矩阵的基本理论和匹配点集的建立
• 2.1 摄像机模型
• 2.1.1 参考坐标系
• 2.1.2 摄像机模型
• 2.2 对极几何与基础矩阵
• 2.2.1 对极几何
• 2.2.2 基础矩阵
• 2.3 匹配点集的建立
• 2.3.1 特征点提取——Harris角点检测
• 2.3.2 特征点匹配
• 2.3.2.1 特征点匹配概述
• 2.3.2.2 常用特征匹配算法
• 2.3.2.3 一种基于多约束的特征点匹配算法
• 2.4 本章小结
• 第三章 估计基础矩阵的方法
• 3.1 问题描述
• 3.2 线性算法
• 3.2.1 7 点算法
• 3.2.2 8 点算法
• 3.2.3 改进的8 点算法
• 3.3 非线性迭代算法
• 3.3.1 基于点到极线的最小距离法
• 3.3.2 基于梯度的方法
• 3.4 鲁棒算法
• 3.4.1 M-estimators估计法
• 3.4.2 最小平方中值法
• 3.4.3 RANSAC方法
• 3.5 试验结果与分析
• 3.6 小结
• 第四章 基于分块的基础矩阵的鲁棒估计
• 4.1 基于分块的随机抽样策略
• 4.2 异常数据去除
• 4.3 基于分块的改进的迭代算法
• 4.3.1 基本原理
• 4.3.2 算法步骤
• 4.3.3 实验结果及分析
• 4.4 基于分块基础矩阵鲁棒扩充算法
• 4.4.1 基本原理
• 4.4.2 初始子集的选取及子集的优化调整
• 4.4.3 算法流程及步骤
• 4.4.4 实验结果及分析
• 4.5 多种算法比较
• 4.5.1 实验数据及分析
• 4.5.2 结论
• 4.6 小结
• 第五章 基础矩阵在立体视差估计中的应用
• 5.1 引言
• 5.2 传统的基于“块”匹配的视差估计算法
• 5.3 一种带有极线约束的DT基立体图像视差估计算法
• 5.3.1 DT网络模型简介
• 5.3.2 算法原理及步骤
• 5.3.3 实验结果及分析
• 5.4 小结
• 第六章 总结与展望
• 致谢
• 参考文献
• 作者在读期间的研究成果