計算機雙目立體視覺（簡體書）

《計算機雙目立體視覺》針對傳統雙目視覺的相關演算法存在的缺點，給出了改進方法或提出了新模型，使之更為有效可靠；另外，《計算機雙目立體視覺》將提出的新模型與新演算法應用於實際工程領域，拓展了雙目視覺的應用領域。《計算機雙目立體視覺》可供廣大科研人員、工程技術人員使用，也可供模式識別、信號處理、計算機科學與工程、自動化等有關專業高年級學生和研究生參考。

第1章 計算機視覺研究概述
1.1 主動測距技術
1.2 被動測距技術
1.2.1 單目視覺
1.2.2 雙目視覺
1.2.3 三（多）目視覺
參考文獻
第2章 相機標定
2.1 相機成像模型
2.1.1 參考坐標系
2.1.2 針孔模型
2.1.3 畸變模型
2.2 相機標定演算法概述
2.2.1 DLT法的原理
2.2.2 Tsai的兩步法的原理
2.2.3 Z Zhang的平面範本兩步法的原理
2.3 相機的預標定
2.3.1 一種快速準確的標定特徵點存儲演算法
2.3.2 改進的相機光心計算方法
2.3.3 實驗結果與分析
2.4 改進的兩步標定演算法
2.4.1 基於三維重投影誤差的Tsai兩步法
2.4.2 考慮多個畸變系數的仿DLT兩步法
2.4.3 基於進化計算的仿DLT兩步法
2.4.4 實驗結果與分析
參考文獻
第3章 對極幾何及其恢復方法
3.1 雙目視覺的對極幾何
3.1.1 成像模型
3.1.2 基礎矩陣
3.1.3 基礎矩陣的求解方法
3.2 對極幾何的離線恢復
3.2.1 簡單背景下的恢復
3.2.2 復雜背景下的恢復
3.2.3 實驗結果與分析
3.3 對極幾何的在線恢復
3.3.1 基於成像幾何的圖像坐標約束證明
3.3.2 基於圖像坐標約束的稀疏匹配演算法
3.3.3 魯棒稀疏匹配演算法
3.3.4 實驗結果與分析
3.4 圖像極線校正演算法概述
3.5 基於基礎矩陣的校正演算法
3.5.1 校正演算法原理
3.5.2 實驗結果與分析
參考文獻
第4章 稠密匹配
4.1 稠密匹配演算法概述
4.2 局部最優化匹配演算法
4.2.1 基於灰度互相關的匹配演算法
4.2.2 基於Census變換的匹配演算法
4.3 全局最優化匹配演算法
4.3.1 基於特徵約束的快速匹配演算法
4.3.2 基於圖論最小切割的匹配演算法
4.3.3 改進的基於圖論最小切割的匹配演算法
4.3.4 實驗結果與分析
4.4 誤匹配的去除方法
4.4.1 圖像灰度均衡演算法
4.4.2 基於視差均值的濾波演算法
4.4.3 基於真實控制點的視差濾波演算法
4.4.4 實驗結果與分析
參考文獻
第5章 三維重建
5.1 三維重建演算法概述
5.2 基於歐氏空間的場景三維點雲計算方法
5.2.1 立體成像幾何法
5.2.2 最小二乘法
5.3 基於OpenGL的三維顯示方法
5.3.1 坐標系的轉換與統一
5.3.2 三角剖分與紋理粘貼
5.4 三維重建軟件結構
5.4.1 三維重建流程
5.4.2 雙相機標定模塊
5.4.3 圖像匹配模塊
5.4.4 三維重建顯示模塊
5.5 實驗結果與分析
參考文獻
第6章 雙目視覺的特例及應用
6.1 光軸垂直的雙目視覺測距系統
6.1.1 測距模型推導
6.1.2 測距結果與分析
6.2 基於平行雙目視覺的星球漫遊車人機交互系統
6.2.1 星球漫遊車技術研究概述
6.2.2 基於車體坐標系的總體標定方法
6.2.3 漫遊車的運動學建模
6.2.4 基於平行雙目視覺的漫遊車運動仿真研究
參考文獻
結束語

1）基於區域的匹配方法
基於區域的匹配方法（視窗匹配法）根據圖像的區域相關性進行匹配，它適用於紋理資訊較豐富的區域，但在遮擋點或紋理不豐富的區域則會出現大量誤匹配。匹配時，在統計意義上的相似性及演算法的計算速度均與相關視窗的大小有關。相關視窗小則計算速度快，但統計相似性不夠，容易出現誤匹配；相關窗口大則統計相似性增強，不易出現誤匹配，但計算速度降低，這一點在具體應用中需要折中考慮。在視窗匹配法中，定視窗的方法在深度不連續處無效。已經有學者提出一些改進的自適應視窗匹配法，用於避免窗口跨越深度不連續性區域。其採用的視窗大小和形狀根據灰度的局部變化和當前深度（視差）的估計值迭代變化。雖然這種演算法提高了匹配質量，但其計算過程較為復雜。
2）基於相位的匹配方法
基於相位的匹配方法是利用具有局域頻率特徵的相位信號作為匹配基元進行匹配的，其前提假設是匹配點對需要具有相同的頻率響應。相位匹配過程大多採用小波變換法，這可以使相位的多解析度求取過程自然地與粗一精匹配策略相結合，提高匹配過程的效率，從而得到緻密的視差圖。基於相位的匹配作為一種圖像匹配技術具有抗噪特性強、檢測方法與照度無關和受幾何失真影響小等特點，但它對旋轉變化非常敏感。
3）基於三角剖分的匹配方法
基於三角剖分的匹配方法將物體的幾何結構限制在某個特定的特徵三角形內，從而使匹配範圍進一步縮小。在匹配前先對圖像進行分割，當所有的特徵三角形均得到匹配後，就完成了整個圖像對的稠密匹配。但當某些特徵三角形中的點不共面時，將導致匹配演算法的失敗，因此必須對這個特徵三角形進行細分，直到各個特徵三角形滿足共面條件為止。