立體視覺--stereo correspondence（雙目立體匹配）
阿新 • • 發佈：2019-02-14
立體視覺的匹配演算法有:
(1) Marr-Poggio-Grimson演算法，以過零點為基元，採用由粗到精的控制策略，用精度較低層次的匹配來限定精度較高層次匹配的搜尋空間，最後利用連續性約束通過迭代方式實現匹配過程。處理物件是自然景物的雙目立體圖象。
(2) R. Nevatia-G.Medioni演算法，以線片段 (segments) 為基元，以最小差別視差 (minimum differential disparity) 為基準，建立匹配過程。該基準實際上是連續性約束的一種表現形式，在對應線片段各自鄰域記憶體在的對應線片段的視差與其視差相近。處理物件是人工環境的雙目立體圖象。
(3) R. Y. Wong演算法，旨在建立兩類圖象的對應關係，如航空照片、遙感圖象與灰度圖象之間的對應關係。以邊界特徵(edge feature)為依據採用順序的 (sequential)、多層次結構 (hierarchical structure)的搜尋策略實現匹配過程。
(4) K. Price-R. Reddy演算法，依據場景的線條特徵模型，將自頂向下（人工智慧）(top-down (artificial intelligence))與自底向上（模式識別）(bottom-up (pattern recognition)) 兩種控制策略有效地結合起來，採用廣義的相關方法進行匹配，旨在建立形態差別較大的兩幅圖象（一幅是參照圖或參考模型，另一幅是待對應的圖象）的對應關係。如機場模型與機場的航空照片之間的對應關係。
(5) C. S. Clark-A. L. Luck-C. A. McNary演算法，抽取線條輪廓特徵建立模型，在模型間建立對應。適於存在較大差別的圖象的匹配。
(6) K. E. Price演算法，用於在圖象間建立區域對應。該演算法利用區域間的相互關係，以鬆馳法為基本思想實現了多層次表示結構下的匹配過程。突出特點是匹配演算法考慮了圖象本身區域間的相互關係（如包含、子部分等）的匹配，具有類似於某種語義網路式的啟發性。
(7) R. Horaud-T. Skorads演算法，以線條特徵為匹配基元，每個線條特徵不僅含有其本身的端點座標及方向向量資訊，而且含有它同那些與其相鄰的線條特徵之間存在的相對位置及結構關係的資訊。這些特徵將每幅圖象表示成為一個關係圖，根據該關係圖對於每個線條特徵確定它在另一幅圖象中的可能對應集合，以每組對應為一結點構造對應圖，依據關係圖的相容性通過利益函式（benefit function）確定最佳對應。它處理的物件是室內環境的雙目立體圖象。
(8) W. Hoff-N. Ahuja演算法，以過零點為最小特徵，將特徵匹配、輪廓檢測以及表面內插這三個過程結合在一起，採用基於多層表示的由粗到精的控制策略，根據對於表面的光滑性約束重構三維表面。這是一種與傳統方法大不相同的演算法，適合於有紋理特徵的環境如工作臺上的物品，不適合於稀疏特徵環境如室內環境。另外 S. I. Olsen提出的演算法與此相似，它將表面的重構過程（reconstruction process）結合在對應匹配過程中，基於多重屬性用鬆弛法進行匹配，逐步提高重構的視差表面與實際的視差資料的一致性。