1. 研究目的与意义

立体视觉兴起于20世纪60年代，在近几十年中一直是计算机视觉领域最热门的研究问题之一。立体视觉的基本原理是融合两个或者多个视点的信息，以获取不同视角下同一个物体的图像，通过三角测量原理计算图像像素间的位置偏差，从而获得物体的三维信息。立体视觉直接模拟了人类视觉处理景物的方式，可以获得场景的丰富信息，尤其是深度信息，通过这些年的研究，立体视觉理论不断发展，并且由于硬件设备性能不断提高，立体视觉发挥着越来越大的作用，目前已广泛应用于机器人导航、工业检测、视觉测量等领域。

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，全局（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。

全局（半全局）立体匹配算法主要是采用了全局的优化理论方法估计视差，建立全局能量函数，通过最小化全局能量函数得到最优视差值。主要的算法有图割、信念传播、动态规划等算法。全局（半全局）立体匹配算法是通过能量最小化方法进行视差估计，在其建立的能量函数中，除了数据项之外，还有平滑项。数据项主要是测量像素之间的相似性问题,而平滑项是平滑像素之间的视差关系，保证相邻像素之间视差的平滑性。

2. 研究内容和预期目标

半全局立体匹配算法针对整张图片的数据提出了能量函数，并对此能量函数求全局最优解，总体而言半全局算法消耗的时间更多，取得的匹配效果也相应更好。

半全局立体匹配算法，是根据相邻像素点之间的视差梯度信息，为初始匹配代价施加不同的惩罚项，提供平滑性约束，匹配代价函数形式为：

3. 研究的方法与步骤

研究方法：sgm算法

sgm算法是一种半全局匹配算法，在opencv中的实现叫做sgbm，算法流程主要为预处理、代价计算、动态规划、后处理。

1）预处理

4. 参考文献

[1]邓鲁华，张延恒，et al.数字图像处理[m].北京：机械工业出版社，2005.

[2]顾梦娇，朱宇锋，郭迎庆，et al.基于半全局立体匹配算法的改进研究[j].电子测量技术，2020，43（19）：89-91.

[3]郭龙源，罗百通，欧先锋，et al.自适应窗口和半全局立体匹配算法研究[j].成都工业学院学报，2017，20（1）：7-11.

5. 计划与进度安排

1、2022年3月1日-2022年3月20日 查阅文献资料，确定毕业设计工作任务，分析任务目标，完成开题报告，确定总体方案；

2、2022年3月21日-2022年4月10日 研究半全局匹配技术

3、2022年4月11日-2022年5月1日 尝试编写程序，并进行修改